Día tras día, aparecen nuevos tipos de malware, se renuevan y se desarrollan continuamente, lo que dificulta identificarlos y detenerlos. Algunos atacantes explotan la inteligencia artificial (IA) para crear malware renovable con diferentes firmas que son difíciles de detectar. Por lo tanto, el rendimiento de los sistemas tradicionales de detección de malware (MDS) y los mecanismos de protección se debilitaron, lo que permite que el malware penetre fácilmente en ellos. Esto plantea un gran riesgo para la seguridad en el entorno de Internet de las cosas (IoT), que está interconectado y tiene grandes cantidades de datos continuos. Penetrar en cualquiera de los dispositivos en el entorno de IoT conlleva a la penetración de toda la red de IoT y controlar diferentes dispositivos en ella. Además, la penetración del entorno de IoT conlleva a una violación de la privacidad de los usuarios, lo que puede resultar en muchos riesgos, como obtener y robar la información de la tarjeta de crédito del usuario o robo de identidad. Por lo tanto, es necesario proponer un marco robusto para un MDS basado en DL que tenga una alta capacidad para detectar malware renovable y proponer sistemas de detección de anomalías de malware (MADS) que funcionen como una mente humana para resolver el problema de seguridad en entornos de IoT. El modelo RoMADS logra altos resultados: 99.038% para , 99.997% para la tasa de detección. Los resultados del experimento superan dieciocho modelos de trabajos de investigación anteriores relacionados con este campo, lo que demostró la efectividad del marco RoMADS para detectar malware en IoT.