با توجه به اهمیت روزافزون امنیت شبکه در محیط‌های پیچیده و پویا، سیستم‌های تشخیص نفوذ نقش بسیار مهمی در شناسایی و مقابله با تهدیدات امنیتی ایفامی‌کنند. با این حال، وجود حجم زیادی از داده‌ها در شبکه‌ها، کارایی سیستم‌های تشخیص نفوذ را تحت تأثیر قرارمی‌دهد. انتخاب ویژگی به عنوان یک مرحله حیاتی در پیش‌پردازش داده‌ها می‌تواند به بهبود دقت، سرعت و کارایی این سیستم‌ها کمک­ کند. این مقاله به بررسی سیستماتیک روش‌های انتخاب ویژگی مبتنی بر الگوریتم‌های فراابتکاری در سیستم‌های تشخیص نفوذ در محیط رایانش ابری می‌پردازد. روش کار شامل مرور جامعی بر تحقیقات انجام‌شده در حوزه انتخاب ویژگی برای سیستم‌های تشخیص نفوذ است. در این بررسی، الگوریتم‌های فراابتکاری مانند الگوریتم ژنتیک، بهینه‌سازی ازدحام ذرات ، بهینه‌سازی کلونی زنبور، الگوریتم خفاش، و سایر روش‌های بهینه‌سازی الهام­ گرفته از طبیعت، به­ طور کامل بررسی­ شده‌اند. این الگوریتم‌ها به­ دلیل توانایی‌شان در جستجوی فضای بزرگ ویژگی‌ها و شناسایی بهترین ترکیب‌ها برای بهبود عملکرد سیستم‌های تشخیص نفوذ، انتخاب ­شده‌اند. در این مقاله، مقایسه‌های دقیقی بین الگوریتم‌های مختلف از نظر معیارهای عملکردی همچون دقت تشخیص، نرخ هشدار غلط، زمان پردازش و تعداد ویژگی‌های انتخاب‌شده انجام­ شده ­است. همچنین، مجموعه داده‌های مختلفی در این زمینه، مورد بحث و بررسی قرار گرفته‌اند تا کارایی هر یک از روش‌ها در شرایط مختلف ارزیابی ­شود. علاوه بر این، چالش‌های کلیدی در این حوزه مورد شناسایی و تحلیل قرار گرفته‌اند. این چالش‌ها شامل مواردی همچون پیچیدگی محاسباتی بالا، مسئله سربار پردازشی در محیط‌های ابری، تعادل بین دقت و سرعت تشخیص، و مشکل تداخل ویژگی‌ها هستند. همچنین، شکاف‌های تحقیقاتی موجود در این زمینه که نیازمند تحقیقات بیشتر است، شناسایی شده‌اند. نتایج این بررسی­ نشان­ می‌دهد که هریک از الگوریتم‌های فراابتکاری دارای نقاط قوت و ضعف خاص خود هستند و انتخاب بهترین روش بستگی به نیازمندی‌ها و شرایط خاص سیستم دارد. این مقاله با ارائه توصیه‌هایی برای تحقیقات آینده، به­ عنوان یک راهنمای جامع برای پژوهشگران و توسعه‌دهندگان سیستم‌های تشخیص نفوذ در محیط‌های ابری مطرح ­می‌شود.