تُعتبر أنظمة كشف التسلل (IDSs) من العناصر الأساسية التي تساهم في مراقبة حركة الشبكة وكشف الأنشطة الضارة في البيئات المختلفة، بما في ذلك الإنترنت من الأشياء (IoT) والبيئات المؤسسية والشبكات الموزعة. ولعل التحدي الأكبر هو تطوير نماذج موثوقة لكشف التسلل نظرًا لتطور سلوكيات الهجمات بمرور الزمن، وصعوبة الحصول على مجموعات بيانات واقعية، وتجزئة سجلات الحركة، إضافةً إلى مشاكل متعلقة بجودة البيانات وتحديات الخصوصية التي تعيق جمع المعلومات بصورة مركزية.

تقدم التقنيات الحديثة في الذكاء الاصطناعي التوليدي (Generative AI) والتعلم الفيدرالي (FL) فرصًا جديدة لمواجهة هذه التحديات. يستطيع الذكاء الاصطناعي التوليدي دعم الاكتشاف الشاذ، وتوليد حركة مرور اصطناعية، وزيادة البيانات، وتفسير تنبيهات نظم كشف التسلل. بينما يمكّن التعلم الفيدرالي تدريب أنظمة كشف التسلل الموزعة دون الحاجة إلى مشاركة حركة المرور المحلية مباشرة، مما يجعله مناسبًا للبيئات الحساسة للخصوصية والموزعة جغرافيًا.

تقدم هذه المراجعة هيكلًا منظمًا لتقنيات الذكاء الاصطناعي التوليدي والتعلم الفيدرالي في أنظمة كشف التسلل. حيث نبدأ بتلخيص الاتجاهات البحثية الهامة في IDS، بما في ذلك تعلم الآلة العدائي، والكشف المستند إلى الشذوذ، وأنظمة IDS الموجهة نحو IoT، وأنظمة الكشف القابلة للتفسير، ومجموعات البيانات القياسية. بعد ذلك، نصنف تطبيقات الذكاء الاصطناعي التوليدي في أنظمة كشف التسلل وفقًا لعائلات النماذج والأهداف المرجوة، متضمنة موديلات تعتمد على الأكواد التلقائية، والشبكات المنافِسة التوليدية (GANs)، ونماذج الانتشار، ونماذج اللغات الضخمة (LLMs).

في الختام، نستعرض الدراسات الناشئة التي تجمع بين الذكاء الاصطناعي التوليدي ومبادئ التعلم الفيدرالي في أنظمة كشف التسلل، ونناقش التحديات المفتوحة، بما في ذلك جودة البيانات الاصطناعية، وتوليد حركة مرور واقعية، ومخاطر الاستخدام المزدوج، وتوزيع العملاء غير المتجانس، وكفاءة التواصل في تبادل النماذج، وتقييم أنظمة الكشف الفيدرالية، ونماذج اللغات الخاصة بمجالات معينة لأمن الشبكات.