Proceedings of the International scientific and practical conference ―Science at the Frontier of Progress‖ (June 8-10, 2026) / Publisher website: www.naukainfo.com. – Paris, France, 2026. - 178 p.

72 виражену деградацію логістичної регресії (SI = 0,811), тоді як випадковий ліс на UNSW-NB15 виявляє несподівано вищу стійкість до шуму (SI = 0,981) порівняно з NSL-KDD. Ця асиметрія поведінки випадкового лісу між наборами даних свідчить про сильну залежність ансамблевих моделей від специфіки структури ознакового простору. Порівняльний аналіз підтверджує, що UNSW-NB15 є більш реалістичним та складним середовищем оцінювання. Нейронна мережа демонструє найбільш збалансовану поведінку між обома наборами даних, зберігаючи відносно стабільний SI у всіх умовах зсуву. Логістична регресія є найбільш передбачуваною, але найменш стійкою моделлю в умовах шуму ознак. Результати підкреслюють необхідність мультидоменного тестування моделей машинного навчання при оцінюванні їх придатності до розгортання у динамічних кіберсередовищах та доцільність використання нормалізованих метрик, таких як SI, для стандартизації порівняльного аналізу стійкості. СПИСОКВИКОРИСТАНИХДЖЕРЕЛ: 1. Tsymbal A. The problem of concept drift: definitions and related work // Computer Science Department, Trinity College Dublin. – 2004. – 33 p. 2. NSL-KDD Dataset [Електронний ресурс]. – Режим доступу: https://www.unb.ca/cic/datasets/nsl.html 3. UNSW-NB15 Dataset [Електронний ресурс]. – Режим доступу: https://research.unsw.edu.au/projects/unsw-nb15-dataset