モバイルネットワークを介して接続されたIoT/CPSシステムの領域において、従来の侵入検知手法は異常検出技術を使用して複数のデバイス間のネットワークトラフィックを分析し、潜在的なセキュリティ脅威を特定します。しかし、これらの手法はプライバシーに関する大きな課題に直面しています。特に、ディープパケットインスペクションやネットワーク通信分析は非常に侵襲的であり、データパケットの内容（個人情報や機密情報を含む可能性がある）を調査することを伴います。このようなデータ監視は、スマートホームなどの環境ではデータプライバシーが最重要であるため、しばしば厳格な法律や規制によって管理されています。合成データは、実際のネットワーク行動を模倣しつつ機密情報を暴露しないという点で有望な解決策を提供します。生成モデルであるジェネレーティブ・アドバーサリアル・ネットワーク（GANs）は合成データを作成することができますが、専門的な領域であるネットワーク活動のような分野では現実的なデータを生成することが困難な場合があります。この限界は訓練データの不足から生じており、モデルが領域の規則と制約を適切に理解する能力を阻害しています。さらに、訓練データの不足は侵入検知手法におけるクラスアンバランス問題を悪化させています。これらの課題に対処するために、私たちはプライバシー重視のフレームワークとして知識注入型ジェネレーティブ・アドバーサリアル・ネットワーク（KiNETGAN）を利用した合成ネットワーク活動データ生成手法を提案します。このアプローチは分散型侵入検知の堅牢性を向上させつつプライバシー問題にも対応します。私たちが開発したKnowledge Guided GANは厳密な実験を通じて現実的なネットワーク活動表現を作り出すことが確認されており、下流タスクでの精度低下が最小限に抑えられることも示しています。これにより、データプライバシーと有用性のバランスが効果的に取れていることが証明されました。