En los últimos años, con el rápido desarrollo del Internet de las Cosas, han ocurrido ataques de botnets a gran escala con frecuencia y se han convertido en un desafío importante para la seguridad de redes. A medida que la tecnología de inteligencia artificial continúa evolucionando, constantemente surgen soluciones de detección inteligente para botnets. Aunque las redes neuronales gráficas son ampliamente utilizadas para la detección de botnets, el manejo directo de datos de botnets a gran escala se vuelve ineficiente y desafiante a medida que aumenta el número de hosts infectados y la escala de la red se expande. Especialmente en el proceso de aprendizaje e inferencia a nivel de nodo, se deben procesar una gran cantidad de nodos y aristas, lo que conlleva un aumento significativo en la complejidad computacional y plantea nuevos desafíos para la seguridad de redes. Este documento presenta un enfoque novedoso que puede identificar con precisión diversas arquitecturas de botnets intrincadas en extensas redes de IoT basado en la circunstancia mencionada anteriormente. Al utilizar GraphSAINT para procesar datos de grafos de botnets de IoT a gran escala, se ha logrado un muestreo de subgrafos eficiente e imparcial. Además, se ha desarrollado una solución con una capacidad de representación de información mejorada basada en la Red de Isomorfismo de Grafos (GIN) para la detección de botnets. En comparación con los cinco modelos de redes neuronales gráficas (GNN) actualmente populares, nuestro enfoque ha sido probado en conjuntos de datos C2, P2P y Chord, y se ha logrado una mayor precisión.