Este artículo aborda los desafíos de ciberseguridad en el Internet de las Cosas (IoT), derivados de la proliferación masiva de dispositivos con recursos limitados y protecciones insuficientes frente a ataques como accesos no autorizados y denegación de servicio. Este estudio destaca las limitaciones de las soluciones tradicionales y la escasez de conjuntos de datos realistas para entrenar modelos de machine learning aplicados a la seguridad IoT. Como principal contribución, se presenta un testbed físico de oficina/hogar inteligente que replica un entorno real, integrando sensores, cámaras, enchufes inteligentes y estaciones de trabajo para generar tráfico auténtico. El entorno permite simular múltiples escenarios de ataque y evaluar sistemas de detección de anomalías basados en ML. Los resultados experimentales demuestran un alto rendimiento, alcanzando hasta 99,97 % de precisión con XGBoost y mejoras significativas con SVM frente a conjuntos de datos de referencia como IoT-23.