Las técnicas existentes de reconocimiento de tráfico de malware basadas en aprendizaje automático pueden detectar de manera efectiva comportamientos anómalos en la red. Sin embargo, casi todas se centran en un escenario de conjunto cerrado en el que los datos utilizados para entrenamiento y prueba provienen del mismo espacio de etiquetas. Dado que el malware sofisticado y las amenazas persistentes avanzadas están evolucionando, es imposible agotar todos los ataques para entrenar un modelo completo de reconocimiento bajo las condiciones técnicas existentes. Por lo tanto, el reconocimiento en la red real es un problema de conjunto abierto, es decir, el sistema de reconocimiento debe identificar ataques desconocidos y no vistos en el momento de la prueba. En este documento, proponemos un método consciente de la incertidumbre para identificar con precisión el tráfico malicioso conocido y manejar de manera efectiva el tráfico desconocido. Este método utiliza la incertidumbre predictiva en el aprendizaje profundo como indicador para la detección de clases desconocidas. La incertidumbre predictiva representa la confianza en las predicciones de la red neuronal. En particular, se presenta el modelo de Reconocimiento de Tráfico de Malware con Evidencia Profunda (DEMTR) para proporcionar la probabilidad de clasificación múltiple y la incertidumbre predictiva en escenarios de conjunto abierto utilizando el aprendizaje profundo evidencial. Demostramos el rendimiento de DEMTR en el conjunto de datos MCFP. Los resultados experimentales indican que el modelo propuesto supera a los métodos de línea de base en precisión y puntuación F.