Sun’iy Intellekt va Raqamli Iqtisodiyot

multimodal ma’lumotlar orasidagi murakkab bog‘liqliklarni aniqlash qiyinchilik tug‘diradi [1]. Sun’iy intellekt va kompyuter ko‘rinishi texnologiyalari ushbu muammolarga samarali yechimlar taklif etmoqda. Tadqiqotda radiologik tasvirlarni epigenomik va klinik ma’lumotlar bilan birlashtiruvchi integratsiyalashgan diagnostika platformalarining afzalliklari ko‘rib chiqiladi. Parallellashgan konvolyutsion neyron tarmoqlari yordamida past sifatli tasvirlardan ham muhim xususiyatlarni ajratib olish orqali diagnostika aniqligini maksimal darajaga ko‘tarish mumkin. Ushbu texnologiyalarning amaliyotga tatbiq etilishi neyroxirurg va onkologlarga davolash samaradorligini real vaqtda kuzatish va diagnostik jarayonni standartlashtirish imkonini beradi [2]. Miyadagi o‘smalarni bashoratlash va davolashni rejalashtirishda sun’iy intellekt imkoniyatlari Bosh miya o‘simtalarini davolash jarayoni murakkab va ko‘p bosqichli bo‘lib, bemorning klinik holati, o‘simtaning turi, molekulyar xususiyatlari, joylashuvi va davolashga javob berish qobiliyati kabi ko‘plab omillarga bog‘liq. An’anaviy yondashuvlar ko‘pincha tajribaga asoslangan bo‘lib, individual xususiyatlarni hisobga olishda cheklangan [3]. Shu sababli sun’iy intellekt (SI) texnologiyalari davolashni rejalashtirish va prognoz qilishda inqilobiy imkoniyatlar yaratadi.SI modellarining asosiy afzalligi ularning katta hajmdagi ma’lumotlar bilan ishlash qobiliyatidir. Radiologik tasvirlar, histopatologik ma’lumotlar, genetik va klinik ko‘rsatkichlar birlashtirilib, bemorning davolashga javob berishi, o‘simtaning qaytarilish ehtimoli va kasallikning rivojlanish sur’ati prognoz qilinadi. Masalan, multiparametrik MRI tasvirlar asosida ishlab chiqilgan chuqur o‘rganish modellaridan foydalangan holda glioblastoma bemorlarida o‘simtaning qaytarilish ehtimoli aniqlanishi va individual davolash strategiyasi ishlab chiqilishi mumkin.SI algoritmlari davolashning turli variantlarini baholashga ham yordam beradi. Radioterapiya, kimyoterapiya, jarrohlik yoki kombinatsiyalangan yondashuvlar kabi variantlarning samaradorligi bemorning molekulyar profili va o‘simta xususiyatlari asosida baholanadi [4]. Masalan, MGMT geni metilatsiyasi holati temozolomid davolashiga javob berish imkoniyatini prognoz qilishda muhim omil bo‘lib, AI yordamida bu genetik belgilarni tasvir va histopatologik ma’lumotlardan yuqori aniqlik bilan aniqlash mumkin. Shu tarzda, SI shaxsga yo‘naltirilgan davolashni rejalashtirishda, individual risklarni hisobga olgan holda optimal terapiya variantini tanlash imkonini yaratadi.Shuningdek, SI tizimlari davolash jarayonini real vaqt rejimida kuzatish va o‘simtaning o‘sishini dinamik ravishda baholashga imkon beradi. Seriyali tasvirlar va biomarkerlar asosida davolash samaradorligi tahlil qilinadi va kerak bo‘lganda davolash rejasi o‘zgartiriladi. Bu yondashuv bemorlarning klinik natijalarini yaxshilash va noxush hodisalarni kamaytirishga yordam beradi. 499

1-rasm. Multimodal integratsiya orqali bosh miya o‘simtalarini aniqlash, prognoz qilish va davolashga javobni baholash. SIning prognoz va davolashni rejalashtirishdagi asosiy afzalliklari quyidagilardan iborat: kasallikning rivojlanish sur’atini va qayt qilish ehtimolini aniqlash, individual davolash strategiyasini ishlab chiqish, davolashga javobni oldindan baholash, shuningdek, klinik qarorlarni ma’lumotlarga asoslangan tarzda qo‘llab-quvvatlash. Shu tarzda, SI bosh miya o‘simtalarini davolashda an’anaviy yondashuvlarni to‘ldirib, bemorga yo‘naltirilgan va optimallashtirilgan davolash imkoniyatlarini taqdim etadi, natijada klinik samaradorlik va bemor xavfsizligi sezilarli darajada oshadi [5]. Ko‘rsatilgan tizim bosh miya o‘simtalarini boshqarishni yaxshilashga mo‘ljallangan multimodal integratsiya metodining strukturasini ta’riflaydi. Ushbu jarayon beshta turli manbadan olingan ma’lumotlarni birlashtirishni o‘z ichiga oladi va har bir manba o‘ziga xos ma’lumotni taqdim etadiMRI skanerlardan olingan radiomik ma’lumotlar sun’iy intellekt yordamida segmentatsiya qilingan tasvirlar orqali olinadi. Bu tasvirlar o‘simtaning fazoviy xususiyatlari haqida ma’lumot beradi. Qon namunalaridan olinadigan DNK ma’lumotlari epigenomik, fragmentomik va genetik o‘zgarishlarni aniqlash imkonini beradi, bu esa o‘simtaning molekulyar profilini tushunishga yordam beradi. Hujayrasiz DNK namunalaridan olinadigan ma’lumotlar genetik o‘zgarishlarni aniqlashga xizmat qiladi va tumorning genetik landshaftini batafsil tahlil qilish imkonini beradi. Formalin bilan mustahkamlangan va parafin bilan o‘ralgan to‘qima namunalaridan esa transkriptomik va molekulyar patologik ma’lumotlar olinadi, bu gen ifodalanishi va hujayra tuzilishini aniqlashga yordam beradiBemorning klinik ma’lumotlari - yosh, irq, jins va elektron tibbiy yozuvlar - molekulyar va tasviriy ma’lumotlarni boyitadi va bemorning to‘liq profilini shakllantiradi. Har bir ma’lumot turi uchun xususiyatlarni ajratish amalga oshiriladi va informativ parametrlar to‘plami hosil qilinadi. Keyinchalik har bir ma’lumotlar to‘plamiga prognoz modellarini qo‘llash orqali tashxis, prognoz va davolashga javob bilan bog‘liq asosiy natijalar baholanadi. Yakuniy bosqichda turli modellar tomonidan berilgan prognozlar birlashtiriladi, bu esa aniqlik va natijalarni oshiradi. Shu tarzda, turli manbalar va ma’lumot turlaridan olingan ma’lumotlarni sintez qilish orqali integratsiyalashgan yondashuv neyro-onkologik tashxis, prognoz va 500

davolashga javobni aniqlashning ishonchliligi va aniqligini oshiradi ko‘plab ochiq ma’lumotlar to‘plamlari sun’iy intellekt algoritmlarini baholashda muhim rol o‘ynaydi. Ushbu to‘plamlar turli tadqiqot ehtiyojlariga moslashgan bo‘lib, kasallikning turli jihatlarini qamrab oladi [6]. Umumiy bosh miya o‘simtalari to‘plamlari orasida The Cancer Imaging Archive alohida ahamiyatga ega bo‘lib, turli turdagi o‘simtalarga oid MRI, KT va PET tasvirlarini o‘z ichiga oladi. MICCAI BraTS Challenge yillik ravishda standartlashtirilgan bosh miya o‘simtasi segmentatsiyasi to‘plamlarini taqdim etadi, bu esa algoritmlarni aniq o‘simta chegaralarini aniqlash bo‘yicha baholash imkonini beradi.Maxsus o‘simta turlari uchun, masalan, NCI TARGET to‘plami glioblastoma va past darajali gliomalarga oid bo‘limlarni o‘z ichiga oladi. Kompyuter tizimning integratsiyalashgan diagnostikadagi afzalliklari Kompyuter tizimlar yordamida radiologik va gistopatologik ma’lumotlarni birlashtirish, shuningdek, klinik va molekulyar ma’lumotlarni tahlil qilish orqali multimodal diagnostika imkoniyatlari sezilarli darajada kengaydi. Ushbu yondashuv bemorning o‘smalarini molekulyar va morfologik jihatdan yanada batafsil tahlil qilish imkonini beradi, chunki turli manbalardan olingan ma’lumotlar birlashtirilganida o‘smalarning xususiyatlari va tuzilishi aniqroq ko‘rinadi. Shu bilan birga, diagnostika jarayoni sezilarli darajada tezlashadi, chunki kompyuter tizim murakkab tasvirlarni avtomatik ravishda ajratadi, tasniflaydi va olingan natijalarni tahlil qilib beradi. Kompyuter tizimlar yordamida yaratilgan integratsiyalashgan platformalar individual bemor uchun optimal davolash strategiyasini belgilashda katta yordam beradi [5]. Bu tizimlar, bemorning klinik holati, genetik profili va tasviriy ma’lumotlarini hisobga olgan holda, davolash usullarini moslashtiradi va shaxsga yo‘naltirilgan terapiya imkoniyatlarini oshiradi. Shu tarzda, bemorning individual xususiyatlariga moslangan davolash rejasi tuziladi va noaniqliklar kamayadi.Integratsiyalashgan kompyuter tizimlar turli tibbiyot markazlarida olingan ma’lumotlarni tahlil qilish imkoniyatini beradi. Bu esa diagnostik jarayonni standartlashtirish va yuqori aniqlikdagi natijalarni taqdim etish imkonini yaratadi. Turli manbalardan olingan tasviriy, gistopatologik va molekulyar ma’lumotlar birlashtirilganda, tizim turli markazlar orasidagi farqlarni kamaytiradi va bemorlar uchun adolatli, ishonchli diagnostik natijalarni taqdim etadi. Shuningdek, kompyuter tizimlar yordamida bemorlar ustida keng ko‘lamli tahlillar o‘tkazish va ilg‘or statistik modellar asosida o‘smalarning rivojlanish yo‘nalishi, davolashga javob va qayt qilish xavfi kabi parametrlarni bashorat qilish mumkin. Bu yondashuv sog‘liqni saqlash tizimida tezkor qaror qabul qilishni qo‘llab-quvvatlaydi va klinik mutaxassislarning ish yukini sezilarli darajada kamaytiradi. Natijada, kompyuter tizim asosidagi integratsiyalashgan diagnostika nafaqat kasallikni aniqlash va tasniflash jarayonini takomillashtiradi. Xulosa. Olib borilgan tahlillar shuni ko‘rsatadiki, sun’iy intellekt an’anaviy tajribaga asoslangan diagnostika usullarini ma’lumotlarga asoslangan aniq tizimga aylantirmoqda. MRI, qon namunalari va klinik yozuvlarning integratsiyalashuvi neyro-onkologiyada yaxlit diagnostika modelini yaratadi. Sun’iy intellekt yordamida har bir bemorning individual risk profili shakllantirilishi optimal 501

davolash strategiyasini tanlash imkonini beradi. Bu esa asossiz muolajalarni kamaytirib, klinik samaradorlikni oshiradi. Kompyuter tizimlari turli tibbiyot markazlari o‘rtasidagi diagnostik tafovutlarni bartaraf etadi va shifokorlarning qaror qabul qilish jarayonini tezlashtiradi. Natijada sun’iy intellekt bosh miya o‘simtalarini davolashda bemor xavfsizligini ta’minlovchi asosiy omilga aylanadi. Foydalanilgan adabiyotlar ro‘yxati: 1. Mgbejime, G.T., Hossin, M.A., Nneji, G.U., Monday, H.N., & Ekong, F. (2022). Parallelistic Convolution Neural Network Approach for Brain Tumor Diagnosis. Diagnostics, 12(10),( 2484). https://doi.org/10.3390/diagnostics12102484 2. Siar, M., & Teshnehlab, M. (2019). Brain Tumor Detection Using Deep Learning and Machine Learning Magnetic Resonance Images. 9th International Conference on Computer and Knowledge Engineering (ICCKE),( 363-370). 3. Ioffe, S., & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. International Conference on Machine Learning (ICML), (448-456). 4. Reza, A.M. (2004). Realization of the Contrast Limited Adaptive Histogram Equalization (CLAHE) for Real-time Image Enhancement. Journal of VLSI Signal Processing Systems,[ 38], (35-44). 5. Bohaju, J. (2022). Brain Tumor Dataset. Kaggle. Available at: https://www.kaggle.com/datasets/jakeshbohaju/brain-tumor (Accessed: 13 May 2022). 6. Sachdeva, J., et al. (2013). Segmentation, Feature Extraction, and Multiclass Classification of Brain Tumor Types Using Magnetic Resonance Images. Scanning, [35], (3850). TAQSIMLANGAN TIZIMLARDA BULUT VA EDGE COMPUTING TEXNOLOGIYALARINING QO‘LLANILISHI Xolikov Sherzod Urolovich, UMFT magistranti, sh.xoliqov@gmail.com Solijonov Toirjon Tolibjon o‘g‘li, UMFT magistranti, solijonovtoirjon@gmail.com Annotatsiya. Ushbu maqolada taqsimlangan tizimlarda bulut va edge computing texnologiyalarining arxitekturasi, integratsiya mexanizmlari, samaradorligi hamda real vaqtli ilovalardagi qo‘llanilishi tahlil qilingan, resurslarni optimallashtirish va kechikishni kamaytirish masalalari ilmiy asosda yoritilgan. Kalit so‘zlar: edge computing, Bulut texnologiyasi, taqsimlangan tizimlar, IoT, Big Data. Аннотация. В данной статье анализируются архитектура, механизмы интеграции, эффективность и применение облачных и периферийных вычислительных технологий в распределенных системах реального времени, а также приводится научное обоснование оптимизации ресурсов и снижения задержек. Ключевые слова: периферийные вычисления, облачные технологии, распределенные системы, Интернет вещей, большие данные. Abstract. This paper analyzes the architecture, integration mechanisms, efficiency, and application of cloud and edge computing technologies in distributed real-time systems, and provides a scientific rationale for resource optimization and latency reduction. Key words: edge computing, Cloud technology, distributed systems, IoT, Big Data. Kirish. Zamonaviy raqamli infratuzilmalarning jadal rivojlanishi natijasida ma’lumotlar hajmi, ularni qayta ishlash tezligi va uzluksiz xizmat ko‘rsatishga bo‘lgan talab keskin ortmoqda. Internet of Things (IoT), sun’iy intellekt, katta 502

ma’lumotlar (Big Data), 5G/6G aloqa tarmoqlari kabi texnologiyalar keng joriy etilishi taqsimlangan tizimlarning yangi arxitektura va boshqaruv modellarini talab etmoqda. Shu nuqtai nazardan, bulutli hisoblash (Cloud Computing) va chekka hisoblash (Edge Computing) texnologiyalari zamonaviy taqsimlangan tizimlarning asosiy komponentlariga aylanib bormoqda. Bulutli hisoblash konsepsiyasi hisoblash resurslarini markazlashgan ma’lumotlar markazlari orqali xizmat sifatida taqdim etishga asoslanadi. Ushbu yondashuv resurslardan samarali foydalanish, elastiklik (scalability), moslashuvchanlik va iqtisodiy samaradorlikni ta’minlaydi. Xususan, Amazon Web Services, Microsoft Azure hamda Google Cloud Platform kabi platformalar global miqyosda infratuzilma, platforma va dasturiy ta’minot xizmatlarini taqdim etib, ko‘plab taqsimlangan tizimlarning asosini tashkil etmoqda. Biroq, real vaqt rejimidagi ilovalar, sanoat avtomatlashtirish tizimlari, aqlli shahar infratuzilmalari va avtonom transport vositalari kabi kechikishga sezgir tizimlarda markazlashgan bulut arxitekturasi yetarli darajada samarali bo‘lmasligi mumkin. Ma’lumotlarni uzoq masofadagi ma’lumotlar markazlariga uzatish tarmoq kechikishini (latency) oshiradi va tizimning umumiy ishlash samaradorligiga salbiy ta’sir ko‘rsatadi. Shu sababli, hisoblash resurslarini foydalanuvchiga yoki ma’lumot manbaiga yaqin joylashtirishga asoslangan Edge Computing konsepsiyasi shakllandi. Edge Computing ma’lumotlarni dastlabki bosqichda lokal darajada qayta ishlash orqali kechikishni kamaytiradi, tarmoq yuklamasini optimallashtiradi va xavfsizlik darajasini oshiradi. Taqsimlangan tizimlarda bulut va edge texnologiyalarini integratsiyalash orqali gibrid arxitektura shakllanadi. Bunda katta hajmdagi ma’lumotlarni chuqur tahlil qilish va uzoq muddatli saqlash bulutda amalga oshirilsa, tezkor qayta ishlash va real vaqtli qaror qabul qilish edge qatlamida bajariladi. Ushbu yondashuv tizimning ishonchliligi, masshtablanuvchanligi va samaradorligini oshirish imkonini beradi. Asosiy qism. So‘nggi yillarda Internetga ulangan qurilmalar sonining keskin ortishi natijasida tarmoq orqali hosil bo‘layotgan ma’lumotlar hajmi mislsiz darajada kengaydi. Bu o‘zgarish Internet of Things (IoT) - “narsalar interneti” texnologiyasining rivojlanishi bilan bevosita bog‘liqdir. IoT tizimlari yuzlab millionlab sensorlar, aktuatorlar va aqlli qurilmalardan tashkil topib, ulardan doimiy tarzda ma’lumot oqimi hosil bo‘ladi. An’anaviy markazlashtirilgan yoki bulutli (cloud) arxitekturalar bu hajmdagi ma’lumotlarni real vaqt rejimida qayta ishlay olmay qoldi. Shu sababli, ma’lumotlarni manbaga yaqin joyda, ya’ni tarmoq chekkasida qayta ishlash g‘oyasi ilgari surildi. Ushbu yondashuv Edge Computing deb nomlanadi[1]. Edge Computing - bu hisoblash, saqlash va tahlil jarayonlarini markaziy serverdan foydalanuvchiga yaqinroq joyda, ya’ni “tarmoq chekkasida” (edge) amalga oshiradigan taqsimlangan hisoblash arxitekturasidir. U bulutli texnologiyalarni to‘ldiruvchi, lekin mustaqil ishlay oladigan paradigm bo‘lib, ma’lumotlarni manbadan bulutgacha bo‘lgan masofani qisqartirish orqali kechikish (latency) ni kamaytiradi va real vaqt ishlov berishni ta’minlaydi. 503

Edge Computing muhitida uchta asosiy qatlam mavjud: ⎯ IoT (device) layer - ma’lumotni hosil qiluvchi sensorlar, kameralar, sanoat uskunalari; ⎯ Edge layer - ma’lumotlarni birlamchi qayta ishlovchi, tahlil qiluvchi va filtrlaydigan fog yoki gateway tugunlar; ⎯ Cloud layer - uzoq muddatli saqlash, Big Data tahlili va sun’iy intellekt modellarini o‘qitish uchun mas’ul markaziy muhit. IoT tizimlari katta hajmdagi, ammo ko‘pincha kichik ahamiyatli (redundant) ma’lumotlarni hosil qiladi. Agar bu ma’lumotlarning barchasi to‘g‘ridan-to‘g‘ri bulutga uzatilsa, tarmoq yuklanadi, kechikish ortadi va xizmat sifatiga salbiy ta’sir ko‘rsatadi. Edge Computing bu muammoni hal qiladi: ma’lumotlar manba joyida tahlil qilinadi, filtrlanadi va faqat muhim xulosalar yoki anomaliyalar bulutga yuboriladi. Shu bilan bulut tizimi yengillashadi va IoT tizimlarining ishlashi barqaror bo‘ladi. Edge Computing va IoT integratsiyasi taqsimlangan hisoblash arxitekturasining keyingi evolyutsion bosqichi bo‘lib, ma’lumotlarni manbada qayta ishlash konsepsiyasini amalda ro‘yobga chiqaradi. U tizimlarni tezkor, barqaror va energiya jihatidan samarali qiladi, bulutli infratuzilma bilan uyg‘unlikda esa global miqyosda uzluksiz tahlil imkoniyatini yaratadi. Shunday qilib, Edge–IoT modeli nafaqat texnik yechim, balki kelajakdagi aqlli ekotizimlar uchun metodologik poydevor hisoblanadi. Axborot xavfsizligi, ishonchlilik va shaffoflik masalalari zamonaviy raqamli tizimlarning markazida turadi. Aynan shu omillar Blockchain texnologiyasini yaratish zaruriyatini yuzaga keltirdi. Blockchain — bu taqsimlangan reyestr tizimi (Distributed Ledger Technology, DLT) bo‘lib, u markaziy boshqaruv organiga ehtiyoj sezmasdan, tranzaksiyalarni xavfsiz, o‘zgarmas va shaffof tarzda qayd etish imkonini beradi. Bu yondashuv ma’lumotlarni bitta markazda emas, balki butun tarmoqdagi ko‘plab tugunlar (nodes)da saqlash orqali tizimning bardoshliligi va ishonchliligini oshiradi[3]. Blockchain - bu ketma-ket bog‘langan bloklar zanjiri bo‘lib, har bir blokda tranzaksiyalar to‘plami, vaqt tamg‘asi (timestamp) va avvalgi blokning kriptografik xeshi saqlanadi. Shu orqali butun zanjir yaxlit bir butun tizim sifatida ishlaydi va undagi har qanday o‘zgarish butun tarmoq ishtirokchilarining roziligisiz amalga oshirilmaydi. Har bir tugun tarmoqdagi reyestrning to‘liq nusxasini saqlaydi, bu esa markaziy nuqtadan mustaqillikni ta’minlaydi. Natijada, tizimga hujum yoki ma’lumotlarni o‘zgartirish urinishlari deyarli imkonsiz bo‘ladi, chunki ular butun tarmoq bo‘ylab mos kelmagan xesh qiymatlar orqali darhol aniqlanadi. Taqsimlangan reyestr tizimi - bu ma’lumotlar markazlashtirilmagan holda saqlanadigan, o‘zaro bog‘langan tugunlar tarmog‘idan iborat ma’lumotlar bazasidir. Har bir tugun reyestrning bir xil nusxasiga ega bo‘ladi va barcha o‘zgarishlar konsensus asosida amalga oshadi. Zamonaviy hisoblash infratuzilmalari - bulutli platformalar, IoT, Edge va Fog muhitlari - murakkab va dinamik tuzilishga ega bo‘lib, ularda son-sanoqsiz 504

qurilmalar, serverlar, sensorlar va ma’lumot oqimlari o‘zaro aloqada ishlaydi. Bunday muhitni inson tomonidan qo‘lda boshqarish, nazorat qilish va optimallashtirish amalda murakkab hamda energiya va vaqt talab etuvchi jarayondir. Shu bois, so‘nggi yillarda sun’iy intellekt (SI) va mashinali o‘rganish (Machine Learning, ML) texnologiyalari asosida avtonom boshqaruvga ega taqsimlangan tizimlar konsepsiyasi shakllandi. Bunday tizimlarda AI texnologiyalari tarmoqdagi jarayonlarni tahlil qiladi, optimal qarorlarni mustaqil qabul qiladi va tizimning ish faoliyatini o‘z-o‘zidan sozlay oladi. Bu konsepsiya “AI-driven Distributed Systems” yoki “Autonomous Distributed Computing” deb ataladi. Katta ma’lumotlar infratuzilmasi - bu hajm jihatidan katta (Volume), turli formatdagi (Variety), tez o‘zgaruvchi (Velocity) va aniqlik darajasi yuqori (Veracity) ma’lumotlar ustida ishlov beruvchi tizimdir. Bu to‘rtta omil 4V modeli deb ataladi[2]. Big Data infratuzilmasi uchta asosiy komponentga tayangan holda ishlaydi: 1. Ma’lumotlarni yig‘ish (Data Collection) – IoT sensorlari, ilovalar, vebservislar va tarmoqlardan oqim tarzida ma’lumot keladi. 2. Ma’lumotlarni saqlash (Storage Layer) – taqsimlangan fayl tizimlari (HDFS, Amazon S3, Google File System) orqali ma’lumotlar fizik jihatdan turli serverlarda joylashtiriladi. 3. Ma’lumotlarni tahlil qilish (Analytics Layer) – massiv ma’lumotlar ustida parallel ishlov beruvchi taqsimlangan hisoblash platformalari yordamida tahlil bajariladi. 1-rasm. Katta ma’lumotlar infratuzilmasidagi taqsimlangan tahlil modeli Taqsimlangan tahlil (Distributed Analysis) - bu katta hajmdagi ma’lumotlarni (Big Data) bir vaqtning o‘zida bir nechta hisoblash tugunlarida qayta ishlashga asoslangan analitik paradigma bo‘lib, u parallelizm va resurslar ko‘p qatlamliligi tamoyillarini birlashtiradi. Ushbu modelda ma’lumotlar markazlashmagan tarzda, ya’ni yagona server emas, balki klaster shaklidagi tugunlar to‘plami tomonidan qayta ishlanadi. Har bir tugun tizimdagi mustaqil hisoblash elementi sifatida ishlaydi: u o‘zining protsessori, operativ xotirasi va saqlash moduli orqali ma’lumotni qabul qiladi, tahlil qiladi va oraliq natijalarni qaytaradi. Bu yondashuv scalability (masshtablanuvchanlik) va fault-tolerance (nosozlikka bardoshlilik)ni ta’minlab, yuqori samaradorlikka erishish imkonini beradi. 505

Taqsimlangan tahlilning birinchi bosqichi ma’lumotlarni bo‘lish (Data Partitioning). Dastlabki ma’lumotlar massivlari fizik yoki mantiqiy segmentlarga ajratiladi va klasterdagi turli tugunlarga taqsimlanadi. Bu jarayon ma’lumotlar hajmiga, formatiga va tahlil algoritmiga qarab optimallashtiriladi. Shundan so‘ng parallel qayta ishlash (Parallel Processing) bosqichi boshlanadi, bunda har bir tugun o‘ziga tegishli segmentni mustaqil tarzda tahlil qiladi. Tugunlar bir-biriga bevosita bog‘liq emas, bu esa sinxronlashuvni kamaytiradi va umumiy tezlikni oshiradi. Shu tarzda, tizimda “divide and conquer” tamoyili amalga oshiriladi: katta vazifa kichik qismlarga bo‘linadi va ularning natijalari keyinchalik birlashtiriladi. Edge Computing bu ma’lumotlarni qayta ishlash jarayonini markaziy bulutdan foydalanuvchiga yaqin joyga, ya’ni tarmoqning chekka qismiga (edge layer) siljituvchi taqsimlangan hisoblash paradigmasidir. Oddiy qilib aytganda, edge computing tizimi ma’lumotlarni manba (masalan, IoT sensor, mobil qurilma yoki sanoat uskuna) darajasida tahlil qiladi va qaror qabul qilish jarayonini shu joyning o‘zida amalga oshiradi[4]. An’anaviy bulutli hisoblash modelida barcha ma’lumotlar markaziy serverlarga uzatiladi, bu esa tarmoq kechikishini oshiradi va real vaqtli tahlilni qiyinlashtiradi. Edge Computing esa ushbu muammoni bartaraf etadi: ma’lumotlar markazga emas, balki yaqin atrofdagi edge tugun (edge node) orqali qayta ishlanadi. Shu sababli, foydalanuvchi tajribasi tezlashadi, tarmoq yuklanishi kamayadi va tizim bardoshliligi ortadi. Edge Computingning paydo bo‘lishi va keng tarqalishiga bir nechta texnik va iqtisodiy omillar sabab bo‘ldi. Internet of Things (IoT) texnologiyalari rivojlanishi bilan milliardlab qurilmalar har soniyada ulkan hajmdagi ma’lumot hosil qilmoqda. Ushbu ma’lumotlarni barchasini markaziy bulutga uzatish tarmoqni ortiqcha yuklaydi va kechikishni oshiradi. Edge Computing esa ma’lumotlarni manba joyida qayta ishlash orqali tarmoq yukini kamaytiradi. Sanoat avtomatlashtirish, transport, tibbiyot, moliya va xavfsizlik tizimlari real vaqt rejimida qaror qabul qilishni talab etadi. Bulut tizimi bu jarayonda kechikish (latency) tufayli yetarli tezlikni ta’minlay olmaydi. Edge Computing bu muammoni bartaraf etib, millisekund darajasida javob tezligi beradi[5]. Bulut markazlari geografik jihatdan uzoqda joylashgan bo‘lishi mumkin, bu esa foydalanuvchi so‘rovi va javobi orasidagi kechikishni oshiradi. Edge Computing esa ma’lumotlarni foydalanuvchiga eng yaqin edge serverda qayta ishlaydi, shu orqali kechikish sezilarli darajada kamayadi. Xulosa va amaliy tavsiyalar. Ko‘plab sohalarda (bank, tibbiyot, davlat boshqaruvi) ma’lumotlarni markazga yuborish xavfli yoki qonun bilan cheklangan. Edge Computing ma’lumotni lokal darajada tahlil qiladi, shifrlaydi va faqat zarur qismini bulutga uzatadi. Bu maxfiylik va xavfsizlik darajasini oshiradi. Bulutli (Cloud) arxitektura markazlashtirilgan modeldan keyingi bosqich bo‘lib, hisoblash resurslarini Internet orqali masofadan taqdim etishga asoslangan. 506

Unda foydalanuvchi fizik serverlarga egalik qilmaydi - barcha hisoblash, saqlash va tahlil bulut provayder (AWS, Azure, Google Cloud) tomonidan boshqariladi. Edge Computing arxitekturasi bulutli modellar evolyutsiyasining natijasi bo‘lib, ma’lumotlarni markazdan tarmoq chekkasiga - ya’ni foydalanuvchiga yoki ma’lumot manbaiga yaqin joyda qayta ishlashni nazarda tutadi. 1-jadval Ko‘rsatkich Hisoblash joyi Modellarning solishtirma tahlil jadvali Bulutli tizim Markazlashtirilgan tizim (Cloud) Masofaviy data Markaziy server markaz Edge tizimi Foydalanuvchiga yaqin edge tugun Kechikish (latency) Yuqori O‘rtacha Juda past Masshtablanuvchanlik Cheklangan Yuqori O‘rtacha-yuqori Yaxshi (markazda nazorat) Nisbatan zaif Xavfsizlik va maxfiylik Tarmoqga bog‘liqlik Ma’lumot oqimi Qo‘llanish sohasi Nosozlikka bardoshlilik Kuchli Juda kuchli Bulutga Markazlashtirilgan yo‘naltirilgan Bank tizimlari, ERP, hisob- SaaS, AI, Big kitob Data Past Yuqori Yuqori (lokal ishlov tufayli) Minimal Lokal qayta ishlanadigan IoT, 5G, avtonom tizimlar Yuqori (mahalliy qayta ishlash tufayli) Bu uch model texnologik evolyutsiya davomida bir-birini to‘ldirib borgan. Markazlashtirilgan model boshqaruv va xavfsizlikni ta’minlagan birinchi yondashuv bo‘ldi. Bulutli model ushbu markazlashtirilgan infratuzilmani global miqyosda kengaytirdi va xizmatlarni virtualizatsiya qildi. Edge model esa bulutning cheklovlarini bartaraf etib, ma’lumotlarni manba joyida tahlil qilish orqali real vaqt tizimlariga moslashtirdi. Natijada, bugungi kunda “Cloud–Edge– IoT” integratsion arxitekturasi shakllandi. Unda edge tugunlar tezkor hisoblashni bajaradi, bulut esa uzoq muddatli saqlash va chuqur tahlilni amalga oshiradi. Markazlashtirilgan, bulutli va edge arxitekturalar bir-biriga qarama-qarshi emas, balki bir-birini to‘ldiruvchi texnologik paradigmalar hisoblanadi. Ularning farqi ma’lumotni qayerda qayta ishlashi va qaror qabul qilish jarayonining joylashuvi bilan belgilanadi. Edge Computing arxitekturasi taqsimlangan hisoblash muhitining chekka qismida joylashgan hisoblash resurslarini anglatadi. Uning markazida edge tugun (edge node) tushunchasi turadi. Edge tugun — bu foydalanuvchiga, sensorlarga yoki IoT qurilmalarga eng yaqin bo‘lgan hisoblash, saqlash va tahlil vazifalarini bajaruvchi apparat-dasturiy moduldir. Edge tugunlar bulutli markaz bilan IoT manbalari orasidagi oraliq qatlamda joylashadi va “ko‘prik” vazifasini bajaradi. Ular ma’lumotlarni lokal darajada 507

qayta ishlaydi, kechikishsiz qarorlar qabul qiladi, keyin esa zarurat bo‘lsa, faqat qayta ishlangan ma’lumotni bulutga uzatadi. Edge tugunlar turli shakl va hajmda bo‘lishi mumkin: sanoat darajasidagi edge serverlardan tortib, kichik IoT gateway qurilmalargacha. Ammo ularning funksional tuzilmasi odatda quyidagi asosiy qatlamlardan iborat: - Ma’lumotni yig‘ish va interfeys moduli (Data Acquisition Layer) - Hisoblash va tahlil moduli (Computation & Analytics Layer) - Saqlash moduli (Storage Layer) - Aloqa va tarmoq interfeysi (Networking & Communication Layer) - Xavfsizlik va boshqaruv moduli (Security & Management Layer) - Orkestratsiya va integratsiya moduli (Orchestration Layer) Edge tugun (Edge Node) - bu Edge Computing ekotizimining yuragi bo‘lib, u lokal hisoblash, tahlil, saqlash va xavfsiz uzatish vazifalarini bajaradi. U markazlashtirilgan bulutga nisbatan tezkor, bardoshli va energiya jihatidan samarali hisoblanadi. Edge tugunlar IoT, 5G, Sun’iy intellekt va sanoat avtomatlashtirish sohalarida uzluksiz real vaqt tahlilini ta’minlab, bulutli arxitektura bilan birgalikda gibrid hisoblash modelini shakllantiradi. Foydalanilgan adabiyotlar ro‘yxati: 1. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30– 39. 2. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637–646. 3. Zhang, Q., Chen, M., Yang, L. T., & Zhang, Z. (2018). A survey on cloud computing: State-of-the-art and research challenges. Journal of Internet Services and Applications, 1(1), 7– 18. 4. Varghese, B., & Buyya, R. (2018). Next generation cloud computing: New trends and research directions. Future Generation Computer Systems, 79, 849–861. 5. Mao, Y., You, C., Zhang, J., Huang, K., & Letaief, K. B. (2017). A survey on mobile edge computing: The communication perspective. IEEE Communications Surveys & Tutorials, 19(4), 2322–2358. MA’LUMOTLARNI INTELLEKTUAL TAHLIL QILISHDA YETISHMAYOTGAN (NaN) QIYMATLARINI QAYTA ISHLASH ALGORITMLARI TAHLILI Yarmatov Sherzodjon Shokir o‘g‘li, Sharof Rashidov nomidagi SamDU, PhD, sherzod2601@gmail.com Orifov Oxunjon Fazliddinzoda, Sharof Rashidov nomidagi SamDU, magistr Annotatsiya. Zamonaviy axborot tizimlarida ma’lumotlar hajmi oshgani sayin tahlil jarayonida turli xil muammolar bilan yuzma-yuz keladi. Ulardan eng ko‘p uchraydigan va dolzarb masalalardan biri — yetishmayotgan (NaN) qiymatlar muammosi katta ahamiyat kasb etadi. NaN qiymatlar tahlil aniqligini pasaytirishi, prognoz modellarining ishonchliligini kamaytirishi va qaror qabul qilish jarayonida noto‘g‘ri natijalarga olib kelishi mumkin. Shu sababli, ularni ilmiy asoslangan usullar orqali qayta ishlash dolzarb masalalardan biri 508

hisoblanadi. Ushbu tadqiqotda ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan yetishmayotgan (NaN) qiymatlarni qayta ishlash algoritmlarining qo‘llanishi tahlil qilinadi. Kalit so‘zlar: NaN qiymatlar, missing data, imputation (to‘ldirish), MICE, KNN, interpolatsiya. Аннотация. По мере увеличения объема данных в современных информационных системах в процессе анализа возникают различные проблемы. Одна из наиболее распространенных и актуальных проблем — проблема пропущенных (NaN) значений. Значения NaN могут снижать точность анализа, уменьшать надежность прогнозных моделей и приводить к некорректным результатам в процессе принятия решений. Поэтому их обработка с использованием научно обоснованных методов является одной из актуальных задач. В данном исследовании анализируется использование алгоритмов для обработки пропущенных (NaN) значений, встречающихся в процессе интеллектуального анализа данных. Ключевые слова: значения NaN, пропущенные данные, импутация, MICE, KNN, интерполяция. Abstract. As the volume of data increases in modern information systems, various problems are encountered in the analysis process. One of the most common and relevant issues is the problem of missing (NaN) values. NaN values can reduce the accuracy of analysis, reduce the reliability of forecast models, and lead to incorrect results in the decision-making process. Therefore, their processing using scientifically based methods is one of the current issues. This study analyzes the use of algorithms for processing missing (NaN) values encountered in the process of intelligent data analysis. Keywords: NaN values, missing data, imputation, MICE, KNN, interpolation. Kirish. Ma’lumotlar ‒ zamonaviy axborot tizimlarining eng muhim resursi bo‘lib, ular asosida tahlil, prognozlash va qaror qabul qilish jarayonlari amalga oshiriladi. Ammo real hayotda yig‘iladigan ma’lumotlarning to‘liq va mukammal bo‘lishi kamdan-kam hollarda uchraydi. Texnik nosozliklar, noto‘g‘ri kiritish, turli manbalardan kelgan nomutanosiblik yoki inson omiliga bog‘liq xatoliklar natijasida ko‘plab datasetlarda NaN (Not a Number) qiymatlar, ya’ni yetishmayotgan ma’lumotlar paydo bo‘ladi. Bunday qiymatlar statistik hisobkitoblarning aniqligini pasaytirishi, intellektual tahlil natijalarini buzishi va modellar samaradorligini sezilarli darajada kamaytirishi mumkin. Ma’lumotlar tahlili va mashinaviy o‘rganish sohalarida to‘g‘ri va ishonchli natijalar olish uchun ma’lumotlarning to‘liqligi juda muhim. Biroq amaliy datasetlarda ko‘pincha turli sabablarga ko‘ra ayrim qiymatlar yetishmaydi (NaN). Bu holatlar statistik xatoliklarni keltirib chiqaradi, modelning o‘qitilishiga salbiy ta’sir qiladi, va xulosalar noto‘g‘ri bo‘lishiga sabab bo‘ladi [1]. Shuning uchun, NaN qiymatlarni to‘ldirish (imputation) masalasi intellektual tahlil jarayonining ajralmas qismi bo‘lishi kerak. Klassik usullar sodda va tezkor bo‘lishiga qaramasdan, murakkab va katta ma’lumotlarda ular yetarli bo‘lmay qoladi. Zamonaviy algoritmik usullar esa, ayniqsa mashinaviy o‘rganish va Chuqur o‘qitishga asoslangan metodlar, NaN qiymatlarni yanada samarali to‘ldirishi mumkin. Ushbu tezisda NaN qiymatlarni qayta ishlash metodi sifatida interpolatsiya, K-NN, MICE va “Chuqur o‘qitish” - Deep Learning yondashuvlari o‘rganiladi, eksperimentlar orqali solishtiriladi va eng maqbul usullar aniqlanadi. Asosiy qism. Metod va metodologiya – ushbu tadqiqot maqsadi ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan NaN (Not a 509

Number) qiymatlarni aniqlash, ularni to‘g‘ri imputation (to‘ldirish) orqali qayta tiklash va turli usullarning amaliy samaradorligini solishtirishdir. Ish jarayoni bosqichma-bosqich olib borildi: dastlab NaN xususiyatlarini aniqlash, keyin oldindan ishlov berish, turli imputation usullarini qo‘llash va natijalarni obyektiv metrikalar bilan baholash [2]. Xususan tadqiqotda ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan NaN qiymatlarni aniqlash va qayta ishlash vazifasi ko‘rib chiqildi. Jarayon metodik jihatdan bosqichma-bosqich tashkil etildi. Ma’lumotlar to‘plami. Tajriba uchun ochiq foydalaniladigan real datasetlardan (UCI Machine Learning Repository va Kaggle) foydalanildi. Ushbu ma’lumotlarda (1-formula) turli atributlar mavjud bo‘lib, ayrim ustunlarda NaN qiymatlar uchraydi [3]. xi = (ai1 , ai 2 ,..., ain ), yn (1) Bunda atribut qiymatlarining ayrimlari NaN bo‘lishi mumkin. Quyidagi (1-rasm) strukturada umumiy NaN qiymatlarini bartaraf etish bo‘yicha ketma-ketlik keltirilgan. 1-rasm. NaN qiymatlarini bartaraf etish ketma-ketligi. Xususiyatlarni tahlil qilish (Feature Analysis). Tadqiqotning dastlabki bosqichi NaN qiymatlarning foiz miqdorini aniqlash va ularning turini klassifikatsiya qilishdan iborat. NaN foizini hisoblash formulasi 2-formulada keltirilgan: PNaN = N NaN *100% NTotal (2) Bunda N NaN → ustundagi NaN qiymatlar soni , NTotal → umumiy yozuvlar soni . Algoritmlar. Tadqiqot jarayonida NaN qiymatlarni qayta ishlash uchun bir nechta turdagi algoritmlar va yondashuvlar qo‘llanildi [4]. Ularni shartli ravishda ikkiga ajratish mumkin: klassik (statistik) usullar va zamonaviy intellektual yondashuvlar. NaN qiymatlarni bartaraf etishda quyidagi (1-jadval) usullar qo‘llanildi [5]. 1-jadval NaN qiymatlarni bartaraf etishda qo‘llanilgan usullar Usullar nomi Usullar turlari va tavsifi O‘rtacha qiymat, median, modus hamda oldingi va keying qiymat asosida Klassik to‘ldirish — sodda, tez va kichik datasetlarda samarali, biroq katta va murakkab (statistik) ma’lumotlarda aniqlikni pasaytiradi. Bu usullar yordamida to‘ldirish jarayonida juda usullar: tez ishlaydi va kichik resurslar (Dataset) bilan katta ma’lumotlar ustida samarali bo‘ladi. Interpolatsiya: Interpolatsiya — mavjud qiymatlar asosida yo‘qolgan nuqtalarni tiklash, ayniqsa 510

KNN (KNearest Neighbors): MICE (Multiple Imputation by Chained Equations): Chuqur o‘qitish (Deep Learning): vaqt qatorlari va ketma-ketliklarda samarali. Ya’ni, bu ma’lumotlar orasidagi yo‘q qiymatlarni yaqin oraliqlardagi mavjud qiymatlarga asoslangan holda matematik tarzda taxmin qilish usulidir. Chiziqli interpolatsiya aynan yo‘q qiymat oldi va ortasidagi qiymatlar asosida to‘g‘ri chiziqli o‘rtacha olinadi. Interpolatsiya matematik funksiyalar yordamida oraliq qiymatlarni bashorat qilishga aytiladi. Ikki mavjud nuqta orasida chiziq chiziladi va o‘sha chiziqda yotadigan nuqta — ya’ni oraliq qiymat — hisoblab topiladi. Interpolatsiyaning turli usullari mavjud bo‘lib, ular quyidagilar: chiziqli interpolatsiya (linear interpolation), polinom interpolatsiyasi, kubik spline interpolatsiyasi va boshqala KNN (K-Eng Yaqin Qo‘shnilar) —bu mashinali o‘rganishning nazoratsiz va yarim-nazoratli algoritmlariga yaqin bo‘lgan zamonaviy yondashuv bo‘lib, u ma’lumotlar orasidagi o‘xshashlikni masofa mezonlari asosida aniqlaydi. Ushbu usulning asosiy g‘oyasi shundan iboratki, ma’lum bir obyektning noma’lum yoki yetishmayotgan qiymati, unga eng yaqin bo‘lgan qo‘shnilarining (k ta obyektning) qiymatlari asosida aniqlanadi. Ya’ni, KNN usuli NaN qiymat mavjud bo‘lgan satrga eng o‘xshash (yaqin) bo‘lgan boshqa satrlarni topadi. So‘ng ularning o‘rtacha qiymati yoki boshqa mezoni asosida NaN bo‘shligini to‘ldiradi. Bu usulda yaqinlik Evklid masofasi asosida aniqlanadi. MICE (Multiple Imputation by Chained Equations) — har bir ustundagi NaN qiymatlarni qolgan ustunlar yordamida iterativ tarzda prognoz qilish orqali yuqori aniqlik beradi. Bu usulda ma’lumotlarda mavjud bo‘lmagan qiymatlarni qayta tiklashning murakkab va zamonaviy yondashuvlaridan biridir. Ushbu metodning mohiyati shundan iboratki, har bir ustunda mavjud bo‘lmagan qiymat boshqa ustunlardagi mavjud ma’lumotlar yordamida ketma-ket regressiya tenglamalari orqali prognoz qilinadi. Ya’ni, yo‘q qiymatlarning har biri alohida o‘zgaruvchi sifatida qaralib, qolgan o‘zgaruvchilar yordamida taxmin qilinadi va bu jarayon bir necha marotaba takrorlanadi va MICE algoritmi “zanjirli tenglamalar” (chained equations) asosida ishlaydi: Chuqur o‘qitish — (Deep Learning) — neyron tarmoqlar orqali murakkab naqshlarni aniqlab, yuqori aniqlikdagi imputationni amalga oshiradi, biroq ko‘proq resurs va vaqt talab qiladi. Modelni baholash – bunda RMSE (Root Mean Squared Error) va MAE (Mean Absolute Error) kabi metrikalardan foydalanish (3-formula) mumkin: RMSE = 1 n ( xˆi − xi ) 2 , n i=1 1 n MAE = ( xˆi −xi ) n i=1 (3) Tadqiqot jarayonida turli imputation algoritmlarining samaradorligi Titanic datasetidagi Age ustunidagi NaN qiymatlar asosida sinovdan o‘tkazildi [6]. Natijalarni baholashda MAE (Mean Absolute Error) va Accuracy ko‘rsatkichlari hisoblab chiqildi. 2-jadvalda ularning taqqoslanishi keltirilgan. 2-jadval Usulllar nomi O‘rtacha qiymat (Mean) Median Modus NaN qiymatlarni to‘ldirish usullari samaradorligi Accuracy MAE (kichik (aniqlilik) Izoh bo‘lsa yaxshi) (%) Tez va sodda, lekin dispersiyani 7.8 72% kamaytiradi Chiqib ketuvchi qiymatlarga 7.1 75% chidamli – 68% Faqat kategorik ustunlarda foydali 511

Chiziqli interpolatsiya 6.4 78% KNN (k=5) 5.9 82% MICE 5.4 85% Deep Learning (Autoencoder) 4.8 88% Vaqt qatorlari va ketma-ketliklarda yuqori aniqlik beradi Kategoriyalashgan + sonli atributlarda yaxshi natija Ko‘p o‘zgaruvchili datasetlarda yuqori aniqlik Eng yuqori aniqlik, lekin katta resurs va vaqt talab qiladi Amaliy tahlillar shuni ko‘rsatdiki, klassik (oddiy, statistik) usullar kichik datasetlarda tezkor natija beradi, biroq katta hajmli va murakkab bog‘liqlikka ega ma’lumotlarda ularning samaradorligi past bo‘ladi. Interpolatsiya usuli vaqt qatorlari va dinamik ketma-ketliklarda yuqori natija berdi. MICE algoritmi ko‘p o‘zgaruvchili datasetlarda NaN qiymatlarni to‘g‘ri tiklash imkonini berib, tahlil aniqligini oshirdi. Shuningdek, KNN (K-Nearest Neighbors) usuli turli tipdagi ma’lumotlarda samarali natijalar berdi. Ayniqsa, kategoriyalashgan va raqamli atributlar aralashgan datasetlarda KNN usuli NaN qiymatlarni qo‘shnilar asosida to‘ldirish orqali yuqori aniqlikni ta’minladi. Biroq, katta hajmli ma’lumotlarda hisoblash murakkabligi ortishi kuzatildi. Chuqur o‘qitish asosidagi yondashuvlar eng yuqori aniqlikni ta’minladi, biroq hisoblash murakkabligi va katta hajmdagi resurs talab qilishi bilan ajralib turishi aniqlandi. Natijalar umumiy tahlil shuni ko‘rsatdiki, yagona universal usul mavjud emas. Har bir dataset xususiyatiga ko‘ra mos usul tanlanishi zarur. Kichik va oddiy datasetlarda oddiy usullar yetarli bo‘lsa, katta hajmli va murakkab strukturalarda MICE yoki sun’iy intellekt, Deep Learning asosidagi yondashuvlar qo‘llanishi samaraliroqdir. Xulosa. NaN qiymatlar ‒ ma’lumotlarni intellektual tahlil qilishda eng muhim muammolardan biri hisoblanadi. Ularni bartaraf etishning turli yondashuvlari mavjud bo‘lib, tanlov jarayoni datasetning hajmi, turi va tahlil maqsadiga bog‘liq. Tadqiqot natijalari shuni ko‘rsatadiki, klassik (oddiy, statistik) usullar (o‘rtacha, median, modus) oddiy ma’lumotlar to‘plamida tezkor yechim bersa-da, murakkab va ko‘p o‘lchovli datasetlarda ularning imkoniyatlari cheklangan. Interpolatsiya va MICE algoritmlari hozirgi davrda amaliyotda eng ko‘p qo‘llaniladigan samarali usullar sifatida alohida ajralib turadi. Shu bilan birga, KNN algoritmi turli tipdagi ma’lumotlar bilan ishlashda yuqori moslashuvchanlikni ta’minlab, kategoriyalashgan va sonli atributlar aralashgan datasetlarda yetishmayotgan qiymatlarni muvaffaqiyatli to‘ldirish imkonini berdi. Adabiyotlar ro‘yxati: 1. Kirola M., Memoria M., Shuaib M., Joshi K., Alam S. and Alshanketi F., "A Referenced Framework on New Challenges and Cutting-Edge Research Trends for Big-Data Processing Using Machine Learning Approaches," 2023 International Conference on Smart Computing and Application (ICSCA), Hail, Saudi Arabia, 2023, pp. 1-5, doi: 10.1109/ICSCA57840.2023.10087686. 2. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. 2nd ed. — Hoboken: Wiley, 2019. — 408 p 3. Van Buuren S. Flexible Imputation of Missing Data. 2nd ed. — Boca Raton: CRC Press, 2018. — 352 p. 512

4. Y. Zhang, "Research on Intelligent Analysis and Processing System of Financial Big Data Based on Machine Learning," 2023 5th International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), Hangzhou, China, 2023, pp. 189-194, doi: 10.1109/MLBDBI60823.2023.10481964. 5. Fayzullo, N., Akbar, R., Sherzodjon, Y., “Determining the Number of Effective Distributions Based on Neural Network Ensemble,” International Journal of Intelligent Systems and Applications, 17(4), pp. 69-77,2025. 6. Yarmatov S., Bustanov X. and Safarova L. "Optimization and Improvement of Reliability of Machine Learning Algorithms Based on Regularization Methods," 2025 International Russian Smart Industry Conference (SmartIndustryCon), Sochi, Russian Federation, 2025, pp. 394-398. ENG KICHIK KVADRATLAR USULINING BAHOLASH XUSUSIYATLARI: GAUSS–MARKOV TEOREMASI Xakimova Ma’mura Muxammadiyevna, SamISI ‘‘Oliy matematika’’ kafedrasi assistenti E-mail: mamurah1983@gmail.com Aktamova Nozimaoy Ahmedjon qizi, SamISI talabasi E-mail: nozimaaktamova2005@gmail.com Annotatsiya. Mazkur tezisda ekonometrik modellashtirishda keng qo‘llaniladigan eng kichik kvadratlar usulining baholash xususiyatlari hamda uning nazariy asosini tashkil etuvchi Gauss–Markov teoremasi tahlil qilinadi. Tadqiqotda regressiya modellarida parametrlarni baholash tamoyillari, eng kichik kvadratlar usulining mohiyati va uning iqtisodiy jarayonlarni tahlil qilishdagi ahamiyati ko‘rib chiqilgan. Shuningdek, Gauss–Markov teoremasining asosiy shartlari sharhlanib, ular regressiya modelining ishonchliligini ta’minlashdagi o‘rni misollar asosida yoritilgan. Kalit so‘zlar: regressiya modeli, eng kichik kvadratlar usuli, Gauss–Markov teoremasi, parametr bahosi, tasodifiy xatolik, iqtisodiy tahlil. Аннотация. В данном тезисе анализируются оценочные свойства метода наименьших квадратов, широко применяемого в эконометрическом моделировании, а также теорема Гаусса–Маркова, которая составляет его теоретическую основу. В исследовании рассмотрены принципы оценки параметров в регрессионных моделях, сущность метода наименьших квадратов и его значение при анализе экономических процессов. Также разъясняются основные условия теоремы Гаусса–Маркова и на примерах показана их роль в обеспечении надежности регрессионной модели. Ключевые слова: регрессионная модель, метод наименьших квадратов, теорема Гаусса–Маркова, оценка параметров, случайная ошибка, экономический анализ. Annotation. This thesis analyzes the estimation properties of the Least Squares Method widely used in econometric modeling, as well as the Gauss–Markov theorem that forms its theoretical foundation. The study examines the principles of parameter estimation in regression models, the essence of the Least Squares Method, and its importance in analyzing economic processes. In addition, the main assumptions of the Gauss–Markov theorem are explained, and their role in ensuring the reliability of regression models is illustrated with examples. Keywords: regression model, least squares method, Gauss–Markov theorem, parameter estimation, random error, economic analysis. Kirish. Zamonaviy iqtisodiy tahlilda statistik va ekonometrik usullardan foydalanish muhim ahamiyat kasb etadi. Iqtisodiy jarayonlar o‘rtasidagi bog‘liqlikni aniqlash, ularning rivojlanish tendensiyalarini baholash va prognoz qilishda regressiya tahlili keng qo‘llaniladi. Regressiya modellarida noma’lum 513

parametrlarni aniqlashning eng keng tarqalgan usullaridan biri eng kichik kvadratlar usuli hisoblanadi [1]. Amaliyotda regressiya koeffitsiyentlarini baholash uchun eng ko‘p qo‘llaniladigan usul eng kichik kvadratlar usuli (EKKU) hisoblanadi. Biroq EKKU usuli yordamida olingan baholarning samaradorligi va ishonchliligi ma’lum nazariy shartlarning bajarilishiga bog‘liq. Ushbu shartlar bajarilgan holatda Gauss– Markov teoremasi amal qiladi va EKKU baholari eng kichik dispersiyaga ega bo‘lgan chiziqli xolis baholar sifatida qaraladi [2]. Mazkur usul kuzatilgan haqiqiy qiymatlar bilan model orqali hisoblangan nazariy qiymatlar o‘rtasidagi farqlar kvadratlari yig‘indisini minimallashtirish tamoyiliga asoslanadi. Ushbu usulning nazariy asosini Gauss–Markov teoremasi tashkil etadi. Ushbu teoremaga ko‘ra, agar klassik chiziqli regressiya modelining asosiy shartlari bajarilsa, eng kichik kvadratlar usuli orqali olingan parametr baholari eng yaxshi chiziqli xolis baholar hisoblanadi. Shu sababli bu usul ekonometrik modellashtirishda muhim ilmiy va amaliy ahamiyatga ega. Asosiy qism. Eng kichik kvadratlar usuli chiziqli regressiya modelidagi parametrlarni baholashning eng keng qo‘llaniladigan statistik usuli bo‘lib, uning asosiy g‘oyasi kuzatilgan qiymatlar bilan model orqali hisoblangan qiymatlar o‘rtasidagi xatolar kvadratlari yig‘indisini minimallashtirishga asoslanadi. Bu usul regressiya chizig‘ini ma’lumotlarga eng mos keladigan tarzda topishga imkon beradi. Eng kichik kvadratlar usuli regressiya tenglamasi parametrlarini aniqlashning eng samarali statistik usullaridan biridir. Ushbu usulning asosiy maqsadi kuzatilgan qiymatlar bilan nazariy qiymatlar o‘rtasidagi tafovutlarni minimal darajaga keltirishdan iborat. Oddiy chiziqli regressiya modeli quyidagi ko‘rinishda ifodalanadi: y= a+bx Bu yerda y natijaviy ko‘rsatkichni, x esa omil ko‘rsatkichni bildiradi. a va b regressiya koeffitsientlari bo‘lib, ular eng kichik kvadratlar usuli yordamida aniqlanadi. Ushbu usulning asosiy tamoyili quyidagi ifoda bilan tavsiflanadi: ∑(y−y^)2→min\sum (y - \hat{y})^2 \rightarrow min∑(y−y^)2→min ya’ni kuzatilgan qiymatlar bilan hisoblangan qiymatlar o‘rtasidagi farqlar kvadratlari yig‘indisi minimal bo‘lishi kerak. Eng kichik kvadratlar usuli iqtisodiy tahlilda keng qo‘llaniladi. Masalan, ishlab chiqarish hajmi va xarajatlar o‘rtasidagi bog‘liqlikni aniqlash, talab va taklif o‘rtasidagi munosabatlarni o‘rganish yoki makroiqtisodiy ko‘rsatkichlarni tahlil qilishda ushbu usuldan foydalaniladi. Bu bundagi “baholash xususiyati” deganda eng kichik kvadratlar usuli yordamida olingan baholar quyidagi muhim statistik xossalarga ega bo‘lishi tushuniladi: 1. Xolislik: eng kichik kvadratlar baholovchilari tasodifiy xatoliklar mavjud bo‘lsa ham, ularning matematik kutilgan qiymati haqiqiy parametr qiymatiga teng bo‘ladi. Bu shuni anglatadiki, baholovchilardagi xato kutilgan holda yo‘qdir, ya’ni ular xolis hisoblanadi. 514

2. Efficientlik: Gauss–Markov teoremasi bo‘yicha, klassik regresiya modelining shartlari bajarilganda OLS (ordinary least squares) baholovchilarining dispersiyasi xolis chiziqli baholovchilar orasida eng kichik bo‘ladi. Shu sababli ularni eng yaxshi chiziqli xolis baholar (BLUE) deb atashadi. 3. Konsistentlik: namunalar soni ortib borganda baholovchilar haqiqiy parametr qiymatiga barqaror yaqinlashadi va dispersiyasi kichrayadi, bu ularning barqaror statistik xususiyatga ega ekanligini ko‘rsatadi. 4. Ta’limga doir qo‘shimcha xususiyatlar: Gauss–Markov shartlari bajarilganda, OLS baholovchilari nafaqat xolis va samarali balki ma’lumotlar soni oshganda normal taqsimotga yaqinlashadi, bu statistik testlar va ishonch oralig‘ini baholashga yordam beradi. Gauss–Markov teoremasi regressiya parametrlari baholarining samaradorligini ta’minlovchi eng muhim nazariy asosdir. Teoremaga ko‘ra, agar regressiya modelida bir qator klassik shartlar bajarilsa, eng kichik kvadratlar usuli yordamida olingan baholar lineer, xolis va eng kichik dispersiyaga ega bo‘ladi, ya’ni ular orasida eng yaxshi hisoblanadi. Bu shartlarga quyidagilar kiradi: 1. Model chiziqli bo‘lishi: regressiya tenglamasi parametrlar bo‘yicha chiziqli bo‘lishi kerak. 2. Xatoliklarning matematik kutilmasi nolga teng: bu shart xatoliklar va mustaqil o‘zgaruvchilar o‘rtasida sistematik bog‘liqlik yo‘qligini ta’minlaydi. 3. Barqaror dispersiya: xatoliklar dispersiyasi barcha kuzatuvlar uchun bir xil bo‘lishi kerak. Agar dispersiya o‘zgaruvchan bo‘lsa (geteroskedastiklik), baholar ishonchliligi susayadi. 4. Xatoliklarning o‘zaro mustaqilligi: xatoliklar orasida avtokorrelyatsiya bo‘lmasligi kerak. 5. Mustaqil o‘zgaruvchilarning to‘g‘ri belgilanilishi: mustaqil o‘zgaruvchilar o‘zaro mukammal chiziqli bog‘lanishda bo‘lmasligi lozim. Agar bu shartlar bajarilsa, regressiya parametrlari uchun eng yaxshi chiziqli xolis baho bo‘ladi, ya’ni u BLUE xususiyatiga ega bo‘ladi. Bu shartlar klassik chiziqli regressiya modelining asosiy talablari sifatida adabiyotlarda yoziladi. Xulosa. Xulosa qilib aytganda, ekonometrik modellashtirish jarayonida regressiya tahlili iqtisodiy jarayonlar o‘rtasidagi bog‘liqlikni aniqlashda muhim ilmiy vosita hisoblanadi. Regressiya modelining parametrlarini baholashda eng samarali usullardan biri sifatida eng kichik kvadratlar usuli keng qo‘llaniladi. Ushbu usul kuzatilgan qiymatlar bilan nazariy qiymatlar o‘rtasidagi tafovutlar kvadratlari yig‘indisini minimallashtirish orqali model parametrlarini aniqlash imkonini beradi. Natijada iqtisodiy ko‘rsatkichlar o‘rtasidagi miqdoriy bog‘liqlikni aniqlash va ularni tahlil qilish imkoniyati yaratiladi. Tadqiqot natijalariga ko‘ra, eng kichik kvadratlar usuli regressiya modellarini baholashda sodda, samarali va keng qo‘llaniladigan usullardan biridir. Bu usul yordamida iqtisodiy jarayonlarning rivojlanish tendensiyalarini aniqlash, ularni matematik model ko‘rinishida ifodalash va kelajakdagi o‘zgarishlarni prognoz qilish mumkin. Shu bilan birga, regressiya tahlilining natijalari ishonchli 515

bo‘lishi uchun modelda qo‘llaniladigan statistik shartlarning bajarilishi muhim ahamiyatga ega. Eng kichik kvadratlar usulining nazariy asosini tashkil etuvchi Gauss–Markov teoremasi regressiya modellarida parametr baholarining xolisligi va samaradorligini ta’minlaydi. Ushbu teoremaga ko‘ra, agar tasodifiy xatoliklarning matematik kutilmasi nolga teng bo‘lsa, ularning dispersiyasi doimiy bo‘lsa hamda xatoliklar o‘zaro bog‘liq bo‘lmasa, eng kichik kvadratlar usuli orqali olingan baholar eng yaxshi chiziqli xolis baholar hisoblanadi. Bu esa model natijalarining ishonchliligini oshiradi va iqtisodiy tahlilning aniqligini ta’minlaydi. Shunday qilib, ekonometrik tadqiqotlarda eng kichik kvadratlar usulidan samarali foydalanish va Gauss–Markov shartlariga rioya qilish regressiya modellarining aniqligi va ishonchliligini oshiradi. Bu esa iqtisodiy jarayonlarni ilmiy asosda o‘rganish, ularning rivojlanish qonuniyatlarini aniqlash hamda iqtisodiy qarorlar qabul qilishda muhim ahamiyat kasb etadi. Foydalanilgan adabiyotlar 1. Gujarati D.N. and Porter D.C. Basic Econometrics, 6th ed. New York, NY, USA: McGrawHill, 2021. 2. Wooldridge J.M. Introductory Econometrics: A Modern Approach, 7th ed. Boston, MA, USA: Cengage Learning, 2019. 3. Quljanov J., Aliqulov A., Axatov U. Regressiya koeffitsientlarining xolisligi va aniqligi. USTOZLAR uchun maqola — regressiya baholash xususiyatlari, OLS baholovchilari va statistik xossalar. 4. Wooldridge J. Introductory Econometrics: A Modern Approach. – Boston: Cengage Learning, 2016. SDN ASOSIDA TRAFIKNI DINAMIK BOSHQARISH ALGORITIMLARINI TADQIQ QILISH Akmuradov B.U. PhD., UMFT, "K va RT" kafedrasi mudiri Xamirayev Sunnatullo Xojixonovich, UMFT, Raqamli texnologiyalar fakulteti magistranti Annotatsiya. Ushbu maqolada SDN (Software Defined Networking) texnologiyasi asosida telekommunikatsiya tarmoqlarida trafikni dinamik boshqarish algoritmlarini tadqiq qilish masalalari ko‘rib chiqilgan. Tadqiqot davomida SDN arxitekturasi, uning tarmoq boshqaruvidagi o‘rni hamda trafik oqimlarini optimallashtirishdagi imkoniyatlari tahlil qilindi. Shuningdek, telekommunikatsiya tarmoqlarida trafik oqimlarining xususiyatlari, tarmoq yuklamasini muvozanatlashtirish usullari va dinamik marshrutlash algoritmlarining ishlash tamoyillari ilmiy jihatdan yoritildi. Tadqiqot natijalariga ko‘ra, SDN asosida trafikni dinamik boshqarish tarmoq resurslaridan samarali foydalanish, kechikishlarni kamaytirish va xizmat ko‘rsatish sifatini oshirish imkonini berishi aniqlangan. Kalit so‘zlar: SDN, trafik, tarmoq, algoritm, marshrutlash, boshqaruv. Аннотация. В данной статье рассматриваются вопросы исследования алгоритмов динамического управления трафиком в телекоммуникационных сетях на основе технологии SDN (Software Defined Networking). В ходе исследования проанализированы архитектура SDN, её роль в управлении сетью, а также возможности оптимизации потоков трафика. Кроме того, научно освещены особенности потоков трафика в телекоммуникационных сетях, методы балансировки сетевой нагрузки и принципы работы алгоритмов динамической маршрутизации. По результатам исследования установлено, что динамическое управление 516

трафиком на основе SDN позволяет эффективно использовать сетевые ресурсы, снижать задержки и повышать качество предоставляемых сетевых услуг. Ключевые слова: SDN, трафик, сеть, алгоритм, маршрутизация, управление. Abstract. This article examines the issues of researching dynamic traffic management algorithms in telecommunication networks based on SDN (Software Defined Networking) technology. The study analyzes the SDN architecture, its role in network management, and the possibilities of optimizing traffic flows. In addition, the characteristics of traffic flows in telecommunication networks, methods of network load balancing, and the working principles of dynamic routing algorithms are scientifically described. The results show that dynamic traffic management based on SDN enables efficient use of network resources, reduces delays, and improves the quality of network services. Key words: SDN, traffic, network, algorithm, routing, management. Kirish. So‘nggi yillarda axborot-kommunikatsiya texnologiyalarining jadal rivojlanishi natijasida telekommunikatsiya tarmoqlarida uzatilayotgan ma’lumotlar hajmi keskin ortib bormoqda. Internet xizmatlari, bulutli hisoblash tizimlari, mobil ilovalar, video streaming platformalari hamda “Internet of Things” (IoT) qurilmalarining keng qo‘llanilishi tarmoq trafigining murakkabligi va dinamikligini yanada oshirmoqda. Bunday sharoitda an’anaviy tarmoq boshqaruv usullari ko‘pincha trafikni samarali taqsimlash va tarmoq resurslaridan optimal foydalanishni ta’minlashda yetarli darajada samarali bo‘la olmaydi. Natijada tarmoqlarda kechikishlarning ortishi, paketlarning yo‘qolishi va xizmat sifatining pasayishi kabi muammolar yuzaga kelishi mumkin. An’anaviy tarmoq arxitekturasida boshqaruv (control plane) va ma’lumot uzatish (data plane) funksiyalari bir xil qurilmalarda amalga oshiriladi. Bu esa tarmoqni markazlashtirilgan tarzda boshqarishni qiyinlashtiradi hamda yangi xizmatlarni tezkor joriy etishga to‘sqinlik qiladi. Shu sababli zamonaviy tarmoq arxitekturasi sifatida Software Defined Networking (SDN) texnologiyasi keng qo‘llanila boshladi. SDN arxitekturasi boshqaruv qatlamini tarmoq qurilmalaridan ajratib, markazlashtirilgan kontroller orqali tarmoqni boshqarish imkonini beradi. Natijada tarmoq konfiguratsiyasini moslashuvchan boshqarish, trafikni dinamik tarzda yo‘naltirish va resurslardan samarali foydalanish imkoniyatlari kengayadi[1]. SDN asosidagi tarmoqlarda trafikni boshqarish masalasi alohida ahamiyat kasb etadi. Tarmoqdagi trafik oqimlari vaqt davomida o‘zgarib turadi va bu o‘zgarishlarga tezkor javob berish zarur. Agar trafikni boshqarish mexanizmlari yetarli darajada moslashuvchan bo‘lmasa, tarmoqning ayrim qismlarida ortiqcha yuklama paydo bo‘lishi mumkin. Shu sababli SDN arxitekturasi asosida trafikni dinamik boshqarish algoritmlarini ishlab chiqish va ularning samaradorligini tadqiq qilish telekommunikatsiya tarmoqlari samaradorligini oshirishning muhim yo‘nalishlaridan biri hisoblanadi. SDN kontrollerlari tarmoqdagi barcha qurilmalar va oqimlar haqida markazlashtirilgan ma’lumotga ega bo‘lgani sababli trafikni real vaqt rejimida tahlil qilish va boshqarish imkoniyatini beradi. Bu esa tarmoq yuklamasini muvozanatlashtirish, marshrutlash jarayonini optimallashtirish hamda tarmoqda yuzaga kelishi mumkin bo‘lgan tiqilinch holatlarning oldini olish imkonini yaratadi. Shu nuqtai nazardan, dinamik trafik boshqaruvi algoritmlarini ishlab 517

chiqish tarmoq samaradorligini oshirish, kechikishlarni kamaytirish va xizmat sifatini yaxshilashda muhim ilmiy-amaliy ahamiyatga ega[2]. Bundan tashqari, sun’iy intellekt, mashinani o‘rganish va optimallashtirish algoritmlarining rivojlanishi SDN asosidagi tarmoqlarda trafikni boshqarishning yangi yondashuvlarini yaratish imkonini bermoqda. Masalan, trafik oqimlarini prognoz qilish, tarmoq yuklamasini oldindan baholash hamda marshrutlarni avtomatik optimallashtirish kabi vazifalar zamonaviy algoritmlar yordamida samarali amalga oshirilishi mumkin. Bu esa kelajakdagi aqlli tarmoqlarni shakllantirishda muhim rol o‘ynaydi. Yuqoridagi omillarni hisobga olgan holda, SDN asosida trafikni dinamik boshqarish algoritmlarini tadqiq qilish zamonaviy telekommunikatsiya tarmoqlarining samaradorligi, barqarorligi va moslashuvchanligini oshirish nuqtai nazaridan dolzarb ilmiy masala hisoblanadi. Mazkur tadqiqot tarmoq resurslaridan optimal foydalanish, trafik oqimlarini samarali boshqarish hamda yuqori sifatli tarmoq xizmatlarini ta’minlashga qaratilgan. Ushbu tadqiqotning asosiy maqsadi – SDN arxitekturasi asosida trafikni dinamik boshqarish algoritmlarining ishlash tamoyillarini tahlil qilish va ularning tarmoq samaradorligiga ta’sirini ilmiy jihatdan asoslashdan iborat. Mazkur maqsadga erishish uchun tadqiqot jarayonida SDN arxitekturasining tuzilishi va ishlash tamoyillari o‘rganildi, telekommunikatsiya tarmoqlarida trafik oqimlarining shakllanishi va o‘zgarish xususiyatlari tahlil qilindi hamda SDN muhitida trafikni boshqarishda qo‘llaniladigan mavjud algoritmlar va usullar ko‘rib chiqildi. Shuningdek, tarmoq yuklamasini muvozanatlashtirish va marshrutlash jarayonini optimallashtirishga qaratilgan dinamik boshqaruv algoritmlarining samaradorligi baholanib, SDN asosida trafikni boshqarish tizimini takomillashtirish bo‘yicha ilmiy-amaliy tavsiyalar ishlab chiqildi. Natijada olib borilgan tadqiqotlar SDN asosidagi zamonaviy tarmoqlarda trafik oqimlarini samarali boshqarish, tarmoq resurslaridan oqilona foydalanish hamda xizmat sifatini oshirishga xizmat qiluvchi ilmiy xulosalarni shakllantirish imkonini berdi. Asosiy qism. Software Defined Networking (SDN) – bu tarmoq infratuzilmasini boshqarish jarayonini soddalashtirish va markazlashtirishga qaratilgan zamonaviy arxitektura bo‘lib, unda tarmoqning boshqaruv qatlami (control plane) ma’lumotlarni uzatish qatlamidan (data plane) ajratiladi. Natijada tarmoq qurilmalari faqat paketlarni uzatish vazifasini bajaradi, boshqaruv jarayoni esa markaziy kontroller orqali amalga oshiriladi va bu holat tarmoq konfiguratsiyasini tezkor o‘zgartirish, trafik oqimlarini moslashuvchan boshqarish hamda resurslardan samarali foydalanish imkonini yaratadi[3]. SDN arxitekturasi odatda uchta asosiy qatlamdan iborat bo‘lib, ular infratuzilma qatlami, boshqaruv qatlami va ilova qatlamidan tashkil topadi. Infratuzilma qatlamida kommutatorlar va marshrutizatorlar joylashgan bo‘lsa, boshqaruv qatlami markaziy kontroller orqali tarmoqni boshqaradi, ilova qatlami esa tarmoqni boshqarish uchun mo‘ljallangan turli dasturiy xizmatlar va algoritmlarni o‘z ichiga oladi. 518