A implementação de sistemas de detecção de intrusão é uma problemática central em redes IoT (Internet of Things), visto às limitações de recursos dos dispositivos agregados a ela. Para garantir integridade, disponibilidade e autenticidade na rede, é necessário detectar e classificar tentativas de intrusão. Métodos baseados em aprendizado de máquina supervisionado são comumente utilizados na literatura para solucionar o referido problema. Dessa forma, este trabalho implementa diferentes arquiteturas baseadas em redes neurais artificiais (RNAs) para identificar e categorizar intrusões em ambientes de Fog e IoT, com o objetivo de encontrar o melhor conjunto de parâmetros da abordagem RNA aplicada à base de dados IoTD20. Foi possível observar que a configuração com 2 camadas ocultas, cada uma com 81 neurônios, obteve o melhor desempenho geral nas métricas testadas. Comparando com o estado da arte, entende-se que em cenários com classes balanceadas, as abordagens com arquiteturas neurais mais simples foram capazes de alcançar melhor desempenho.