El número de estudios sobre la aplicación de aprendizaje automático a la ciberseguridad ha aumentado en los últimos años. Estos estudios, sin embargo, enfrentan dificultades para hacerse útiles en el mundo real, principalmente debido a la falta de datos de entrenamiento y reutilización de un modelo creado. Aunque el aprendizaje por transferencia parece ser una solución a estos problemas, el número de estudios en el campo de la detección de intrusiones sigue siendo insuficiente. Por lo tanto, este estudio propone el aprendizaje por transferencia basado en características de carga útil como solución a la falta de datos de entrenamiento al aplicar el aprendizaje automático a la detección de intrusiones utilizando el conocimiento de un dominio ya conocido. Primero, amplía el rango de extracción de información desde el encabezado hasta la carga útil para entregar la información de manera precisa utilizando un método efectivo de extracción de características híbridas. En segundo lugar, este estudio proporciona un método de optimización mejorado para las características extraídas para crear un conjunto de datos etiquetado para un dominio objetivo. Esta propuesta fue validada en conjuntos de datos públicamente disponibles, utilizando tres escenarios distintos, y los resultados confirmaron su usabilidad en la práctica al aumentar la precisión de los datos de entrenamiento creados a partir del aprendizaje por transferencia en un 30%, en comparación con el método sin aprendizaje por transferencia. Además, mostramos que este enfoque puede ayudar a identificar ataques previamente desconocidos y reutilizar modelos de diferentes dominios.