Este estudo investiga o campo de Adversarial Machine Learning (AML) aplicado à classificação de ciberataques em redes IoT, partindo dos avanços obtidos na primeira fase desse trabalho, com a Análise Comparativa de Métodos de Geração de Amostras Adversariais na Detecção de Ataques. Esta pesquisa foi conduzida a partir de experimentos em dois conjuntos de dados amplamente utilizados na área (IoT-23 e TON-IoT), empregando tanto abordagens de treinamento convencional quanto adversarial. Para evidenciar o impacto de perturbações intencionais, foram geradas amostras adversariais por técnicas como FGSM e CGAN, demonstrando como pequenas modificações podem comprometer o desempenho de modelos de detecção de ameaças. A partir dessas técnicas, os resultados obtidos antes e após a aplicação do treinamento adversarial foram avaliados a partir de métricas como acurácia e precisão. Dessa forma, as conclusões alcançadas ressaltam a relevância de estratégias defensivas específicas para cibersegurança, visto que as soluções desenvolvidas em outros domínios, como visão computacional, não são imediatamente transferíveis para ambientes de rede.