Sun’iy Intellekt va Raqamli Iqtisodiyot

Barcha yadrolar uchun hisoblangan parametrlar asosida quyidagi statistik ko‘rsatkichlar aniqlanadi: 1 𝑀 ∑ • O‘rtacha yuza: 𝐴̅ = 𝐴 ; 𝑀 𝑘=1 𝑘 ̅ = 1 ∑𝑀 • O‘rtacha perimetr: 𝑃 𝑘=1 𝑃𝑘 . 𝑀 Bu ko‘rsatkichlar o‘pka to‘qimasidagi patologik o‘zgarishlarni aniqlashda muhim diagnostik ahamiyatga ega. Masalan, yadrolar yuzasining ortishi va shaklining murakkablashishi ko‘pincha malign transformatsiyadan dalolat beradi. Xulosa. Otsu usuli asosida gistologik tasvirlarni segmentlash va morfometrik belgilarni aniqlash jarayoni quyidagi afzalliklarga ega: 1. Avtomatik rejimda ishlaydi va operator xatolarini kamaytiradi; 2. Obyektiv va takrorlanuvchan natijalar beradi; 3. Katta hajmdagi ma'lumotlarni tez qayta ishlash imkonini beradi; 4. O‘pka patologiyalarini erta bosqichda aniqlash imkoniyatini yaratadi. Taklif etilgan matematik modellar asosida o‘pka gistologik tasvirlaridagi hujayra yadrolarining morfometrik belgilarini avtomatik aniqlash tizimini yaratish mumkin. Adabiyotlar ro‘yxati: 1. Oswal, Varun et al. “An entropy-based automated cell nuclei segmentation and quantification: application in analysis of wound healing process.” Computational and mathematical methods in medicine vol. 2013 (2013): 592790. doi:10.1155/2013/592790. 2. L. Zaiter, “Learning The Optimal Threshold: A Novel Method to Segment Histopathology Images.” Technium, vol. 29, pp. 48–52, Apr. 2025, doi: 10.47577/technium.v29i.12748. 3. Schreiber B. et al. Bang and the Artefacts are Gone! Rapid Artefact Removal and Tissue Segmentation in Haematoxylin and Eosin Stained Biopsies. – 2023. 4. Schreiber, B.A., Denholm, J., Jaeckle, F. et al. Rapid artefact removal and H&Estained tissue segmentation. Sci Rep 14, 309 (2024). Doi:10.1038/s41598-023-50183-4. 5. Liu D., Yu J. Otsu method and K-means //2009 Ninth International conference on hybrid intelligent systems. – IEEE, 2009. – Т. 1. – С. 344-349. 6. Mei M, Ye Z, Zha Y. An integrated convolutional neural network for classifying small pulmonary solid nodules. Front Neurosci. doi:10.3389/fnins.2023.1152222. KIBERXAVFSIZLIK FANINI O‘QITISH TENDENTSIYALARI VA ZAMONAVIY TEXNOLOGIYALARI Musayev Anvar Isakovich, UMFT Kommunikatsiya va axborot texnologiyalari kafedrasi dotsenti, texnika fanlari nomzodi (PhD), dotsent, anvarmuso73i.gmail.com Annotatsiya. Ushbu maqolada kiberxavfsizlik ta’limida sun’iy intellektni qo‘llashning asosiy yo‘nalishlari tahlil qilingan. Adaptive learning, intellektual repetitorlik tizimlari, avtomatlashtirilgan baholash va simulyatsiya usullari ko‘rib chiqilib, bakalavr dasturlarini takomillashtirish bo‘yicha amaliy tavsiyalar ishlab chiqilgan. Kalit so‘zlar: Kiberxavfsizlik, sun'iy intellekt, adaptiv o‘qitish, simulyatsiya, bakalavr ta’limi Аннотация. В данной статье рассмотрены основные направления применения искусственного интеллекта в обучении кибербезопасности. Проанализированы методы адаптивного обучения, интеллектуального наставничества, автоматизированного 319

оценивания и симуляции угроз, а также разработаны практические рекомендации по совершенствованию программ бакалавриата. Ключевые слова: Кибербезопасность, искусственный интеллект, адаптивное обучение, симуляция, бакалавриат Abstract. This article analyzes the key approaches to integrating artificial intelligence into cybersecurity education. Adaptive learning systems, intelligent tutoring, automated assessment, and threat simulation methods are examined, with practical recommendations provided for modernizing undergraduate cybersecurity curricula. Key words: Cybersecurity, artificial intelligence, adaptive learning, threat simulation, undergraduate education Kirish. Kiberxavfsizlik sohasida mutaxassislar tayyorlash bugungi kunda eng dolzarb masalalardan biriga aylangan. Raqamli iqtisodiyot rivojlanib borayotgan bir davrda, yuqori malakali kiberxavfsizlik mutaxassislariga bo‘lgan talab har yili keskin oshib bormoqda. Ushbu tahlil dunyo miqyosida kuzatilayotgan eng ilg‘or o‘qitish metodologiyalari, texnologiyalari va tendentsiyalarini o‘rganib, bakalavr dasturlarini takomillashtirish bo‘yicha aniq tavsiyalar beradi. ISC2 tashkilotining hisobotiga ko‘ra, dunyo bo‘ylab kiberxavfsizlik mutaxassislari taqchilligi 4 milliondan ortiq kishini tashkil etmoqda. Bu ko‘rsatkich ta'lim tizimini modernizatsiya qilish zaruratini yanada oshirmoqda. Asosiy qism. Amaliyotga yo‘naltirilgan ta'lim. Zamonaviy kiberxavfsizlik ta'limining eng muhim tendentsiyasi - nazariyadan amaliyotga o‘tish masalasi hisoblanadi. Agar yetakchi universitetlar olib qaralsa ular o‘z dasturlarini 60-70% amaliy mashg‘ulotlar o‘tkazishga ajratmoqda. Amalaiy mashg‘ulotlar uchun quyidagi texnologiyalr dolzarbdir: - Capture the Flag (CTF) musobaqalari: Talabalar real hujum va mudofaa stsenariylarini hal qiladilar; - Cyber Range laboratoriyalari: Virtual muhitda real xurujlarni simulyatsiya qilish - Red Team / Blue Team mashqlari: Hujumchi va himoyachi rollarini o‘ynash; - Bug Bounty dasturlari bilan integratsiya: Talabalarni real platformalarga ulash. Shuningdek xozirgi paytda sun'iy intellekt texnologiyalarining keng qo‘llanilishi kuzatilmoqda. Kiberxavfsizlik [1] ta'limiga ham sun'iy intellekt elementlarini kiritish global trend bo‘lib bormoqda. Stanford, MIT va Carnegie Mellon universitetlari ham AI-asosli kiberxavfsizlik kurslarini joriy etgan. - AI yordamida tahdidlarni aniqlash texnologiyalari; - Machine Learning yordamida anomal xatti-harakatlarni monitoring qilish; - ChatGPT va LLMlarning kiberxavfsizlikdagi o‘rni (ijobiy va salbiy tomonlari); - Avtomatlashtirilgan penetratsion testlash vositalari. Cloud va DevSecOps Ta'limini ham shu zamonaviy texnologiyalar tarkibiga kiritishimiz mumkin. Amazon AWS, Microsoft Azure va Google Cloud platformalarida kiberxavfsizlik bo‘yicha ixtisoslashgan sertifikatlar ta'lim standartiga aylanib bormoqda. DevSecOps [2] metodologiyasi dasturiy ta'minotni 320

ishlab chiqish jarayoniga xavfsizlikni integratsiya qilishni o‘rgatadi. Bular, Cloud Security fundamentals (AWS/Azure/GCP), Container Security (Docker, Kubernetes), CI/CD pipeline xavfsizligi va Infrastructure as Code (IaC) xavfsizlik auditilar bo‘lishi mumkin. O‘qitish texnologiyalari va vositalari sifatida quyidagi virtual laboratoriya platformalarini tavsiya etiladi: - TryHackMe o‘yinlashtirish asosida interaktiv laboratoriyalar (5 million+ foydalanuvchi) - Hack The Box professional pentesting vazifalarini tayyorlash platformasi - OWASP WebGoat veb ilova zaifliklarini o‘rganish uchun ataylab yaratilgan zaif dastur - VulnHub real zaiflik stsenariylarini o‘z ichiga olgan virtual mashinalar to‘plami - Cybrary 1000+ kiberxavfsizlik kurslari va virtual laboratoriyalari Sun'iy intellekt asosidagi o‘qitishda SI-powered adaptive learning: Har bir talabaning darajasiga mos materiallar taqdim etish, Intelligent tutoring systems: Talabalarga real vaqt rejimida yordam berish, Automated assessment: AI yordamida kod va yechimlarni baholash, Predictive analytics: Talabaning o‘zlashtirish darajasini oldindan aniqlash texnologiyalari katta ahamiyatga egadir. O‘yinlashtirish (gamification) elementlari talabalarning ta'limda ishtirok va motivatsiyani 48%ga oshiradi (Gartner 2024). Bu esa ayniqsa kiberxavfsizlik sohasida ayniqsa samarali: - CTF musobaqalari va natijalar reytingini e’lon qilib borish tizimi; - Yutuqlarni rag‘batlantirish va sertifikatlar tizimi; - Qiziqarli syujetga asoslangan scenariylar (masalan: bankni kiberhujumdan himoya qilish); - Ko‘p o‘yinchili kiber urush o‘yinlari. Jamoaviy ishlash imkoniyatiga ega va cloud (bulut) asosida ishlovch muhitlar ham takomillashgan texnologiya hisoblanadi, bunda GitHub Classroom: Loyiha asosida o‘qitish va version control, AWS Academy / Azure for Education: Haqiqiy cloud muhitida ishlash, Google Workspace for Education: Hamkorlikda ishlab chiqish, Discord/Slack hamjamiyatlari: Peer-to-peer o‘rganish jamoaviy ishlashda muhimdir. Mavjud tizimning tahlili va muammolari o‘rganilib chiqilganda O‘zbekiston kontekstida kuzatilayotgan muammolar sifatida quyidagilarni kuzatishimiz mumkin: - Laboratoriya infratuzilmasining yetarli emasligi real amaliyot uchun yetarli resurs yo‘qligi; - Sanoat bilan bog‘liqlikning zaifigi, korporativ sektordan tajribali mutaxassislarning dars jarayoniga jalb etilmaganligi, ularda dars berishga sharoit ta’minlanmaganligi; - O‘quv materiallarining eskirganligi, mavjud darsliklar texnologiya rivojidan 3-5 yil orqada qolmoqda va bu ta’lim sifatiga salbiy ta’sir ko‘rsatmoqda; 321

- Sertifikatlash tizimining etishmasligi, ya’ni CISSP, CEH, CompTIA kabi xalqaro sertifikatlar tizimining ta’lim tizimiga integratsiyasining kamligi; - Ingliz tili to‘sig‘ining mavjudligi, ko‘plab resurslar va standartlar ingliz tilida chop etilgan; - CTF madaniyatining rivojlanmaganligi sababli talabalar musobaqa tajribasiga ega emasligi. Kiberxavfsizlik bo‘yicha kuchli tomonlar ham kuzatiladi: - Matematika va informatika bo‘yicha kuchli bolgan O‘zbekiston talabalarining analitik qobiliyati ham yuqoriligi - Yosh va harakatchan talaba kontingenti o‘rganishga ishtiyoqli hisoblanadi - Hukumat tomonidan qo‘llab-quvvatlanishi - IT Park, Digital Uzbekistan 2030 strategiyasi - Mintaqaviy talab Markaziy Osiyo bozorida kiberxavfsizlik mutaxassislariga talab o‘smoqda Kiberxavfsizlik bo‘yicha mashg‘ulotlarni sifatli o‘tkazish va zamonaviy texnologiyalarga asoslash uchun quyidagilar taklif etiladi: TryHackMe yoki Hack The Box platformalarini o‘quv jarayoniga integratsiya qilib borish natijasida yar semestrda kamida bitta CTF musobaqasi tashkil etish yoki mavjud CTFlarga qatnashishni rag‘batlantiradi. GitHub Classroom orqali loyiha asosida baholash tizimini joriy etib borish mumkindir. Virtual Cyber Range muhitini VBox dasturi asosida yaratish, amaliyot mutaxassislarini ma'ruzachi sifatida jalb qilish (IT Park, Uzinfocom, banklardagi bo‘linma mutahassislarini), CompTIA Security+, CEH kabi xalqaro sertifikatlarni dasturga integratsiya qilish, AI va Machine Learning moduli qo‘shish kiberxavfsizlikda AI qo‘llash, OWASP metodologiyasi asosida veb xavfsizlik kursi ishlab chiqish va unga talabalarni aktiv jalb qilish mumkin. Ta’lim tizimida sun’iy intellekt (AI) har bir talabaning bilim darajasini tahlil qilib, unga mos materiallar taqdim etadi [3]. Masalan, talaba tarmoq xavfsizligini yaxshi bilsa, tizim avtomatik ravishda kriptografiya bo‘yicha qiyinroq topshiriqlar beradi. Coursera, Cybrary, TryHackMe platformalari aynan shu texnologiyadan foydalanadi. AI-asosli mentor tizimi talaba xato qilganda darhol tushuntirish beradi – o‘qituvchi bo‘lmasa ham. Masalan, talaba SQL injection topshirig‘ini noto‘g‘ri bajarsa, tizim qayerda xato qilganini ko‘rsatadi va yo‘naltiradi. AI real kiberhujum stsenariylarini avtomatik yaratadi. Har safar yangi, noyob stsenariy — talaba bir xil topshiriqni yodlamaydi, balki har doim yangi muammoni hal qiladi. SANS NetWars va IBM QRadar o‘quv muhiti shu usulda ishlaydi. Talabaning yozgan kodi, penetratsion test hisoboti yoki CTF yechimini AI avtomatik baholaydi va batafsil feedback beradi. Bu o‘qituvchining yukini kamaytiradi va talaba darhol natija oladi. Talabalar AI-asosli SIEM tizimlari bilan ishlashni o‘rganadilar — real log fayllarni tahlil qilish, anomaliyalarni aniqlash. Bu ayniqsa SOC (Security Operations Center) mutaxassislarini tayyorlashda muhim. ChatGPT va boshqa LLMlar talabalar uchun foydali bo‘lishi bilan birga, topshiriqlarni tayyor qildirib olish xavfi ham mavjud. Shu sababli baholash tizimini amaliy demonstratsiya va og‘zaki himoya asosiga qurilishi tavsiya etiladi 322

Xulosa va amaliy tavsiyalar. Kiberxavfsizlik ta'limini zamonavilashtirishda asosiy uchta tamoyilga amal qilish kerak: amaliyot ustuvorligi, sanoat bilan integratsiya (industry-aligned), va doimiy yangilanib borish ushbu sohaning dolzarbligini ta’minlagan xolda ta’lim sifatini belgilaydi. Dunyo miqyosidagi tendentsiyalar shuni ko‘rsatmoqdaki, eng samarali dasturlar faqat texnik bilimlarni emas, balki muammo hal qilish, jamoa ishi va etik xakerlik madaniyatini ham shakllantiradigan dasturlardir. O‘zbekistondagi bakalavr dasturlarida ushbu yondashuvni qo‘llash orqali raqobatbardosh, xalqaro talablarga javob beradigan kiberxavfsizlik mutaxassislarini tayyorlash mumkin. Ushbu mutahassisliklar uchun quyidagi o‘quv dasturi tuzilmasi tavsiya etiladi. O‘quv dasturi tuzilmasi Fan nomi Asosiy texnologiyalar Amaliyot ulushi Sertifikat yo‘nalishi Kiberxavfsizlik asoslari TryHackMe, Linux CLI, Networking fundamentals 50% CompTIA IT Fundamentals Tarmoq xavfsizligi va Kriptografiya Wireshark, Nmap, OpenSSL, Hack The Box 55% CompTIA Security+ Penetratsion test va Mudofaa Metasploit, Burp Suite, SIEM, SOC operatsiyalari 65% CEH / eJPT Cloud xavfsizligi va AI/ML AWS Security, Azure Sentinel, ML anomaly detection 70% AWS Security Specialty Baholash tizimini modernizatsiya qilish An'anaviy imtihon tizimi kiberxavfsizlik fanining amaliy xarakterini to‘liq baholay olmaydi. Zamonaviy baholash yondashuvlari: Baholash turi Ulushi (%) Tavsif CTF musobaqalari va wargames 25 % Har semestrda 2-3 CTF, portfolio sifatida hisoblash Laboratoriya ishlari va hisobotlar 30 % Har dars bo‘yicha amaliy topshiriq va texnik hisobot Kurs loyihasi (jamoa ishi) 20 % Real tashkilot uchun xavfsizlik auditi yoki VAPT Yakuniy imtihon (nazariy+amaliy) 20 % Nazariy test (50%) + amaliy scenariy (50%) Tekshirish va taqdimotlar 5% Tengdoshlar baholashi va og‘zaki himoya Ushbu tahlilning asosiy tavsiyasi: Amaliy mashg‘ulotlarga TryHackMe/HackTheBox platformalarini integratsiya qilish, CTF madaniyatini joriy etish, va sanoat hamkorligini o‘rnatish, bu uch yo‘nalish o‘quv jarayoni sifatini oshirishga xizmat qiladi. Foydalanilgan adaboyotlar ro‘yhati: 1. ISO/IEC 27000 Information technology. Security techniques. Information security management systems. Overview and vocabulary. 323

2. Stallings, W. (2022). Cryptography and Network Security: Principles and Practice (8th ed.). Pearson. 3. Kim, D., & Solomon, M. G. (2021). Fundamentals of Information Systems Security (4th ed.). Jones & Bartlett Learning. SHUBHALI TRANZAKSIYALARNI ANIQLASHDA MASHINAVIY O‘RGATISH (ML) ALGORITMLARIDAN FOYDALANISH Mustafoyev Zoxid Zoirovich, “UMFT” magistranti mustafoevzokhid@gmail.com Annotatsiya. Ushbu ilmiy ishda moliyaviy operatsiyalar xususiyatlarini tahlil qilish asosida shubhali bank operatsiyalarini avtomatik ravishda aniqlash uchun mashinani o‘rganish algoritmlarining qo‘llanilishi ko‘rib chiqiladi. Taklif etilayotgan yondashuv katta hajmdagi ma`lumotlarni tahlil qilish va anomal operatsiyalarni aniqlash imkoniyatlarini yaxshilaydi. Kalit so‘zlar: mashinaviy o‘rgatish, firibgarlikni aniqlash, ma`lumotlarnii tasniflash, moliyaviy xavfsizlik, tranzaksiya ma`lumotlarini tahlil qilish. Аннотация. В данной работе рассматривается применение алгоритмов машинного обучения для автоматического выявления подозрительных банковских транзакций на основе анализа характеристик финансовых операций. Предложенный подход позволяет анализировать большие объёмы транзакционных данных и выявлять аномальные операции с высокой точностью. Ключевые слова: машинное обучение, обнаружение мошенничества (fraud detection), банковские транзакции, выявление аномалий, классификация данных, финансовая безопасность, анализ транзакционных данных. Abstract. This work examines the application of machine learning algorithms for the automatic detection of suspicious banking transactions based on the analysis of financial operation characteristics. The proposed approach enables the analysis of large volumes of transactional data and identifies anomalous operations with high precision. Key words: machine learning, fraud detection, banking transactions, anomaly detection, data classification, financial security, transaction data analysis. Kirish. Keyingi yillarda elektron bank operatsiyalari soni keskin oshib borishi bilan birga, firibgarlik tranzaksiyalari ham ko‘payib boryapti. Moliyaviy muassasalar pul yo‘qotmaslik va mijozlar xavfsizligini ta`minlash uchun shubhali operatsiyalarni tezda aniqlashga majbur bo‘lmoqda. Oldindan belgilangan qoidalar asosida ishlaydigan an`anaviy monitoring tizimlari xozirgi vaqtda yetarlicha samara bermay qo‘ymoqda, chunki firibgarlarning yangi sxemalari juda tez moslashib, o‘zgarib boryapti. Shuning uchun tranzaksiya ma`lumotlarini tahlil qilish va noodatiy operatsiyalarni topishda mashinaviy o‘rganish (Machine Learning) metodlarini qo‘llash juda dolzarb bo‘lib qoldi. Ushbu tadqiqotning maqsadi — shubhali bank tranzaksiyalarini aniqlashda mashinali o‘rganish algoritmlarining imkoniyatlarini tahlil qilishdir. Ishda katta hajmdagi moliyaviy ma`lumotlar ichidan yashirin qonuniyatlarni topishga yordam beradigan intellektual tahlil metodlari ko‘rib chiqiladi. Qo‘yilgan vazifani yechish uchun klassifikatsiya algoritmlari va anomal harakatlarni aniqlash metodlaridan foydalaniladi, bu esa foydalanuvchining odatiy xatti-harakatidan chetga chiqadigan tranzaksiyalarni avtomatik aniqlash imkonini beradi. 324

Asosiy qism: Taklif etilayotgan tizim bank tranzaksiyalarini tahlil qilish uchun mo‘ljallangan bir nechta modullardan tashkil topgan bo‘lib, u ma`lumotlarni yig‘ishdan boshlab qaror qabul qilishgacha bo‘lgan barcha jarayonlarni qamrab oladi. Birinchi bosqichda tranzaksiyalar haqidagi ma`lumotlar yig‘iladi. Ma`lumotlar manbalari sifatida bank to‘lov tizimlari, mobil ilovalar va onlayn xizmatlar qabul qiladi. Har bir tranzaksiya haqida operatsiya summasi, vaqt, jo‘natuvchi va qabul qiluvchi identifikatorlari, to‘lov kanali, xarid kategoriyasi, onlayn do‘kon yoki savdo nuqtasi haqida ma`lumot, foydalanuvchining kasbi va tug‘ilgan sanasi kabi qo‘shimcha ma`lumotlar olinadi. Keyingi bosqichda ma`lumotlar tekshiriladi va ma`lumotlar bazasida saqlanadi. Bu bosqichda ma`lumotlarning to‘liqligi va to‘g‘riligi nazorat qilinadi. Barcha tranzaksiyalar strukturaviy ko‘rinishda ma`lumotlar bazasida saqlanib, keyingi tahlil jarayonlari uchun tayyorlanadi. Shundan so‘ng ma`lumotlarni tayyorlash jarayoni (feature engineering) amalga oshiriladi. Ushbu bosqichda tranzaksiyalarni tavsiflovchi qo‘shimcha ko‘rsatkichlar hisoblab chiqiladi. Masalan, mijozning ma`lum vaqt oralig‘idagi o‘rtacha tranzaksiya summasi, operatsiyalar chastotasi, IP manzilining o‘zgarish soni yoki avval qayd etilgan shubhali operatsiyalar mavjudligi kabi parametrlar aniqlanadi. Ushbu belgilar foydalanuvchining moliyaviy xatti-harakatlari modelini shakllantirishga yordam beradi. Ma`lumotlar tayyorlangandan so‘ng mashinaviy o‘qitish algoritmlari yordamida tahlil amalga oshiriladi. Tadqiqotda Random Forest, XGBoost hamda Isolation Forest kabi algoritmlardan foydalanishmaqsad qilingan. Tasniflash algoritmlari tranzaksiyaning firibgarlik ehtimolini aniqlashga xizmat qilsa, anomal o‘zgarishlarni aniqlash usullari odatiy xatti-harakatlardan keskin farq qiluvchi operatsiyalarni topishga yordam beradi. Tahlil natijasida har bir tranzaksiya uchun risk darajasi hisoblab chiqiladi. Ushbu ko‘rsatkich tranzaksiyaning qanchalik shubhali ekanligini ifodalaydi. Belgilangan chegaraviy qiymatlarga qarab tizim operatsiyani tasdiqlashi, qo‘shimcha tekshiruvga yuborishi yoki vaqtincha bloklashi variantlarini taqdim etishi mumkin. Natijalarni qulay ko‘rish uchun tizimda maxsus vizual interfeys (dashboard) qo‘llanilishi rejalashtirilgan. Bank xodimlari ushbu interfeys orqali shubhali tranzaksiyalar ro‘yxatini ko‘rib chiqishlari va natijalarni qayta tekshiruvdan o‘tqazishlari mumkin bo‘ladi. Bank xodimlari tomonidan tasdiqlangan firibgarlik holatlari yoki noto‘g‘ri aniqlangan tranzaksiyalar haqidagi ma`lumotlar modelni qayta o‘qitishda qo‘llash mumkin bo‘ladi. Bu esa tizimning vaqt o‘tishi bilan yanada aniqroq ishlashiga yordam beradi. Xulosa. Bank tranzaksiyalarini tahlil qilishda mashinaviy o‘qitish algoritmlaridan foydalanish firibgarlikni aniqlash samaradorligini sezilarli darajada oshiradi. Taklif etilgan tizim arxitekturasi moliyaviy operatsiyalarni avtomatik 325

tahlil qilish, shubhali tranzaksiyalarni aniqlash va natijalarni bank xodimlariga qulay shaklda taqdim etish imkonini beradi. Mashinaviy o‘qitish usullaridan foydalanish katta hajmdagi moliyaviy ma’lumotlarni tezkor qayta ishlash, foydalanuvchilarning xatti-harakatlaridagi yashirin qonuniyatlarni aniqlash hamda firibgarlik xavfini kamaytirishga yordam beradi. Kelajakda bunday tizimlarni yanada rivojlantirish uchun real vaqt rejimida ishlovchi texnologiyalarni joriy etish, murakkabroq tahlil algoritmlaridan foydalanish hamda bank axborot tizimlari bilan chuqur integratsiyani ta’minlash muhim hisoblanadi. Foydalanilgan adabiyotlar 1. Ileberi, E., Sun, Y., Wang, Z. A machine learning based credit card fraud detection using the GA algorithm for feature selection. Journal of Big Data, 2022. 2. Vivek, B., Nandhan, S. H., Zean, J. R., Lakshmi, D., Dhanwanth, B. Applying Machine Learning to the Detection of Credit Card Fraud. International Journal of Intelligent Systems and Applications in Engineering, 2023. 3. Kaleel, A., Polkowski, Z., Vugar. Credit Card Fraud Detection and Identification using Machine Learning Techniques. Wasit Journal of Computer and Mathematics Science, 2023. ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМЕ ВОДОСНАБЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ Назирова Санжар Уразали угли, ЖизИП assistenti sanjarbek1046@gmail.com Аннотация. В данной статье анализируются теоретические и практические аспекты применения технологий искусственного интеллекта (ИИ) в системах водоснабжения. Рассматривается важность интеллектуальных систем в управлении водными ресурсами, контроле качества питьевой воды, выявлении потерь в сетях и прогнозировании чрезвычайных ситуаций. Ключевые слова: вода, искусственный интеллект, система, ресурс, цифровой, эффективность, технология Annotation. This article analyzes the theoretical and practical aspects of applying artificial intelligence (AI) technologies in water supply systems. It examines the importance of intelligent systems in managing water resources, monitoring the quality of drinking water, detecting losses in distribution networks, and forecasting emergency situations. Keywords: water, artificial intelligence, system, resource, digital, efficiency, technology. Введение. В настоящее время глобальные изменения климата, рост численности населения и процессы урбанизации делают рациональное использование водных ресурсов актуальной проблемой. Повышение эффективности систем водоснабжения требует внедрения современных технологий. В этой связи технологии искусственного интеллекта выступают инновационным решением в сфере водного хозяйства. В Узбекистане управление водными ресурсами и улучшение системы питьевого водоснабжения является одним из приоритетов государственной политики. В частности, совместно с Министерством водного хозяйства Республики Узбекистан и Министерством цифровых технологий Республики 326

Узбекистан проводятся реформы по цифровизации отрасли и внедрению современных систем управления. Кроме того, в рамках стратегии «Цифровой Узбекистан – 2030» поставлена задача внедрения автоматизированных систем управления и мониторинга на объектах водного хозяйства. Основная часть. Вода – источник жизни. Однако к XXI веку водные ресурсы стали не только природным богатством, но и стратегически важным ресурсом. Изменения климата, дефицит воды, устаревшая инфраструктура и рост населения требуют принципиально новых подходов к управлению системами водоснабжения. Традиционный механический контроль и ручное управление в современных сложных условиях не дают достаточной эффективности. Именно здесь технологии искусственного интеллекта проявляют себя как важный инновационный инструмент. Искусственный интеллект – «цифровой мозг» водной системы. Система водоснабжения включает множество сложных процессов: забор воды, очистку, хранение, передачу и непрерывное обеспечение потребителей. Каждый из этих процессов требует постоянного мониторинга и оперативного принятия решений. Искусственный интеллект способен анализировать большие объемы данных за секунды, уменьшая ошибки, вызванные человеческим фактором. Например, изменения давления в трубопроводах обычная система лишь фиксирует. Однако система на основе ИИ анализирует причины этих изменений, определяет потенциальные места утечек и дает рекомендации по предотвращению аварий. В результате потери воды сокращаются, экономический ущерб предотвращается. В настоящее время в мире потери в водных сетях достигают 30–40% в некоторых регионах. В Узбекистане также из-за устаревшей инфраструктуры потери воды являются актуальной проблемой. Поэтому модернизация водного хозяйства определена как приоритет государственной политики. Согласно Президентскому указу “О дополнительных мерах по повышению эффективности использования водных ресурсов” (PQ–47, 05.02.2026), начиная с 2027 года внедрение водосберегающих технологий в сельском хозяйстве будет поддерживаться государством. В соответствии с указом, налоговые ставки и субсидии за использование водных ресурсов будут определяться исходя из уровня водоснабжения орошаемых земель. В районах с нестабильным водоснабжением сельхозпредприятия, внедрившие водосберегающие технологии, получают субсидии с коэффициентом 1,25. В районах с стабильным водоснабжением для предприятий, не применяющих такие технологии, ставка налога за использование воды увеличивается в 2 раза. Кроме того, начиная с 2027 года на рисовых полях и в рыбохозяйственных предприятиях предприниматели обязаны устанавливать «умные» приборы для измерения и учета воды на входе и выходе. Если такие 327

устройства не установлены, ставка налога за использование водных ресурсов увеличивается в 2 раза. В стране создана прочная правовая база для управления водными ресурсами и совершенствования систем водоснабжения. Так, Закон «О воде и водопользовании» определяет принципы рационального и эффективного использования водных ресурсов. Закон «О водоснабжении и услугах по водоотведению» устанавливает организационно-правовые механизмы управления системами питьевого водоснабжения, повышения качества услуг и внедрения современных технологий. Процесс цифровой трансформации осуществляется поэтапно в рамках стратегии «Цифровой Узбекистан – 2030». В ее рамках ведется цифровизация объектов водного хозяйства, внедрение систем дистанционного мониторинга и интеграция баз данных в единую платформу. Совместно с Министерством водного хозяйства и Министерством цифровых технологий внедряются автоматизированные системы управления, платформы SCADA и интеллектуальные счетчики. Этот процесс создает основу для перехода к полностью интегрированной системе управления на основе искусственного интеллекта. Главное преимущество ИИ – возможность прогнозирования. Например, анализ данных о потреблении воды за несколько лет позволяет системе заранее выявлять сезонные изменения, рост населения или увеличение промышленной нагрузки. Это дает возможность принимать научно обоснованные решения о строительстве новых трубопроводов или расширении существующей инфраструктуры. Кроме того, ИИ играет важную роль в контроле качества воды. На основе данных с сенсоров система фиксирует изменения состава воды и автоматически запускает сигнализацию при появлении опасных показателей, что важно для защиты здоровья населения. Энергоэффективность и экономическая выгода. Энергопотребление в системах водоснабжения высоко, особенно на насосных станциях. Алгоритмы на основе ИИ анализируют графики нагрузки и определяют оптимальный режим работы насосов. В результате снижается потребление электроэнергии и себестоимость услуг. Это также экономически важно: сокращение потерь воды, уменьшение количества аварий и энергоэффективность способствуют рациональному расходованию бюджетных средств. Таким образом, ИИ является не только технологическим, но и экономически эффективным инструментом. В будущем в Узбекистане планируется интегрированное управление системой водоснабжения в рамках концепции «умного города». Использование IoT-устройств, больших данных и алгоритмов ИИ позволит создать единую платформу управления и обеспечить полный цифровой контроль над водными ресурсами. 328

Особое внимание уделяется подготовке специалистов по искусственному интеллекту и водному хозяйству в вузах, что является ключевым фактором успешной цифровой трансформации в будущем. Заключение. Таким образом, внедрение технологий искусственного интеллекта в системы водоснабжения является требованием современности. Интеллектуальные системы управления позволяют рационально использовать водные ресурсы, повышать эффективность инфраструктуры и обеспечивать экологическую устойчивость. Внедряемые в Узбекистане законы и государственные программы создают прочную правовую и организационную основу для цифровизации водного хозяйства. В будущем широкое применение ИИ позволит совершенствовать систему водоснабжения, снижать потери и повышать качество услуг. Искусственный интеллект проявляет себя в управлении водными ресурсами не только как технологическое новшество, но и как важный фактор устойчивого развития. Список использованных источников: 1. Султанов, А. (2019). Water use planning: a functional diagram of a decision-making system and its mathematical model. International Finance and Accounting, 2019(5), 19. 2. https://www.xabar.uz/uz/jamiyat/prezidentning-suv-boyicha 3. Турдикулов, Б., Исмоилов, А., & Шахобиддин, Х. (2023). The Role of Ventilation in the Production of Various Clothing Materials. Vital Annex: International Journal of Novel Research in Advanced Sciences, 2(4), 124-133. 4. Назиров, С.У. оглы. (2023). Global water scarcity: Improving water supply systems. Educational Research in Universal Sciences, 2(13), 109–115. 5. Каримов, Ю.Н. (2022). Problems of providing the population with drinking water. Science and Education, 3(12), 369-375. 6. Каримов, Э.Т. (2023). Development of new systems for wastewater disposal at light car wash facilities in our country. Educational Research in Universal Sciences, 2(13), 263–267. 7. Назиров Санжар, & Каримов Юсуф. (2023). Placement of underground engineering networks and determination of their strength parameters. Innovations in Technology and Science Education, 2(9), 402–408. 8. https://uza.uz/oz/posts/suv-hisobini-real-vaqt-rejimida-kuzatish-imkonini-beruvchiqurilmalar-ornatiladi_565344 RAQAMLI TELEKOMMUNIKATSIYA TARMOQLARIDA MA’LUMOTLAR OQIMINI BOSHQARISH JARAYONLARINI AVTOMATLASHTIRISHNING AN’ANAVIY USULLARINI TADQIQ ETISH Komilov Abrorjon Maxamatsoli o‘g‘li, UMFT 1-bosqich Magistranti, abrorkomilov571@gmail.com Negmatov Ulug‘bek Pirimkulovich, UMFT, 1-bosqich Magistranti, ulugnegmatov12@gmail.com Axmedov Farhodjon Jumaboyevich, UMFT, 1- bosqich Magistranti, afjaxm@gmail.com Annotatsiya. Mazkur tezis raqamli telekommunikatsiya tarmoqlarida ma’lumotlar oqimini boshqarish jarayonlarini an’anaviy avtomatlashtirish yondashuvlari asosida tahlil 329

qiladi. Maqsad tarmoq resurslarini taqsimlash, navbatlash va tirbandlikni kamaytirish bo‘yicha klassik algoritmlarning samaradorligini baholashdir. Metodologiya analitik modellashtirish, nazariy tahlil va qiyosiy baholashga tayangan. Ilmiy yangilik sifatida KPIlar asosida avtomatlashtirish cheklovlarini aniqlash hamda amaliy tavsiyalar beriladi. Kalit so‘zlar. trafik muhandisligi, xizmat sifati, avtomatlashitirish, paket kommutatsiyasi, marshrutlash, QoS, boshqaruv algoritmlari, stoxastik model, policer, shaping, token bucket, SLA, KPI Аннотaция. Данный тезис посвящен анализу процессов управления потоками данных в цифровых сетях телекоммуникaций на основе традиционных подходов к автоматизaции. Целью работы является оценка эффективности классических алгоритмов распределения сетевых ресурсов, управления очередями и минимизaци перегрузок. Методология опирается на аналитическое моделирование, теоретический анализ и сравнительную оценку. В качестве научной новизны выявлены ограничения автоматизaции на основе показателей KPI и даны практические рекомендaции. Ключевые слова: инженерия трафика, качество обслуживания, автоматизaция, коммутaция пакетов, маршрутизaция, QoS, алгоритмы управления, стохастическая модель, policer, shaping, token bucket, SLA, KPI. Abstract. This thesis analyzes data flow management processes in digital telecommunication networks based on traditional automation approaches. The objective is to evaluate the effectiveness of classic algorithms for network resource allocation, queuing, and congestion mitigation. The methodology is based on analytical modeling, theoretical analysis, and comparative assessment. The scientific novelty lies in identifying automation limitations based on KPIs and providing practical recommendations. Keywords: traffic engineering, Quality of Service, automation, packet switching, routing, QoS, control algorithms, stochastic model, policer, shaping, token bucket, SLA, KPI. Kirish. Raqamli telekommunikatsiya tarmoqlarida ma’lumotlar oqimini boshqarish masalasi tarmoqning o‘tkazuvchanligi, kechikish, yo‘qotish va tebranish kabi ko‘rsatkichlarini bir vaqtda muvozanatlash zaruratidan kelib chiqadi. Oqimlarni boshqarish faqat alohida protokollar doirasidagi texnik еchim emas, balki resurslarni rejalashtirish, monitoring, siyosatlarni qo‘llash va avariyaga chidamlilikni ta’minlashni qamrab oluvchi tizimli boshqaruv jarayonidir. Raqamli tarmoqlarda trafik tabiatining o‘zgaruvchanligi, foydalanuvchi xizmatlarining heterojenligi hamda servis talablarining qat’iylashuvi an’anaviy avtomatlashtirish usullarining imkoniyatlari va cheklovlarini qayta ko‘rib chiqishni talab qiladi. Ushbu tezisning maqsadi aynan klassik, amaliyotda keng uchraydigan avtomatlashtirish mexanizmlarini nazariy va muhandislik mezonlari asosida tahlil qilib, ular qaysi sharoitlarda barqaror natija berishini, qaysi sharoitlarda esa tizimli cheklovlar yuzaga chiqishini asoslashdan iborat. An’anaviy avtomatlashtirish yondashuvlari odatda qoidaga asoslangan boshqaruv, statik yoki yarim dinamik parametr sozlamalari, hamda tarmoq elementlari darajasida mahalliy qaror qabul qilishga tayangan. Bunda boshqaruv konturi odatda uch qismdan tashkil topadi: o‘lchash va monitoring, qaror qabul qilish uchun mantiqiy qoidalar va tatbiq mexanizmlari. Monitoringning aniqligi va vaqt rezolyutsiyasi past bo‘lsa, tirbandlikka javob kechikadi; juda yuqori bo‘lsa, boshqaruv tizimi o‘zi ortiqcha servis trafik hosil qilib, o‘tkazuvchanlikka salbiy 330

ta’sir ko‘rsatishi mumkin. Shuning uchun klassik boshqaruvda o‘lchash chastotasini oqilona tanlash ham muhim parametr sanaladi. Tarmoqdagi ma’lumotlar oqimi odatda paketlar oqimi sifatida ko‘riladi va xizmat ko‘rsatish tizimi nazariyasi asosida stoxastik modellar bilan ifodalanadi; bu yondashuv tirbandlik ehtimoli, o‘rtacha navbat uzunligi va kechikish kabi KPIlarni taxminiy baholash imkonini beradi [1]. Asosiy qism. Oqimlarni boshqarishning birinchi tayanch qatlami marshrutlash va trafik muhandisligidir. Klassik avtomatlashtirishda marshrutlash ko‘pincha metrikalarga asoslangan bo‘lib, tarmoq holati haqidagi ma’lumotlar cheklangan parametrlar orqali ifodalanadi. Statik marshrutlash yoki metrikasi kam o‘zgaradigan dinamik marshrutlash tarmoqning oddiy topologiyalarida barqaror ishlaydi, biroq aralash trafik va keskin yuklama o‘zgarishlarida optimal bo‘lmagan yo‘llarni tanlash oqibatida ayrim bo‘g‘inlarda tirbandlik to‘planishi mumkin. Trafik muhandisligi nuqtai nazaridan, resurslarni taqsimlash masalasi ko‘p mezonli optimallashtirishga yaqin: bir tomondan maksimal o‘tkazuvchanlik, ikkinchi tomondan minimal kechikish va yo‘qotish talab qilinadi. Klassik yondashuvlarning afzalligi shundaki, ular hisoblash jihatdan еngil, tatbiqi sodda va ko‘p vendor qurilmalarida standart funksiyalar sifatida mavjud; cheklovi esa global optimallikni kafolatlamasligi va holat o‘zgarishlariga moslashuv tezligining pastligidadir [2]. Ikkinchi tayanch qatlam navbatlarni boshqarish va xizmat ko‘rsatish intizomlaridir. FIFO, qat’iy ustuvorlik, vaznli navbatlash kabi mexanizmlar tarmoq tugunlarida oqimlarni differensial xizmatlashga imkon beradi. FIFO sodda bo‘lsada, real vaqt trafik uchun kechikish tebranishini nazorat qila olmaydi; qat’iy ustuvorlik esa yuqori ustuvor sinfga xizmat sifatini keskin yaxshilashi mumkin, lekin past ustuvor sinflarda ochlik holatini keltirib chiqarish xavfi bor. Vaznli navbatlash resursni nisbatan adolatli taqsimlaydi, biroq vaznlarni tanlash muammosi amaliyotda SLA talablariga, trafik profiliga va apparat cheklovlariga bog‘liq bo‘lib qoladi. An’anaviy avtomatlashtirishda vaznlar ko‘pincha qo‘lda yoki oddiy qoidalarga ko‘ra belgilanadi; bu esa trafik tarkibi o‘zgarganda moslikni pasaytiradi. Demak, klassik navbatlash mexanizmlari barqaror ishlashi uchun trafik sinflari aniq ajratilgan, xizmat profillari nisbatan turg‘un bo‘lgan sharoit talab etiladi [3]. Uchinchi qatlam tirbandlikni boshqarish va faol navbat boshqaruvi mexanizmlaridir. Tirbandlik tarmoq bo‘g‘inlarida xizmatlash tezligi kelayotgan trafik intensivligidan past bo‘lganda vujudga keladi va bu holat navbatlarning haddan tashqari ortishi hamda paket yo‘qotishlarga olib keladi. Klassik yondashuvlardan biri bu shaping va policing bo‘lib, token bucket kabi mexanizmlar orqali oqimning o‘rtacha tezligi va portlash darajasi cheklanadi. Bu usul tarmoqni himoya qiladi, biroq foydalanuvchi tajribasiga bevosita ta’sir qiladi, chunki agressiv cheklash real vaqt servislarida sezilarli degradatsiya keltirib chiqarishi mumkin. Faol navbat boshqaruvi, masalan, RED kabi algoritmlar navbat to‘lib ketmasidan oldin ehtimollik asosida paketlarni tashlab, protokollarning tirbandlikni sezish mexanizmlarini erta ishga tushirishga intiladi. Biroq RED 331

parametrlarini tanlash murakkab: noto‘g‘ri sozlama holatida yo‘qotishlar ortib ketishi yoki aksincha, tirbandlik baribir yuzaga kelishi mumkin. Shunday qilib, an’anaviy avtomatlashtirishda parametr tanlash muammosi markaziy o‘rin tutadi va u ko‘pincha empirik tajribaga tayanadi [4]. Ushbu tezis doirasida an’anaviy avtomatlashtirish usullarini baholash uchun KPIlar tizimi asos qilib olinadi: o‘rtacha va maksimal kechikish, kechikish tebranishi, paket yo‘qotish ulushi, tarmoq bo‘g‘inlarining bandlik darajasi, hamda adolat ko‘rsatkichi. Metodologik yondashuv sifatida stoxastik model va muhandislik qiyoslash qo‘llanadi: ayrim tugunlar M/M/1 yoki umumlashgan navbat modellari bilan yaqinlashtirilib, navbat uzunligi va kechikishning yuklamaga bog‘liqligi tahlil qilinadi. Mazkur yondashuv aniq prognoz emas, balki sezgirlik tahlili uchun xizmat qiladi, ya’ni qaysi parametrlar tizimni beqarorlikka yaqinlashtirishini ko‘rsatadi. Natijada, masalan, bandlik koeffitsienti birlikka yaqinlashganda kechikishning nolinear o‘sishi muqarrar ekanligi, demak avtomatlashtirishning asosiy vazifasi bandlikni kritik zonaga kiritmaslik ekanligi asoslanadi. Bu xulosa navbatlash, shaping va marshrutlash qarorlarini birgalikda ko‘rib chiqish zaruratini kuchaytiradi, chunki alohida mexanizm lokal optimallashuvni bersa ham, global KPIlar yomonlashishi mumkin [1; 5]. Tadqiqotning muhim natijalaridan biri sifatida an’anaviy avtomatlashtirishning amaliy chegaralari aniqlashtiriladi. Birinchidan, qoidaga asoslangan boshqaruv ko‘p holatda deterministik ssenariylarga mos: trafik profili va topologiya taxminan turg‘un bo‘lganda u kutilgan natijani beradi, ammo o‘zgaruvchan trafikda qoidalar soni ortadi va moslashuv murakkablashadi. Ikkinchidan, parametrik algoritmlar, xususan, RED yoki token bucket, tarmoqning real ishlashida qurilma resurslari va protokol steklari bilan o‘zaro ta’sirga kirishadi; shu sababli laboratoriya sozlamasi va ishlab turgan tarmoqdagi sozlama bir xil natija bermasligi mumkin. Uchinchidan, monitoring va telemetriya kechikishi boshqaruv konturini sekinlashtiradi: tirbandlik yuzaga kelgan paytda javob choralari kechiksa, navbatlar allaqachon to‘lib, paket yo‘qotishlar boshlangan bo‘ladi. Demak, an’anaviy avtomatlashtirishni takomillashtirishning eng muhim yo‘nalishlaridan biri monitoringning vaqt rezolyutsiyasini oshirish, lekin boshqaruv trafikini ko‘paytirib yubormaslik uchun agregatsiya va filtratsiya mexanizmlarini oqilona qo‘llashdan iborat [6]. Amaliy tavsiyalar sifatida tarmoqda oqimlarni boshqarish siyosatlari qatlamli tarzda uyg‘unlashtirilishi asoslanadi. Kirish nuqtalarida policing va shaping orqali portlashlarni yumshatish, tugunlarda vaznli navbatlash orqali sinflar bo‘yicha resurs ajratish, tarmoq bo‘ylab esa trafik muhandisligi orqali yuklamani tarqatish bir-birini to‘ldiradi. Bunda sozlamalar yagona KPIlar tizimiga bog‘lanishi lozim: masalan, real vaqt trafik uchun kechikish tebranishi cheklovi ustuvor bo‘lsa, navbat parametrlarida buffer hajmini cheksiz oshirish emas, balki qisqa navbat va ustuvor xizmatlash kombinatsiyasi maqsadga muvofiq bo‘ladi. Shuningdek, SLAga mos kelmaydigan holatlarda “jazolash” mexanizmlarini haddan tashqari qo‘llash o‘rniga, trafikni qayta marshrutlash yoki vaqtinchalik resurslarni qayta taqsimlash kabi yumshoq chora-tadbirlar tarmoq barqarorligini oshiradi. Bu 332

yondashuv an’anaviy avtomatlashtirish doirasida ham amalga oshirilishi mumkin, chunki ko‘p qurilmalarda sinflarga ajratish, navbatlash va shaping standart funksiyalar sifatida mavjud, masala ularni tizimli integratsiyada qo‘llashdadir [2; 7]. Xulosa va amaliy tavsiyalar. Raqamli telekommunikatsiya tarmoqlarida ma’lumotlar oqimini boshqarishning an’anaviy avtomatlashtirish usullari amaliyotda yuqori ishonchlilik va nisbatan past murakkablikni ta’minlaydi, biroq ular parametr tanlashga sezgirligi va o‘zgaruvchan trafik sharoitida moslashuv tezligining cheklangani bilan tavsiflanadi. Tadqiqot natijalari shuni ko‘rsatadiki, barqaror xizmat sifati uchun marshrutlash, navbatlash va tirbandlik nazorati mexanizmlarini alohida emas, yagona KPIlar tizimiga bog‘lab qatlamli tarzda uyg‘unlashtirish zarur. Shuningdek, monitoringning vaqt rezolyutsiyasi va boshqaruv konturining javob tezligi an’anaviy avtomatlashtirishning samaradorligini belgilovchi hal qiluvchi omil bo‘lib, amaliy sozlamalar tarmoqning real trafik profiliga tayangan holda iterativ ravishda takomillashtirilishi lozim. Foydalanilgan adabiyotlar ro‘yxati 1. Клейнрок Л. Теория массового обслуживания. Том 1: Системы и сети / Л. Клейнрок. -М.: Мир, 1979. 432 с. 2. Tanenbaum A.S., Wetherall D. J. Computer Networks / A. S. Tanenbaum, D. J. Wetherall. Boston: Pearson, 2011. 960 p. 3. Форузан Б.А. Компьютерные сети: подход сверху вниз / Б. А. Форузан. М.: Бином, 2010. 1088 с. 4. Floyd S., Jacobson V. Random Early Detection Gateways for Congestion Avoidance / S. Floyd, V. Jacobson. New York: ACM Press, 1993. P. 397–413. 5. Kurose, J. F., & Ross, K. W. (2020). Computer networking: A top-down approach (8th ed.). Pearson. (Ma’lumotlar oqimi va tiqilinchlarni nazorat qilish algoritmlari uchun). 6. Ibrohimov, M.M., & Ismoilov, A. S. (2018). Ma’lumotlar uzatish tarmoqlari va tizimlari: O‘quv qo‘llanma. Aloqachi. 7. Muxitdinov N.M. Telekommunikasiya tarmoqlarida trafikni boshqarish asoslari / N. M. Muxitdinov. Toshkent: Aloqachi, 2018. 240 b. 8. G‘ayratov, G.I. (2015). Telekommunikatsiya tarmoqlarida navbatlar nazariyasi va xizmat ko‘rsatish sifati. TATU nashriyoti. MACHINE LEARNING MODELS FOR DOCUMENT SIMILARITY DETECTION USING THEIR SUMMARIES Niyazbekov Usman Matnazar o‘g‘li, Abu rayhon Beruniy nomidagi UrDU magistranti, niyazbekovusmon@gmail.com Annotatsiya. Mazkur ilmiy ishda o‘zbek tilidagi matnlarni avtomatik toifalash masalasi chuqur o‘rganish modellaridan foydalanish asosida tahlil qilinadi. CNN, RNN hamda Transformer arxitekturalarining ishlash prinsiplari, afzalliklari va amaliy qo‘llanilishi ko‘rib chiqiladi. Kalit so‘zlar: o‘zbek tili, matn klassifikatsiyasi, chuqur o‘rganish, NLP, Transformer Аннотация. В данной статье рассматриваются модели глубокого обучения для автоматической классификации текстов на узбекском языке. Анализируются архитектуры CNN, RNN и Transformer, их преимущества и эффективность применения. Ключевые слова: узбекский язык, классификация текста, глубокое обучение 333

Abstract. This paper analyzes deep learning models for automatic Uzbek text classification. The study discusses CNN, RNN, and Transformer architectures and evaluates their effectiveness in natural language processing tasks. Key words: Uzbek language, text classification, deep learning, NLP, transformer Kirish. So‘nggi yillarda raqamli texnologiyalar rivojlanishi natijasida matnli ma’lumotlar hajmi keskin ortib bormoqda. Internet tarmoqlari, ijtimoiy media platformalari va turli elektron tizimlar orqali katta hajmdagi matnli ma’lumotlar yaratilmoqda. Ushbu ma’lumotlarni samarali boshqarish va tahlil qilish uchun avtomatik matn qayta ishlash texnologiyalariga ehtiyoj ortib bormoqda. Tabiiy tilni qayta ishlash (Natural Language Processing – NLP) sun’iy intellektning muhim yo‘nalishlaridan biri bo‘lib, inson tilidagi matnlarni kompyuter yordamida tahlil qilishni o‘rganadi. NLP texnologiyalarining asosiy vazifalaridan biri matnlarni avtomatik klassifikatsiya qilishdir. Matn klassifikatsiyasi jarayonining umumiy ishlash mexanizmi 1-rasmda ifodalangan.Ushbu jarayon matnni tozalash, tokenlash va vektorlashtirish bosqichlarini o‘z ichiga oladi. 1-rasm. Uzbek text classification processing pipeline Asosiy qism. Matn klassifikatsiyasi tizimlarida chuqur o‘rganish modellaridan keng foydalaniladi. Ushbu modellar matndagi semantik bog‘lanishlarni aniqlash va kontekstni tushunish imkoniyatini beradi. Chuqur o‘rganish modellaridan biri Convolutional Neural Network (CNN) hisoblanadi. CNN modeli konvolyutsion filtrlar yordamida matndagi muhim xususiyatlarni aniqlaydi. Ushbu model n-gram kombinatsiyalarini aniqlash orqali matn klassifikatsiyasida samarali natija beradi. CNN modelining umumiy arxitekturasi 2-rasmda ko‘rsatilgan. 334

2-rasm. CNN architecture for text classification Recurrent Neural Network (RNN) modellar ketma-ket ma’lumotlarni qayta ishlash uchun mo‘ljallangan. Matn ham ketma-ket so‘zlardan tashkil topgani sababli RNN modellar NLP vazifalarida keng qo‘llaniladi. Ushbu modelning muhim turlaridan biri Long Short-Term Memory (LSTM) modeli hisoblanadi. LSTM modellar uzoq masofali bog‘lanishlarni saqlash imkoniyatiga ega. So‘nggi yillarda NLP sohasida Transformer arxitekturasi asosidagi modellar keng qo‘llanila boshladi. Transformer modellar attention mexanizmi yordamida matndagi so‘zlar o‘rtasidagi bog‘lanishlarni aniqlaydi. Ushbu model arxitekturasi 3-rasmda tasvirlangan. 3-rasm. Transformer model architecture Xulosa va amaliy tavsiyalar. Mazkur maqolada o‘zbek tilidagi matnlarni avtomatik toifalash uchun chuqur o‘rganishga asoslangan modellar tahlil qilindi. Tadqiqot natijalari shuni ko‘rsatadiki, zamonaviy sun’iy neyron tarmoqlarga asoslangan yondashuvlar matnlarni avtomatik klassifikatsiya qilishda yuqori samaradorlikni ta’minlaydi. Xususan, CNN modellar matndagi muhim xususiyatlarni tez aniqlash imkoniyatiga ega bo‘lib, hisoblash jarayonining tezligi bilan ajralib turadi. RNN va LSTM modellar esa matndagi ketma-ket bog‘lanishlarni hisobga olishi sababli kontekstni chuqurroq tushunishga yordam beradi. Transformer arxitekturasi asosidagi modellar esa attention mexanizmi orqali matndagi so‘zlar o‘rtasidagi murakkab semantik bog‘lanishlarni aniqlash imkoniyatini beradi va amaliy tajribalarda yuqori aniqlik ko‘rsatkichlarini ta’minlaydi. Tahlillar shuni ko‘rsatadiki, har bir modelning o‘ziga xos afzalliklari va cheklovlari mavjud. CNN modellar hisoblash tezligi bo‘yicha samarali bo‘lsa, RNN va LSTM modellar kontekstni saqlash imkoniyati bilan ajralib turadi. Transformer modellar esa katta hajmdagi ma’lumotlar bilan ishlashda eng yaxshi natijalarni beradi. Shu sababli matn klassifikatsiyasi tizimini yaratishda model 335

tanlash jarayoni qo‘yilgan vazifa, mavjud ma’lumotlar hajmi va hisoblash resurslariga bog‘liq bo‘ladi. O‘zbek tilida tabiiy tilni qayta ishlash texnologiyalarini rivojlantirish bugungi kunda muhim ilmiy yo‘nalishlardan biri hisoblanadi. Hozirgi vaqtda o‘zbek tilida ochiq datasetlar va tayyor modellar soni cheklangan bo‘lib, bu esa tadqiqotlar olib borishni qiyinlashtiradi. Shu sababli o‘zbek tilidagi matn korpuslarini yaratish, matnlarni belgilash (annotatsiya qilish) va chuqur o‘rganish modellarini ushbu ma’lumotlar asosida o‘qitish muhim vazifalardan biridir. Kelajakdagi tadqiqotlarda Transformer arxitekturasi asosidagi zamonaviy modellarni o‘zbek tiliga moslashtirish, katta hajmdagi matn korpuslarini yaratish hamda ko‘p tilli NLP modellarini ishlab chiqish istiqbolli yo‘nalishlardan biri hisoblanadi. Bundan tashqari, matn klassifikatsiyasi texnologiyalarini turli amaliy sohalarda, jumladan axborot qidiruv tizimlari, yangiliklar agregatorlari, spam aniqlash tizimlari va ta’lim platformalarida qo‘llash katta amaliy ahamiyatga ega. Shu sababli o‘zbek tilida ishlaydigan zamonaviy NLP tizimlarini yaratish kelajakda axborot texnologiyalari rivojiga sezilarli hissa qo‘shishi mumkin. Foydalangan adabiyotlar: 1. Matlatipov, S. G., Rajabov, J., Kuriyozov, E., & Aripov, M. (2024, May). UzABSA: Aspect-Based Sentiment Analysis for the Uzbek Language. In Proceedings of the 3rd Annual Meeting of the Special Interest Group on Under-resourced Languages@ LREC-COLING 2024 (pp. 394-403). 2. Kutlimuratova, B., Kuriyozov, E., Urazbaev, A., & Rakhimova, G. (2025, November). Corpus-Based Error Analysis of Uzbek EFL Learners’ Academic Writing. In 2025 IEEE XVII International Scientific and Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE) (pp. 1-5). IEEE. 3. Mattiev, J., Davityan, M., & Kavsek, B. (2023). ACMKC: A compact associative classification model using K-modes clustering with rule representations by coverage. Mathematics, 11(18), 3978. 4. Madatov, K., Matlatipov, S., & Aripov, M. (2023). Uzbek text's correspondence with the educational potential of pupils: a case study of the School corpus. arXiv preprint arXiv:2303.00465. 5. Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). 6. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. In Advances in Neural Information Processing Systems (NeurIPS). KIBERFIRIBGARLIKNI OLDINI OLISHDA KIBER SAVODXONLIKNI OSHIRISHNING AHAMIYATI Agzamova Moxina Shaxobiddin qizi, "Cyber university" davlat universiteti Kiberxavfsizlik kafedrasi dotsenti, PhD , mokhina080@gmail.com Umarov Muhriddin Abduxalil o‘g‘li, "Cyber university" davlat universiteti Kiberxavfsizlik kafedrasi dotsenti, muhriddin.umarov.1992@gmail.com Nizamov Shoxbek Xayriddin o‘g‘li, "Cyber university" davlat universiteti magistr talabasi, shohbeknizomov705@gmail.com 336

Annotatsiya. Raqamli texnologiyalarning jadal rivojlanishi hayot sifatini sezilarli darajada yaxshilayotgan bo‘lsa-da, kiberfiribgarlikning ko‘lami va murakkabligini ham kuchli tarzda oshirmoqda. Foydalanuvchilar, tashkilotlar va davlat muassasalari orasida kiberxavfsizlik bo‘yicha savodxonlik va raqamli kompetensiya yetarli bo‘lmaganligi sababli kiberjinoyatlar keskin ortib bormoqda. Bu sharoitda kiber savodxonlik kiberfiribgarlikni oldini olishda asosiy profilaktik omil sifatida namoyon bo‘ladi. Mazkur maqolada kiberfiribgarlikni oldini olishda kiber savodxonlikning roli tahlil etiladi. Tadqiqotda kiberfiribgarlikning kontseptual asoslari va asosiy turlari, shuningdek ularning ijtimoiy va davlat boshqaruviga ta'siri o‘rganiladi. Kiber savodxonlik tushunchasi, uning axborot xavfsizligi bo‘yicha bilimlar va amaliy raqamli ko‘nikmalarni o‘z ichiga olgan asosiy komponentlari ko‘rib chiqiladi. Kalit so‘zlar: kiber savodxonlik, kiberfiribgarlik, fishing, smishing, vishing, ransomware, identifikatsiya o‘g‘irligi, raqamli savodxonlik, ijtimoiy muhandislik. Аннотация. Быстрое развитие цифровых технологий, значительно повышая качество жизни, одновременно привело к существенному росту масштабов и сложности кибермошенничества. Деятельность киберпреступников всё чаще представляет угрозу для отдельных пользователей, организаций и государственных учреждений из-за недостаточного уровня осведомлённости в области кибербезопасности и цифровых компетенций. В этом контексте киберграмотность становится ключевым превентивным фактором в снижении рисков кибермошенничества. В данной статье анализируется роль киберграмотности в предотвращении кибермошенничества. В исследовании рассматриваются концептуальные основы и основные виды кибермошенничества, их влияние на общество и государство, а также изучается киберграмотность — её ключевые компоненты, включая знания в области информационной безопасности и практические цифровые навыки. Результаты исследования показывают, что повышение уровня киберграмотности укрепляет устойчивость общества и способствует снижению уровня киберпреступности. Ключевые слова: киберграмотность, кибермошенничество, фишинг, смишинг, вишинг, программы-вымогатели, кража личных данных, цифровая грамотность, социальная инженерия. Abstract. The rapid development of digital technologies, while significantly improving quality of life, has also led to a substantial increase in the scale and sophistication of cyber fraud. Cybercriminal activities increasingly threaten individual users, organizations, and public institutions due to insufficient levels of cybersecurity awareness and digital competence. In this context, cyber literacy emerges as a key preventive factor in mitigating the risks of cyber fraud. This article analyzes the role of cyber literacy in preventing cyber fraud. The study examines conceptual foundations and main types of cyber fraud, their social and governmental impacts, and explores cyber literacy - its core components including information security knowledge and practical digital skills. Findings suggest that strengthening cyber literacy enhances societal resilience and contributes to a reduction in cybercrime. Keywords: cyber literacy, cyber fraud, phishing, smishing, vishing, ransomware, identity theft, digital literacy, social engineering. Kirish. Bugungi kunda raqamli texnologiyalar ijtimoiy hayotning ajralmas qismiga aylanib bormoqda. Internet, mobil qurilmalar, bulutli xizmatlar, onlayn to‘lov tizimlari va elektron hukumat platformalarining jadal rivojlanishi fuqarolar va tashkilotlar uchun keng imkoniyatlar ochdi. Raqamli xizmatlar orqali ma'lumot almashish, moliyaviy operatsiyalar amalga oshirish va davlat xizmatlaridan foydalanish jarayonlari sezilarli darajada soddalashtirilib, tezlashtirildi. 337

Biroq raqamli muhitning kengayishi bilan birga kiberxavflar - xususan, kiberfiribgarlik holatlari ham ortib bormoqda. Raqamli texnologiyalar tez sur'atlar bilan rivojlanar ekan, jinoyatchilik usullari ham shunga mos ravishda takomillashib bormoqda. Masalan, avvalgi davrlarda jinoyatchilar moliyaviy o‘g‘irlik maqsadida shaxsiy hamyonni o‘g‘irlashga harakat qilgan bo‘lsa, hozirgi kunda odamlar o‘z mablag‘larini naqd pul o‘rniga bank kartalari va elektron hisobvaraqlar orqali saqlaydi. Natijada kiberjinoyatchilar o‘z strategiyalarini raqamli moliyaviy tizimlar orqali firibgarlik sodir etishga qaratmoqda. O‘zbekiston Respublikasida so‘nggi yillarda kiberjinoyatchilik keskin oshib bormoqda. Statistik ma'lumotlarga ko‘ra, 2019-yilda 863 ta kiberjinoyat holati qayd etilgan bo‘lsa, 2024-yilga kelib bu ko‘rsatkich 58 800 taga yetdi - ya'ni kiberjinoyatlar soni deyarli 68 barobarga oshdi [1]. 2025-yilda mamlakatda 46 000 dan ortiq kiber-qonunbuzarlik holatlari qayd etildi va yetkazilgan moddiy zarar 1,2 trillion so‘mdan oshib ketdi [2]. 2022-yilda qabul qilingan "Kiberxavfsizlik to‘g‘risida"gi Qonun axborot xavfsizligini mustahkamlash, nazorat va javobgarlik mexanizmlarini kuchaytirish maqsadiga qaratilgan [3]. 2025-yil 30-aprelda esa O‘zbekiston Prezidenti kiberjinoyatchilikka qarshi kurashni kuchaytirish bo‘yicha maxsus farmon imzoladi: kiberjinoyatchilikka qarshi kurashuvchi asosiy davlat organlari qayta belgilandi; banklar va to‘lov tizimlari kiberxavfsizlik standartlariga rioya qilishi majburiylashtirildi; bank kartalari yoki elektron hamyonlar ma'lumotlari jinoyatchilik maqsadida ishlatilsa, egalariga jinoiy javobgarlik joriy etildi [4]. Shunga qaramay, kiberjinoyatlarning soni o‘sib bormoqda. Bu esa texnik himoya choralariga qo‘shimcha ravishda, aholining kiberxavfsizlik bo‘yicha bilim darajasi va raqamli savodxonligini oshirish strategik muhim yo‘nalish sifatida e'tirof etilishi zarurligini ko‘rsatadi. Maqolaning maqsadi: kiberfiribgarlikning asosiy turlari va tarqalish mexanizmlarini o‘rganish, kiber savodxonlikning mohiyati va komponentlarini tahlil etish hamda kiber savodxonlikni oshirishning samarali usullarini asoslab berish. 1. Kiberfiribgarlikning tushunchasi, tasnifi va asosiy turlari Kiberfiribgarlik - internet va raqamli texnologiyalardan foydalanib, shaxsiy va moliyaviy ma'lumotlarni noqonuniy ravishda egallashga qaratilgan jinoyatchilik faoliyatining bir shakli. Bugungi kunda O‘zbekistonda qayd etilayotgan kiberjinoyatlarning deyarli 98 foizi onlayn firibgarlik, bank kartalaridan mablag‘larni ruxsatsiz yechib olish, shuningdek bir martalik SMS-tasdiqlash kodlari va autentifikatsiya ma'lumotlarini noqonuniy egallab olish orqali amalga oshiriladi [5]. Kiberfiribgarlikning turli shakllari mavjud bo‘lib, ular asosan foydalaniladigan kanal, maqsad va ijtimoiy muhandislik usullari bilan farqlanadi. Quyidagi 1-jadvalda kiberfiribgarlikning asosiy turlari, ularning tarqalish kanallari va kiber savodxonlik bilan bog‘liqligi umumlashtirilgan: 338