هدفت الدراسة تطوير بعض أنظمة كشف التسلل بناءً على خوارزميات التحسين للزيادة في ميزات بيانات التدقيق ؛ حيث ينخفض أداء خوارزميات التحسين أيضًا لـ IDS للأساليب القائمة على الإنسان من حيث وقت التدريب ودقة التصنيف، كما يهدف البحث تطوير طريقة محسنة للكشف عن التسلل للتصنيف الثنائي في IDS المقترحة ، ودمج خوارزمية Rao Optimization ، و Support Vector Machine (SVM) ، و Extreme Learning Machine (ELM) ، و Logistic Regression (LR) (اختيار الميزة والوزن) مع خوارزمية NTLBO مع تقنيات ML الخاضعة للإشراف لاختيار مجموعة الميزات الفرعية (FSS). نظرًا لأن اختيار المجموعة الفرعية للميزة وتعتبر مشكلة تحسين متعددة الأهداف، كما اقترحت الدراسة مفهوم RSS أقل. وتم استخدام مجموعة بيانات التعلم الآلي البارزة ، UNSW-NB15 ، للتجارب وأظهرت النتائج أن
 Rao-SVM وصلت دقة 92.5٪ على مجموعة بيانات UNSW-NB15 . The study aimed to develop some intrusion detection systems based on optimization algorithms to increase audit data features; The performance of optimization algorithms also decreases for IDS for human-based methods in terms of training time and classification accuracy. Machine (ELM), and Logistic Regression (LR) (feature selection and weight) with NTLBO algorithm with ML supervised feature subset selection (FSS) techniques. Since feature subset selection is considered a multi-objective optimization problem, the study also suggested a less RSS concept. A prominent machine learning dataset, UNSW-NB15, was used for the experiments and the results showed that Rao-SVM reached 92.5% accuracy on the UNSW-NB15 dataset..