La rápida explosión de dispositivos de Internet de las cosas (IoT) ha traído consigo una nueva era de interconectividad y facilidad de uso, al mismo tiempo que presenta importantes preocupaciones de seguridad. Los Sistemas de Detección de Intrusiones (IDS) desempeñan un papel crítico en la protección de los ecosistemas de IoT contra una amplia gama de amenazas cibernéticas. A pesar de los avances en la investigación, persisten desafíos en la mejora de la precisión de detección de IDS, la reducción de falsos positivos (FP) e identificación de nuevos tipos de ataques. Este documento presenta un análisis exhaustivo de los desarrollos recientes en IoT, arrojando luz sobre metodologías de detección, tipos de amenazas, métricas de rendimiento, conjuntos de datos, desafíos y direcciones futuras. Analizamos sistemáticamente la literatura existente de 2016 a 2023, centrándonos en estrategias de IDS de aprendizaje automático (ML) y no ML que involucran modelos de firma, anomalía, especificación e híbridos para contrarrestar amenazas específicas de IoT. Los hallazgos incluyen los modelos de implementación desde el borde hasta la computación en la nube y la evaluación del rendimiento de IDS basada en medidas como precisión, tasas de FP y costos computacionales, utilizando diversos conjuntos de datos de referencia de IoT. El estudio también explora métodos para mejorar la precisión y eficiencia de IDS, incluida la ingeniería de características, optimización y soluciones de vanguardia como tecnologías criptográficas y blockchain. Igualmente, identifica desafíos clave como la naturaleza de recursos limitados de los dispositivos de IoT, la escalabilidad y problemas de privacidad, y propone direcciones de investigación futuras para mejorar IDS basados en IoT y la seguridad general del ecosistema.