A medida que las redes informáticas se vuelven cada vez más importantes en diversos ámbitos, la necesidad de redes seguras y fiables se vuelve más apremiante, especialmente en el contexto de las redes de cadena de suministro habilitadas para blockchain. Un modo de garantizar la seguridad de la red es mediante el uso de sistemas de detección de intrusiones (IDS), que son dispositivos especializados que detectan anomalías y ataques en la red. Sin embargo, estos sistemas son vulnerables a ataques de envenenamiento de datos, como el volteo basado en etiquetas y distancias, que pueden socavar su efectividad dentro de las redes de cadena de suministro habilitadas para blockchain. En este artículo de investigación, investigamos el efecto de estos ataques en un sistema de detección de intrusiones en red utilizando varios modelos de aprendizaje automático, incluidos la regresión logística, el bosque aleatorio, SVC y el clasificador XGB, y evaluamos cada modelo a través de su puntuación F1, matriz de confusión y precisión. Ejecutamos cada modelo tres veces: una vez sin ningún ataque, una vez con volteo aleatorio de etiquetas con una aleatoriedad del 20% y una vez con ataques de volteo de etiquetas basados en distancias con un umbral de distancia de 0.5. Además, esta investigación prueba una red neuronal de ocho capas utilizando métricas de precisión y una biblioteca de informes de clasificación. El objetivo principal de esta investigación es proporcionar información sobre el efecto de los ataques de envenenamiento de datos en los modelos de aprendizaje automático en el contexto de las redes de cadena de suministro habilitadas para blockchain. De esta manera, pretendemos contribuir al desarrollo de sistemas de detección de intrusiones más robustos adaptados a los desafíos específicos de asegurar las redes de cadena de suministro basadas en blockchain.