La enorme popularidad de Internet en todas las esferas de la vida humana ha introducido varios riesgos de ataques maliciosos en la red. Las actividades realizadas a través de la red podrían ser fácilmente proliferadas, lo que ha llevado al surgimiento de sistemas de detección de intrusiones. Los patrones de los ataques también son dinámicos, lo que hace necesario una clasificación y predicción eficientes de los ciberataques. En este documento proponemos un modelo híbrido de análisis de componentes principales (PCA) basado en luciérnagas para clasificar conjuntos de datos de sistemas de detección de intrusiones (IDS). El conjunto de datos utilizado en el estudio se recopila de Kaggle. El modelo primero realiza codificación One-Hot para la transformación de los conjuntos de datos de IDS. El algoritmo híbrido PCA-luciérnaga se utiliza luego para la reducción de dimensionalidad. El algoritmo XGBoost se implementa en el conjunto de datos reducido para la clasificación. Se realiza una evaluación exhaustiva del modelo con los enfoques de aprendizaje automático de última generación para justificar la superioridad de nuestro enfoque propuesto. Los resultados experimentales confirman el hecho de que el modelo propuesto funciona mejor que los modelos de aprendizaje automático existentes.