Augant naudojamų daiktų interneto įrenginių bei tinklų skaičiui, kyla ir naujos saugumo rizikos, susijusios su šiais daiktų interneto tinklais. Šiame darbe yra pristatoma lyginamoji įvairių mašininio ir gilaus mokymosi modelių klasifikavimo našumo analizė – tikslumo bei atpažinimo metrikos – naudojant CIC-IoT-IDS2023 duomenų rinkinį, skirtą apmokyti mašininio mokymo modelius aptikti prieš daiktų interneto įrenginius nukreiptas atakas. Taip pat pateiktiamos gaires tolimesniems darbams kuriant kibernetinių įsilaužimų aptikimo sistemą daiktų interneto tinkluose. Siūlomos gairės apima sprendimo medžių modelių hiperparametrų tobulinimą, realaus laiko įsilaužimų aptikimo komponento kūrimą bei testavimą naudojant kraštinius (angl. edge) įrenginius.