В данной исследовательской работе исследуется эффективность различных методов машинного обучения для решения задачи обнаружения сетевых аномалий в контексте сред Интернета вещей (IoT). Используя разнообразный набор параметров оценки, включая точность, прецизионность, отзыв, оценку F1, время обучения и анализ рабочих характеристик приемника (ROC), систематически сравниваются шесть различных методов машинного обучения. Полученные результаты подчеркивают практическую применимость логистической регрессии, которая является надежным выбором благодаря своим сбалансированным эксплуатационным характеристикам. Логистическая регрессия не только демонстрирует высокую точность обнаружения сетевых аномалий, но и значительно сокращает время обучения, что делает ее особенно подходящей для реальных приложений, где своевременное реагирование на аномалии имеет решающее значение. Это исследование дает ценную информацию о применении методов машинного обучения для повышения безопасности и целостности сетей Интернета вещей, решения сложных задач, связанных с обнаружением сетевых аномалий, и подчеркивает практическую значимость этих методологий в меняющемся ландшафте кибербезопасности Интернета вещей.