СУЧАСНИЙ СТАН І ПЕРСПЕКТИВИ ВІДБОРУ ОЗНАК У ЗАДАЧАХ БАГАТОКЛАСОВОЇ КЛАСИФІКАЦІЇ КІБЕРАТАК З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ: СИСТЕМНИЙ АНАЛІЗ МЕТОДІВ І ТЕХНОЛОГІЙ

Анотація

Дослідження присвячено комплексному аналізу сучасних методів відбору ознак (feature selection) у задачах багатокласової класифікації кібератак. У роботі систематизовано шість основних категорій методів: filter-based, wrapper-based, embedded, метаевристичні, XAI-керовані та RL-керовані підходи. Проведено аналіз 31 наукової публікації 2022–2026 років, що демонструє еволюцію від класичних статистичних методів до гібридних AI-driven підходів. Особливу увагу приділено викликам багатокласової постановки: severe class imbalance, class-specific feature relevance та cross-feature effects. Досліджено 12 benchmark-датасетів від legacy (NSL-KDD) до найсучасніших (GeNIS-2025, CICIoMT2024). Практичні рекомендації включають готовий technology stack та методологію валідації для production-grade систем. У контексті загроз наступного покоління (на прикладі Anthropic Mythos Preview) обґрунтовано критичність edge-deployable, interpretable та adversarially-robust feature selection для масштабованої кіберзахисту.

References

1. Rehman, M. U., Kalakoti, R., & Bah¸si, H. (2025). Comprehensive Feature Selection for Machine Learning-Based Intrusion Detection in Healthcare IoMT Networks. Proceedings of ICISSP 2025, 248-259.

2. Silva, M., Pinto, D., Vitorino, J., Maia, E., Praça, I., Amorim, I., & Viamonte, M. J. (2025). Binary and Multiclass Cyberattack Classification on GeNIS Dataset. arXiv:2511.08660.

3. Abd Elaziz, M., et al. (2022). An Effective Feature Selection Model Using Hybrid Metaheuristic Algorithms for IoT Intrusion Detection. Sensors, 22(4), 1396.

4. Chen, L., et al. (2024). Explainable Deep Learning-Based Feature Selection and Intrusion Detection Method on the Internet of Things. Sensors, 24(16), 5223.

5. Wang, X., et al. (2025). Lightweight Intrusion Detection in IoT via SHAP-Guided Feature Pruning. arXiv:2512.19488.

6. Zhang, Y., et al. (2026). An XGBoost-Based Intrusion Detection Framework with Interpretability Analysis for IoT Networks. Applied Sciences, 16(2), 980.

7. Fathi, H., et al. (2025). Reinforcement learning-driven feature selection for enhanced classification in cybersecurity. International Journal of Data and Network Science, 9.

8. Panda, B., Bisoyi, S. S., Panigrahy, S., & Mohanty, P. (2025). Machine learning techniques for imbalanced multiclass malware classification through adaptive feature selection. PeerJ Computer Science, 11, e2752.

9. Lv, J. (2025). An Interpretable Network Intrusion Detection Model via Decision Tree Enhanced Deep Attention Network. IET Information Security, 19.

10. Carlini, N., et al. (2026, April 7). Assessing Claude Mythos Preview's cybersecurity capabilities. Anthropic Research Blog. Retrieved from https://red.anthropic.com/2026/mythos-preview/

11. Zhang, L., et al. (2025). RADAR-X: A Robust Adversarial-Resilient Dual-Stream Network Intrusion Detection Framework. Research Square.