Este documento presenta una revisión sistemática de la literatura basada en el modelo PRISMA sobre ataques de denegación de servicio distribuidos (DDoS) basados en aprendizaje automático en redes de Internet de las Cosas (IoT). El objetivo principal de la revisión es comparar las tendencias de investigación sobre opciones de implementación, conjuntos de datos y técnicas de aprendizaje automático utilizadas en el dominio entre 2019 y 2024. Los resultados destacan la dominancia de ciertos conjuntos de datos (BoT-IoT y TON_IoT) en combinación con modelos de Árbol de Decisiones (DT) y Bosque Aleatorio (RF), logrando altas tasas de precisión media (>99%). Este documento discute varios conjuntos de datos que se utilizan para entrenar y evaluar modelos de aprendizaje automático (ML) para detectar ataques de denegación de servicio distribuidos (DDoS) en redes de Internet de las Cosas (IoT) y cómo impactan en el rendimiento del modelo. Además, los hallazgos sugieren que debido a limitaciones de hardware, hay una preferencia por soluciones de ML ligeras y conjuntos de datos preprocesados. Las tendencias actuales indican que conjuntos de datos más grandes o específicos de la industria continuarán ganando popularidad junto con modelos de ML más complejos, como el aprendizaje profundo. Esto enfatiza la necesidad de opciones de implementación robustas y escalables, con Redes Definidas por Software (SDN) que ofrecen flexibilidad, el cómputo en el borde que está siendo ampliamente explorado en entornos de nube, y las redes integradas con blockchain surgiendo como un enfoque prometedor para mejorar la seguridad.