La era actual se enfrenta a la revolución industrial. El paradigma de comunicación de Máquina a Máquina (M2M) está volviéndose prevalente. Como resultado, las capacidades computacionales se están integrando en objetos cotidianos llamados cosas. Cuando se conectan a internet, estas cosas crean un Internet de las Cosas (IoT). Sin embargo, las cosas son dispositivos con recursos limitados que tienen poder computacional limitado. La conectividad de las cosas con internet plantea desafíos de seguridad. La información sensible del usuario procesada por las cosas también es susceptible a problemas de confiabilidad. Por lo tanto, la proliferación de riesgos cibernéticos y amenazas de malware aumenta la necesidad de una integración de seguridad mejorada. Esto requiere aumentar las cosas con modelos de aprendizaje profundo de vanguardia para una detección y protección mejoradas de los datos del usuario. Actualmente, las soluciones de aprendizaje profundo son excesivamente complejas y a menudo están sobreajustadas para el problema dado. En esta investigación, nuestro objetivo principal es investigar un enfoque de aprendizaje profundo liviano que maximice los puntajes de precisión con costos computacionales más bajos para garantizar la aplicabilidad de la monitorización de malware en tiempo real en dispositivos IoT limitados. Utilizamos un algoritmo de aprendizaje profundo de Redes Neuronales Recurrentes (RNN), Memoria a Corto Plazo de Largo Plazo (LSTM) y Bi-direccional LSTM en una configuración estándar entrenada en un conjunto de datos de malware estándar. Los resultados del enfoque propuesto muestran que los modelos neurales profundos simples con una sola capa densa y unos pocos cientos de parámetros entrenables pueden eliminar el sobreajuste del modelo y alcanzar hasta un 99.45% de precisión, superando a los modelos de aprendizaje profundo excesivamente complejos.