用于入侵检测系统的生成式人工智能与联邦学习：综述

入侵检测系统（IDS）对于在现代网络物理系统、物联网（IoT）、企业和分布式网络环境中监控网络流量和识别恶意活动至关重要。然而，开发可靠的IDS模型仍然具有挑战性，因为攻击行为会随时间演变，难以获得真实数据集，流量记录可能不完整，攻击类别通常不平衡，并且隐私约束限制了集中式数据收集。生成式人工智能（AI）和联邦学习（FL）的最新进展为解决这些限制提供了新的机会。生成模型可以支持异常检测、合成流量生成、数据增强、数据插补、对抗流量生成和IDS警报解释。FL使得分布式IDS训练无需直接共享本地网络流量，使其适用于隐私敏感和地理分布的环境。本综述对用于IDS的生成式AI和FL技术进行了结构化回顾。我们首先总结了代表性的IDS研究方向，包括对抗机器学习、基于异常的检测、面向IoT的IDS、可解释IDS和基准数据集。然后，我们根据模型族和任务目标对IDS中的生成式AI应用进行分类，涵盖基于自编码器的模型、生成对抗网络（GAN）、扩散模型和大型语言模型（LLM）。最后，我们回顾了将生成式AI与基于FL的IDS相结合的新兴研究，并讨论了开放挑战，包括合成数据质量、真实流量生成、双重用途对抗风险、非独立同分布客户端分布、通信高效模型共享、联邦IDS基准测试以及用于网络安全的领域特定LLM。