Los Sistemas de Detección de Intrusiones juegan un papel crucial en una red. Pueden detectar diferentes ataques a la red y emitir advertencias sobre ellos. Los IDS basados en Aprendizaje Automático se entrenan con conjuntos de datos que, debido al contexto, son inherentemente grandes, ya que pueden contener tráfico de red de diferentes períodos de tiempo y a menudo incluyen un gran número de características. En este artículo, presentamos dos contribuciones: el estudio de la importancia de la Selección de Características al utilizar un conjunto de datos de IDS, mientras se busca un equilibrio entre el rendimiento y el número de características; y el estudio de la viabilidad de utilizar un dispositivo de baja capacidad, el Nvidia Jetson Nano, para implementar un IDS. Los resultados, comparando el GA con otras técnicas bien conocidas en Selección de Características y Reducción de Dimensionalidad, muestran que el GA tiene el mejor F1-score del 76%, entre todos los tamaños de características/dimensiones. Aunque el tiempo de procesamiento para encontrar el conjunto óptimo de características supera a otros métodos, observamos que la reducción en el número de características disminuye el tiempo de procesamiento del GA sin un impacto significativo en el F1-score. El Jetson Nano permite la clasificación del tráfico de red con una sobrecarga de 10 veces en comparación con un servidor tradicional, allanando el camino para un IDS embebido basado en GA casi en tiempo real.