Con la aparición de la tecnología, se dice que el uso de dispositivos IoT (Internet de las cosas) está aumentando en la vida de las personas. Tales dispositivos pueden beneficiar al individuo promedio, que no necesariamente tiene que tener conocimientos técnicos. El IoT se puede encontrar en sistemas de seguridad y alarmas para el hogar, neveras inteligentes, televisores inteligentes y más. Aunque los pequeños dispositivos conectados a Internet tienen numerosos beneficios y pueden ayudar a mejorar la eficiencia de las personas, también pueden representar una amenaza de seguridad. Los actores malintencionados a menudo intentan encontrar nuevas formas de explotar y utilizar ciertos recursos, y los dispositivos IoT son un candidato perfecto para tal explotación debido al gran volumen de dispositivos activos. Esto es particularmente cierto para los ataques de Denegación de Servicio Distribuido (DDoS), que implican la explotación de un gran número de dispositivos, como los dispositivos IoT, para actuar como bots y enviar solicitudes fraudulentas a los servicios, obstruyéndolos. Para identificar y detectar si tales ataques han ocurrido o no en una red, debe haber un mecanismo confiable de detección basado en técnicas adecuadas. La técnica más común para este propósito es la inteligencia artificial, que implica el uso de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) para ayudar a identificar ciberataques. Los modelos de ML involucran algoritmos que utilizan datos estructurados para aprender, predecir resultados e identificar patrones. El objetivo de este documento es revisar estudios seleccionados y publicaciones relevantes para el tema de detección de DDoS en redes basadas en IoT utilizando publicaciones relevantes sobre aprendizaje automático. Ofrece una gran cantidad de referencias para académicos que buscan definir o expandir el alcance de su investigación en esta área.