La seguridad de las redes de comunicación tiene gran relevancia para la sociedad actual. Términos como ciberataque, ciberguerra, phising, spam, denegación de servicio (DoS) se han incluido en el vocabulario colectivo de la sociedad y es un claro indicador de la importancia de la seguridad de estas redes. Este trabajo presenta un estudio sobre el uso de técnicas de aprendizaje automático enfocadas a la mejora de la seguridad en redes en general y los pequeños dispositivos conectados a redes IoT en particular. Se ha desarrollado un prototipo para la detección de ataques realizados desde redes de equipos informáticos infectados por programas maliciosos (botnets). Se ha empleado redes neuronales profundas, denominadas stacked autoencoders (SAE), para aprender el comportamiento normal de una red y posibilitar la detección de anomalías del mismo por la presencia de botnets. Este prototipo aporta la utilización de grafos de comunicación para describir el comportamiento en lugar del flujo de red. La combinación de SAEs, y grafos de comunicación, reduce los requisitos computacionales e incorpora facetas del comportamiento que pasan desapercibidas en el análisis clásico del flujo de red. Este aspecto de reducción computacional es especialmente relevante para su utilización en dispositivos IoT que cuentan con capacidades limitadas. Los experimentos se han realizado con datos de tráfico benigno y tráfico generado por botnets en un entorno real de una red de dispositivos IoT. Los datos han sido elaborados por Garcia et al. (2020) y recogidos bajo la denominación Aposemat IoT-23. Los resultados corroboran la hipótesis inicial. La propuesta es una alternativa viable al problema de detección de ataques botnets en redes IoT, obteniendo una exactitud similar a otros modelos propuestos para redes de comunicaciones clásicas.