Las recientes innovaciones tecnológicas junto con la gran cantidad de datos disponibles en todo el mundo han llevado al aumento de ciberataques contra sistemas de red. Los Sistemas de Detección de Intrusiones (IDS) juegan un papel crucial como mecanismo de defensa en las redes contra atacantes adversarios. Los métodos de Aprendizaje Automático proporcionan diversas herramientas de ciberseguridad. Sin embargo, estos métodos requieren una gran cantidad de datos para ser entrenados de manera eficiente, lo que puede ser difícil de recopilar o utilizar debido a razones de privacidad. Una de las herramientas de Aprendizaje Automático más notables es la Red Generativa Antagónica (GAN), que tiene un gran potencial para la síntesis de datos tabulares. En este trabajo, comenzamos presentando brevemente las arquitecturas de GAN más populares, VanillaGAN, WGAN y WGAN-GP. Enfocándonos en la generación de datos tabulares, se utilizan los modelos CTGAN, CopulaGAN y TableGAN para la creación de datos sintéticos de IDS. Específicamente, los modelos son entrenados y evaluados en un conjunto de datos NSL-KDD, considerando las limitaciones y requisitos que este procedimiento necesita. Finalmente, basándonos en ciertos métodos cuantitativos y cualitativos, argumentamos y evaluamos los GANs más prominentes para la síntesis de datos de red tabulares.