Debido a la prevalencia de los dispositivos del Internet de las cosas (IoT) conectados a Internet, el número de ataques basados en IoT ha ido creciendo anualmente. Las soluciones existentes pueden no mitigar eficazmente los ataques de IoT. En particular, las soluciones avanzadas de detección de ataques basadas en red que utilizan sistemas de detección de intrusiones tradicionales son desafiantes cuando el entorno de red admite tanto protocolos tradicionales como de IoT y utiliza una arquitectura de red centralizada como una red definida por software (SDN). En este artículo, proponemos un enfoque basado en memoria a largo y corto plazo (LSTM) para detectar ataques en la red utilizando un sistema de detección de intrusiones soportado por SDN en redes IoT. Presentamos una evaluación de rendimiento extensa del modelo de aprendizaje automático (ML) y aprendizaje profundo (DL) en dos conjuntos de datos enfocados en SDNIoT. También proponemos una arquitectura basada en LSTM para la clasificación multiclasificación efectiva de ataques en redes IoT. Nuestra evaluación del modelo propuesto muestra que nuestro modelo identifica eficazmente los ataques y clasifica los tipos de ataque con una precisión de 0.971. Además, se muestran varios métodos de visualización para entender las características del conjunto de datos y visualizar las características de incrustación.