Esta investigación aborda la escasez de datos del mundo real necesarios para la construcción efectiva de modelos de redes neuronales, adentrándose en el campo crucial de la ciberseguridad de sistemas de control e automatización industrial (ICS). Los ciberataques contra los ICS son primero identificados y luego generados en un esfuerzo por aumentar la conciencia sobre las vulnerabilidades y mejorar la seguridad. Esta investigación tiene como objetivo cubrir una necesidad en la literatura existente examinando la efectividad de un enfoque novedoso para la ciberseguridad de ICS que se basa en datos de entornos industriales reales. Se utilizan datos del mundo real de una variedad de sectores comerciales en este estudio para producir un conjunto de datos completo. Estos sectores incluyen sistemas de energía, tanques de agua dulce y gasoductos, que juntos proporcionan una amplia gama de escenarios comerciales donde los enfoques de detección de anomalías y clasificación de ataques son críticos. Se muestra que los datos generados mejoran considerablemente la precisión de los modelos. Se logra una impresionante tasa de precisión del 71% en los modelos de sistemas de energía, y la incorporación de datos generados aumenta de manera confiable la velocidad de la red. Utilizando datos generados, el sistema de aprendizaje automático logra una impresionante precisión del 99% en varios ensayos. Además, el sistema muestra alrededor del 90% de precisión en la mayoría de los estudios cuando se aplica al entorno de gasoductos. En conclusión, este artículo destaca la necesidad de mejorar la ciberseguridad en sectores industriales vitales abordando la escasez de datos del mundo real de ICS. Para comprender mejor y defenderse contra ciberataques en maquinaria industrial y sistemas de automatización, demuestra cómo los datos generativos pueden mejorar la precisión y la confiabilidad de los modelos de redes neuronales.