Die rasante Verbreitung von Geräten für das Internet der Dinge (IoT) hat verschiedene Sektoren verändert und die Konnektivität und Effizienz verbessert. Dieser Anstieg hat jedoch auch erhebliche Sicherheitslücken mit sich gebracht, wodurch IoT-Netzwerke zu attraktiven Zielen für Cyber-Bedrohungen werden. Diese Literaturrecherche untersucht die Entwicklung von KI-gestützten Intrusion Detection Systemen (IDS), die speziell auf IoT-Umgebungen zugeschnitten sind. Durch die Nutzung von Algorithmen für maschinelles Lernen können diese Systeme riesige Datenmengen analysieren, die von IoT-Geräten generiert werden, und anomale Muster identifizieren, die auf potenzielle Sicherheitsverletzungen hinweisen. Die Überprüfung kategorisiert bestehende Techniken des maschinellen Lernens, einschließlich überwachter, unüberwachter und verstärkender Lernansätze, und bewertet ihre Wirksamkeit bei der Erkennung und Reaktion von Anomalien in Echtzeit. Darüber hinaus werden die wichtigsten Herausforderungen, einschließlich Rechen- und Energiebeschränkungen, sowie fortschrittliche Ansätze wie Merkmalsauswahl und Hybridmodelle zur Verbesserung der Erkennungsgenauigkeit mit minimalen Ressourcen diskutiert. Letztendlich unterstreicht diese Überprüfung die Notwendigkeit eines mehrschichtigen Sicherheitsrahmens, der nicht nur aktuelle Bedrohungen berücksichtigt, sondern auch zukünftige Herausforderungen antizipiert, die sich aus sich entwickelnden Cyberangriffsmethoden ergeben. Durch die Zusammenführung von Erkenntnissen aus aktuellen Studien sollen die Ergebnisse dazu dienen, das Design robusterer und anpassungsfähigerer KI-gestützter IDS zu beeinflussen und so zur sicheren Implementierung von IoT-Netzwerken in verschiedenen Anwendungen beizutragen.