La clasificación del tráfico de red tiene como objetivo identificar categorías de tráfico o aplicaciones de paquetes o flujos de red. Es un área que sigue ganando atención por parte de los investigadores debido a la necesidad de comprender la composición de los tráficos de red, que cambia con el tiempo, para garantizar la Calidad de Servicio (QoS) de la red. Entre los diferentes métodos de clasificación del tráfico de red, el basado en la carga útil (DPI) es el más preciso, pero presenta algunas desventajas, como la incapacidad de clasificar datos cifrados, las preocupaciones sobre la privacidad de los usuarios, los altos costos computacionales y la ambigüedad cuando múltiples firmas pueden coincidir. Por esa razón, se han propuesto métodos de aprendizaje automático para superar estos problemas. Este trabajo propone un modelo de Dividir y Conquistar Multi-Objetivo (MODC) para la clasificación del tráfico de red, combinando, en un modelo híbrido, algoritmos de aprendizaje automático supervisados y no supervisados, basado en la estrategia de dividir y conquistar. Además, es un modelo flexible ya que permite a los administradores de red elegir entre un conjunto de parámetros (soluciones pareto-óptimas), guiados por un proceso de optimización multi-objetivo, priorizando la precisión de flujo o de bytes. Nuestro método logró un 94.14% de precisión promedio de flujo para el conjunto de datos analizado, superando las seis herramientas basadas en DPI investigadas, incluyendo dos comerciales, y otros métodos basados en aprendizaje automático.