Com a expansão da Internet, aliada ao crescente número de dispositivos de Internet das Coisas (IoT), os ataques de negação de serviços (Denial of Service - DoS), bem como sua variante distribuída (Distributed Denial of Service - DDoS), vêm se tornando um problema significativo para a disponibilidade de serviços que operam na Internet. Nos últimos anos, o número de pesquisas na academia e na indústria sobre a detecção e mitigação desses ataques vem crescendo, porém sem ainda uma solução definitiva. Técnicas envolvendo aprendizagem de máquina estão sendo amplamente utilizadas para detecção e mitigação desses ataques. Embora eficientes, as técnicas propostas apresentam um alto custo computacional, o que podem torná-las inviáveis em cenários de redes com fluxos de dados intensos, devido às restrições temporais impostas pelo processamento em tempo real do fluxo de dados. Inspirado nesses trabalhos da literatura, mas buscando uma redução de complexidade computacional, este trabalho propõe o uso de uma rede neural convolucional de baixa complexidade para a detecção de ataques de DDoS. A redução de complexidade da rede convolucional proposta se baseia no uso de descritores obtidos a partir de um conjunto de métricas calculadas sobre dados de cabeçalho de tráfego de rede amostrado. O método desenvolvido possui alta taxa de acerto, baixa taxa de falsos positivos e relativa simplicidade de implementação, tornando-o apto à tarefa de detecção de ataques de DDoS em cenários de redes com vazões elevadas.