Generación de Tráfico Sintético con GANs para Detección de Intrusiones

Abstract

Las Redes Generativas Adversariales (GANs) constituyen una de las aproximaciones más prometedoras para mitigar el desequilibrio de clases en detección de intrusiones en red. Sin embargo, la revisión de once arquitecturas evaluadas sobre conjuntos de datos de ciberseguridad plantea una serie de problemas : las categorías de ataque más críticas siguen mal detectadas, la capacidad de generalización entre benchmarks permanece sin demostrar, las métricas de evaluación carecen de estandarización y la brecha entre laboratorio y despliegue real se mantiene intacta. Este artículo caracteriza estos problemas a partir de evidencia empírica concreta, con el propósito de fomentar la discusión y servir como punto de partida para futuras investigaciones.