Con el rápido desarrollo del Internet de las Cosas (IoT), el número de dispositivos IoT está aumentando drásticamente, lo que hace cada vez más importante identificar intrusiones en estos dispositivos. Los investigadores están utilizando técnicas de aprendizaje automático para diseñar sistemas de detección de intrusiones efectivos. En este estudio, proponemos un nuevo sistema de detección de intrusiones que detecta eficientemente el tráfico anómalo de la red. Para reducir las dimensiones de las características de los datos, empleamos el algoritmo heurístico del optimizador de lobo gris binario (BGWO) y la eliminación recursiva de características (RFE) para seleccionar el subconjunto de características más relevantes para la variable objetivo. La técnica de sobremuestreo de minorías sintéticas (SMOTE) se utiliza para sobremuestrear la clase minoritaria y mitigar el impacto del desequilibrio de datos en los resultados de clasificación. Los datos preprocesados se clasifican luego utilizando XGBoost, y los hiperparámetros del modelo se optimizan utilizando la optimización bayesiana con estimador de Parzen estructurado en árbol (BO-TPE) para lograr el mejor rendimiento de detección. Para validar la efectividad del método propuesto, realizamos experimentos binarios y multiclase en cinco conjuntos de datos IoT comúnmente utilizados. Los resultados muestran que nuestro método propuesto supera a los métodos de vanguardia en cuatro de los cinco conjuntos de datos. Es destacable que nuestro método propuesto logra una precisión, recall y una puntuación F1 perfectas de 1.0 en los conjuntos de datos BoT-Iot y WUSTL-IIOT-2021, validando aún más la efectividad de nuestro enfoque.