Проаналізовано підходи до оптимізації NIDS, спрямовані на досягнення оптимального балансу між точністю класифікації та обчислювальною ефективністю шляхом усунення надлишкових ознак без втрати критично важливої інформації. Розглянуто методи зменшення розмірності та метаевристичні алгоритми, зокрема метод головних компонент (PCA), генетичний алгоритм (GA), оптимізацію рою частинок (PSO) та багатоцільову воронкову оптимізацію (MVO). Проведено експериментальне дослідження на наборі даних CSE-CIC-IDS-2018, який містить широкий спектр сучасних атак і нормального трафіку. Оцінено вплив різних алгоритмів на точність класифікації, час тренування моделей та вимоги до обчислювальних ресурсів. Виконано порівняльний аналіз ефективності GA, PSO та MVO у контексті оптимізації ознак для NIDS.