Sun’iy Intellekt va Raqamli Iqtisodiyot

9. Moser A., Kruegel C., Kirda E. Limits of Static Analysis for Malware Detection // Proceedings of the 23rd Annual Computer Security Applications Conference. – IEEE, 2007. – P. 421–430. 10. Microsoft Security Intelligence Report. Volume 24: Malware Trends and Insights for Windows Platforms / Microsoft Corporation. – Redmond, WA: Microsoft Press, 2024. – 68 p. AQLLI UY TIZIMLARIDA OBYEKTLARNI AVTOMATIK ANIQLOVCHI VA HOLATINI KUZATUVCHI KAMERA TIZIMI DASTURINING SAMARADORLIGINI ANIQLASH Abdulxayev Nodirbek Murodulloyevich, UMFT, “Kommunikatsiya va axborot texnologiyalari” kafedrasi dotsenti, t.f.f.d (PhD) Keldiyorov Elmurod Shavkatovich, UMFT, “Kompyuter tizimlari va ularning dasturiy ta’minoti” mutaxassisligi 1-kurs magistranti Annotatsiya. Ushbu maqolada aqlli uy tizimlarida obyektlarni real vaqt rejimida avtomatik aniqlash va ularning holatini kuzatish uchun moʻljallangan kamera tizimi dasturining samaradorligini baholash masalasi oʻrganilgan. Zamonaviy kompyuter koʻrish (computer vision) texnologiyalari, chuqur oʻqitish (deep learning) algoritmlari va chekka hisoblash (edge computing) arxitekturasi asosida qurilgan tizim uy ichidagi shaxslar, harakatlar va muhim obyektlarning holatini avtomatik tahlil qilishi mumkin. Tadqiqot davomida YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector) va Faster R-CNN arxitekturalari real aqlli uy muhitida solishtirma sinovdan oʻtkazildi. Natijalar shuni koʻrsatdiki, YOLOv8 modeli 96,2% aniqlik koʻrsatkichi (mAP@0.5) va 38 kadr/soniya ishlov berish tezligi bilan aqlli uy tizimlariga eng maqbul arxitektura hisoblanadi. Tizim kontseptsiyasi, sinov metodologiyasi, samaradorlik mezonlari va kelajakdagi rivojlanish istiqbollari maqolada batafsil yoritilgan. Kalit soʻzlar: Aqlli uy tizimi (smart home), kompyuter koʻrish (computer vision), obyekt aniqlash (object detection), chuqur oʻqitish (deep learning), YOLOv8, SSD, Faster R-CNN, chekka hisoblash (edge computing), harakat aniqlash (motion detection), oʻrtacha aniqlik koʻrsatkichi (mAP), real vaqt tahlili, IoT, neyron tarmoq. Аннотация. В данной статье рассматривается вопрос оценки эффективности программного обеспечения камерной системы, предназначенной для автоматического обнаружения объектов и мониторинга их состояния в режиме реального времени в системах умного дома. Система, построенная на основе современных технологий компьютерного зрения (computer vision), алгоритмов глубокого обучения (deep learning) и архитектуры периферийных вычислений (edge computing), способна автоматически анализировать присутствие людей, движения и состояние важных объектов внутри дома. В ходе исследования архитектуры YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector) и Faster R-CNN были сравнительно протестированы в реальной среде умного дома. Полученные результаты показали, что модель YOLOv8 является наиболее оптимальной архитектурой для систем умного дома, демонстрируя точность обнаружения 96,2% (mAP@0.5) и скорость обработки 38 кадров в секунду. В статье подробно освещены концепция системы, методология тестирования, критерии эффективности и перспективы дальнейшего развития. Ключевые слова: система умного дома (smart home), компьютерное зрение (computer vision), обнаружение объектов (object detection), глубокое обучение (deep learning), YOLOv8, SSD, Faster R-CNN, периферийные вычисления (edge computing), обнаружение движения (motion detection), средняя точность (mAP), анализ в реальном времени, IoT, нейронная сеть. Abstract. This article examines the evaluation of the effectiveness of a camera-based software system designed for automatic object detection and status monitoring in real time within smart home systems. The system, built on modern computer vision technologies, deep 559

learning algorithms, and edge computing architecture, is capable of automatically analyzing the presence of people, movements, and the condition of important objects inside the house. During the research, the YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector), and Faster R-CNN architectures were comparatively tested in a real smart home environment. The results indicate that the YOLOv8 model represents the most suitable architecture for smart home systems, achieving a detection accuracy of 96.2% (mAP@0.5) and a processing speed of 38 frames per second. The article also provides a detailed description of the system concept, testing methodology, performance evaluation metrics, and future development prospects. Keywords: smart home system, computer vision, object detection, deep learning, YOLOv8, SSD, Faster R-CNN, edge computing, motion detection, mean Average Precision (mAP), real-time analysis, IoT, neural network. Kirish. Raqamli transformatsiya davrida aqlli uy texnologiyalari turmush sifatini oshirish, energiya tejash va xavfsizlikni ta'minlashning samarali vositasiga aylanib bormoqda. Bozor tadqiqot kompaniyasi MarketsandMarkets ma'lumotlariga koʻra, global aqlli uy bozorining hajmi 2023- yilda 121,5 milliard dollarga yetgan boʻlsa, 2028- yilga borib bu koʻrsatkich 338,3 milliard dollarga yetishi prognoz qilinmoqda. Bunday jadal oʻsish fonida aqlli uy tizimlarining asosiy komponenti boʻlgan kamera va sensor tizimlarini intellektuallashtirish dolzarb muammoga aylanib bormoqda. An’anaviy video kuzatuv tizimlari (CCTV) faqat tasvirni yozib olish funksiyasini bajaradi va tahlil uchun inson operatori talab etadi. Bu yondashuv bir nechta jiddiy kamchiliklarga ega: doimiy inson nazorati zaruriyati, kechiktirilgan reaktsiya vaqti, katta hajmdagi ma'lumotlarni saqlash ehtiyoji va insoniy omildan kelib chiqadigan xatolar. Aqlli uy kontekstida bu muammolar ayniqsa seziladi, chunki foydalanuvchilar tizimdan tezkor, avtomatik va ishonchli javob kutadi. Mavjud muammolarni tahlil qilsak, quyidagi asosiy toʻsiqlarni ajratib koʻrsatish mumkin: ✓ turli yoritilish sharoitlarida (tungi muhit, aksilik, soyalar) obyektlarni yuqori aniqlik bilan aniqlashning qiyinligi; ✓ chegaralangan hisoblash resurslari (Raspberry Pi, NVIDIA Jetson Nano kabi qurilmalar) bilan real vaqt rejimida tahlil qilish; ✓ uy ichidagi oʻxshash koʻrinishli obyektlarni (odam / manekendan farqlash kabi) aniq klassifikatsiya qilish; ✓ shaxsiy ma'lumotlar maxfiyligi va kiber-xavfsizlikni ta'minlash; ✓ tizimning yangi muhit va obyektlarga moslashuvchanligini oshirish. Ushbu muammolarni hal etishda soʻnggi yillarda sun’iy intellekt va chuqur oʻqitish texnologiyalarining rivojlanishi muhim rol oʻynadi. Ayniqsa, YOLO arxitekturasining soʻnggi avlodlari (YOLOv5, YOLOv7, YOLOv8), transformer asosidagi DETR modeli va chekka hisoblash platformalarining takomillashuvi aqlli uy tizimlarida real vaqtli intellektual tahlil imkonini bermoqda. Ushbu tadqiqotning asosiy maqsadi – aqlli uy muhitiga moʻljallangan kamera tizimi dasturining turli SI algoritmlari asosida samaradorligini kompleks baholash va eng optimal arxitekturani aniqlashdan iborat [1]. Asosiy qism. Tizimning umumiy arxitekturasi va ishlash prinsipi: tadqiqotda ishlab chiqilgan aqlli uy kamera tizimi toʻrt asosiy qatlamdan tashkil topadi: 560

ma'lumot yig‘ish qatlami, mahalliy qayta ishlash qatlami, tahlil va qaror qilish qatlami hamda foydalanuvchi interfeysi qatlami. Bunday koʻp qatlamli arxitektura tizimning modulliligini va kengaytirilishini ta’minlaydi. 1 2 3 4 1-jadval Tizim qatlamlari va ularning tarkibiy elementlari RGB/IR kamera, PIR sensor, Video oqim va signal qabul Ma'lumot yig‘ish mikrofon qilish Edge TPU, Raspberry Pi 4, Mahalliy qayta ishlash Dastlabki filtr va siqish Jetson Nano YOLOv8, TensorFlow Lite, Obyektni aniqlash va Tahlil va qaror qilish OpenCV klassifikatsiya Foydalanuvchi MQTT, REST API, mobil Ogohlantirishlar va interfeysi ilova boshqaruv Qoʻllanilgan sun’iy intellekt algoritmlari: Tadqiqotda aqlli uy muhiti uchun uchta asosiy obyekt aniqlash arxitekturasi oʻrganildi va ularning samaradorligi taqqoslandi [2]. YOLOv8 (You Only Look Once v8) – Ultralytics tomonidan 2023 yilda taqdim etilgan arxitektura boʻlib, bir martalik toʻg‘ridan-toʻg‘ri regressiya usulidan foydalanadi. Yagona neyron tarmoq orqali tasvir bir marta oʻqib chiqiladi va barcha obyektlar bir vaqtda aniqlanadi. Bu yondashuv tezlik jihatidan sezilarli ustunlik beradi. SSD (Single Shot MultiBox Detector) – turli oʻlchamdagi xususiyat xaritalarida bir vaqtda koʻp miqyosli obyektlarni aniqlashga imkon beradi. Kichik va oʻrta hajmdagi obyektlarni aniqlashda yuqori samaradorlik koʻrsatadi. Faster R-CNN – ikki bosqichli arxitektura boʻlib, avval taklif regionlari (region proposals) generatsiya qilinadi, soʻng ular klassifikatsiya qilinadi. Eng yuqori aniqlikni ta'minlasa-da, hisoblash resurslari talabi ham yuqori [4]. 2-jadval Algoritmlarni samaradorlik koʻrsatkichlari boʻyicha taqqoslash mAP@0.5 FPS (Jetson Model hajmi Algoritm Kechikish (ms) (%) Nano) (MB) YOLOv8n 96,2 38 6,2 26 YOLOv8s 97,1 28 22,4 36 SSD MobileNetV2 89,4 45 16,9 22 Faster R-CNN 98,3 7 137,8 142 ResNet50 DETR (transformer) 93,7 12 159,4 83 Jadval tahlilidan koʻrinadiki, aqlli uy muhiti uchun eng optimal tanlov YOLOv8n arxitekturasi hisoblanadi. Bu arxitektura yuqori aniqlik (96,2% mAP) va real vaqt tezligi (38 FPS) oʻrtasida muvozanatni ta'minlaydi. SSD MobileNetV2 eng tez ishlasada, aniqlik koʻrsatkichi pastroq. Faster R-CNN eng aniq (98,3%), ammo 7 FPS tezligi real vaqt talablarini qoniqtirmaydi [10]. Aqlli uy muhitidagi sinov natijalari: Tizimning amaliy samaradorligini baholash uchun Toshkent shahridagi 5 xil uy muhitida 3 oylik maydon sinovlari oʻtkazildi. Sinov jarayonida turli yoritilish sharoitlari, obyektlar soni va harakatlanish holatlari hisobga olindi. Kuzatiladigan sinflar: odam, hayvon 561

(mushuk/it), eshik/derazaning ochiq-yopiq holati, yong‘in/tutun va tashlandiq buyumlar [3]. 3-jadval Uy muhitida sinov natijalari (YOLOv8n asosida) Sinov sharoiti Kunduzgi (yaxshi yorug‘lik) Kechki (past yorug‘lik) Tungi (IR yoritish bilan) Koʻp obyektli (5+ kishi) Harakatlanuvchi obyektlar Oʻrtacha koʻrsatkich Aniqlik – Precision (%) Toʻliqlik – Recall (%) F1-Score FPS 97,4 96,1 0,967 39 93,2 91,6 94,8 95,3 94,5 91,8 89,3 93,5 94,2 93,0 0,925 0,904 0,941 0,947 0,937 37 38 31 35 36 Xavfsizlik hodisalarini aniqlash samaradorligi: Aqlli uy tizimining eng muhim funksiyasi – xavfsizlik hodisalarini (ruxsatsiz kirish, yong‘in, gaz sizishi belgilari) oʻz vaqtida aniqlash [4]. Quyidagi jadvalda turli hodisa turlarini aniqlash koʻrsatkichlari keltirilgan: 4-jadval Xavfsizlik hodisalarini aniqlash natijalari Hodisa turi Ruxsatsiz kirish (odam) Yong‘in/tutun belgilari Hayvon (mushuk/it) Eshik/derazaning ochilishi Tashlandiq buyum aniqlash Toʻgʻri aniqlash (TP, %) 97,2 94,6 95,8 98,4 1,8 3,1 2,6 0,9 Oʻtkazib yuborish (FN, %) 1,0 2,3 1,6 0,7 4,7 4,0 Soxta signal (FP, %) 91,3 Reaktsiya vaqti (ms) 180 210 195 155 240 Jadval koʻrsatkichlari tizimning xavfsizlik hodisalarini yuqori ishonchlilik bilan (oʻrtacha 95,5 % toʻg‘ri aniqlash) va qisqa reaktsiya vaqti (155–240 ms) bilan aniqlash imkoniyatini tasdiqlaydi. Eshik va derazaning ochilishi holatida eng yuqori aniqlik (98,4 %) qayd etilgan, chunki bu holat aniq geometrik oʻzgarishlarni anglatadi [7]. Energiya sarfi va resurs optimallashuvi: Chekka hisoblash qurilmalarida tizimni samarali ishlatish uchun model kvantizatsiya (INT8) va model kesib tashlash (pruning) texnikalaridan foydalanildi [5]. Ushbu optimallashuvlarning natijasi quyidagi jadvalda keltirilgan: 5-jadval Model optimallashuvi natijalari Optimallashuv usuli Asl model (FP32) INT8 kvantizatsiya Model pruning (30%) Knowledge distillation INT8 + Pruning kombinatsiya mAP@0.5 (%) 96,2 95,7 95,1 94,8 FPS oʻzgarishi 38 (bazaviy) 52 (+37%) 48 (+26%) 55 (+45%) Model hajmi kamayishi (%) – 75% 28% 64% Quvvat sarfi (W) 8,4 5,2 6,8 4,9 94,3 61 (+61%) 82% 4,1 562

Optimallashuv natijalari INT8 kvantizatsiya va model kesib tashlashni birlashtirish orqali modelning tezligini 61% oshirish va energiya sarfini 51,2% kamaytirish mumkinligini koʻrsatdi. Aniqlik atigi 1,9 foiz punktga (96,2% dan 94,3% ga) kamaydi, bu esa amaliy tatbiqda qabul qilinishi mumkin boʻlgan kompromis hisoblanadi [8]. Mavjud tizimlarga nisbatan afzalliklari: Ishlab chiqilgan tizim xalqaro analoglari – Google Nest Cam, Amazon Ring va Xiaomi Smart Camera Pro – bilan quyidagi yoʻnalishlarda taqqoslandi: 1. Maxfiylik va ma'lumot xavfsizligi: Barcha hisoblash mahalliy qurilmada amalga oshiriladi. Shaxsiy ma'lumotlar tashqi serverga uzatilmaydi, bu GDPR va Oʻzbekiston qonunchiligiga toʻliq muvofiqlikni ta'minlaydi. 2. Moslashuvchanlik: Foydalanuvchi oʻz muhitidagi maxsus obyektlar uchun modelni qayta oʻqitishi mumkin. Masalan, uy egasi oʻziga xos qimmatbaho buyumlar yoki maxsus zonalarni nazorat qilish uchun tizimni sozlashi mumkin. 3. Narx samaradorligi: Tizimni ishga tushirish uchun zarur boʻlgan apparat (Raspberry Pi 4 + IR kamera + Edge TPU) narxi $95–140 atrofida, bu xalqaro analoglardan 2–4 marta past. 4. Oflayn ishlash qobiliyati: Internet aloqasi uzilganda ham tizim toʻliq funktsional holda ishlashda davom etadi, bu ishonchlilikni sezilarli oshiradi. 5. Ochiq arxitektura: Tizim REST API va MQTT protokollari orqali boshqa aqlli uy qurilmalari (Google Home, Amazon Alexa, Home Assistant) bilan osongina integratsiya qilinadi. Amalga oshirishdagi texnik muammolar va yechimlar: Tadqiqot jarayonida bir qator texnik muammolar aniqlandi va ular quyidagi usullar bilan hal etildi. Soya va aksilik muammosi – kuchli quyosh nuri yoki sun’iy yoritish natijasida yuzaga keluvchi soxta aniqlanishlar – histogram tenglashtirish va adaptiv chegara ajratish usullari orqali 68% ga kamaytirildi. Tungi rejimda aniqlikni oshirish uchun yaqin infraqizil (NIR, 850 nm) yoritish moduli qoʻshildi va IR-moslashtirilgan kamera sensori ishlatildi. Koʻp kishilik holatlarda (5+ odam) aniqlash sifatini saqlab qolish uchun DeepSORT izi kuzatish (tracking) algoritmi integratsiya qilindi. Bu har bir shaxsni alohida identifikator bilan kuzatish va bir xil shaxsni ikki marta sanashni oldini olish imkonini berdi. Natijada toʻp toʻqnashuvlari (occlusion) holatida aniqlik 87,3% dan 93,5% ga koʻtarildi. Xulosa. Ushbu tadqiqotda aqlli uy tizimlarida obyektlarni avtomatik aniqlash va kuzatishga moʻljallangan kamera tizimi dasturining samaradorligi kompleks baholandi. Olingan natijalar asosida quyidagi xulosalar chiqarildi: Birinchidan, YOLOv8n arxitekturasi aqlli uy muhiti uchun eng maqbul tanlov ekanligi isbotlandi. Bu arxitektura 96,2 % mAP@0.5 aniqlik koʻrsatkichi va 38 FPS tezligi bilan tezlik va aniqlik oʻrtasida eng yaxshi muvozanatni ta'minlaydi. INT8 kvantizatsiya va model pruningni birgalikda qoʻllash tizim tezligini 61% oshirish va energiya sarfini 51 % kamaytirish imkonini beradi. Ikkinchidan, 5 xil uy muhitida oʻtkazilgan 3 oylik maydon sinovlari tizimning oʻrtacha 94,5 % aniqlik va 93,0 % toʻliqlik koʻrsatkichlari bilan 563

ishlashini tasdiqladi. Xavfsizlik hodisalariga reaktsiya vaqti 155–240 millisekund oralig‘ida boʻldi, bu esa foydalanuvchiga xavfli vaziyatdan oʻz vaqtida ogohlantirishni yuborish uchun etarli. Uchinchidan, tizimning mahalliy hisoblash arxitekturasi ma'lumotlar maxfiyligini toʻliq ta'minlaydi va tarmoq aloqasiz ham ishlash imkonini beradi. Bu xususiyat raqobat tahlilida xalqaro analoglarga nisbatan asosiy ustunlik sifatida ajralib turadi. Toʻrtinchidan, kelajakdagi tadqiqotlar uchun uchta asosiy yoʻnalish belgilandi: transformer asosidagi RT-DETR arxitekturasini chekka qurilmalar uchun moslashtirish; federated learning yondashuvidan foydalangan holda foydalanuvchi maxfiyligini saqlagan holda modelni yangilash mexanizmi; va multimodal tahlil (kamera + ovoz sensori + harorat) integratsiyasi orqali aniqlash ishonchliligini yanada oshirish. Xulosa oʻrnida shuni ta'kidlash joizki, sun’iy intellekt asosidagi aqlli kuzatuv tizimlari kelgusida barcha zamonaviy uy va binolarning ajralmas qismiga aylanadi. Oʻzbekistonda raqamli iqtisodiyotni rivojlantirish strategiyasi doirasida bunday mahalliy texnologiyalarni yaratish va joriy etish alohida ahamiyat kasb etmoqda. Foydalanilgan adabiyotlar: 1. Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO by Ultralytics (Version 8.0.0). GitHub Repository. https://github.com/ultralytics/ultralytics 2. Liu, W., Anguelov, D., Erhan, D., et al. (2016). SSD: Single shot multibox detector. European Conference on Computer Vision (ECCV), 9905, 21–37. 3. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems, 28, 91–99. 4. Carion, N., Massa, F., Synnaeve, G., et al. (2020). End-to-end object detection with transformers. ECCV 2020, Lecture Notes in Computer Science, 12346, 213–229. 5. Wojke, N., Bewley, A., & Paulus, D. (2017). Simple online and realtime tracking with a deep association metric (DeepSORT). IEEE International Conference on Image Processing (ICIP), 3645–3649. 6. Lane, N.D., Bhattacharya, S., Georgiev, P., et al. (2016). DeepX: A software accelerator for low-power deep learning inference on mobile devices. 15th ACM/IEEE International Conference on Information Processing in Sensor Networks, 1–12. 7. Zhang, W., Fang, H., & Zhou, M. (2022). Smart home security surveillance based on edge computing and deep learning. IEEE Internet of Things Journal, 9(14), 12021– 12034. https://doi.org/10.1109/JIOT.2021.3132048 8. MarketsandMarkets (2023). Smart Home Market – Global Forecast to 2028. MarketsandMarkets Research Report. Report Code: SE 3168. 9. Xu, J., Ruan, T., & Chen, Q. (2021). Privacy-preserving object detection for smart home cameras using federated learning. ACM Transactions on Internet of Things, 2(4), Article 26. 10. Raximov, F.N., Nazarov, Sh.I., & Joʻrayev, B.T. (2023). Aqlli uy tizimlarida kompyuter koʻrish texnologiyalarini qoʻllash imkoniyatlari. Axborot texnologiyalari va telekommunikatsiyalar, 4(28), 78–87. 564

KALI LINUX DISTRIBUTIVINI PENTESTING VOSITALARIDA QOʻLLANILADIGAN HUJUM TURLARINI TADQIQ QILISH Abdulxayev Nodirbek Murodulloyevich, UMFT, “Kommunikatsiya va axborot texnologiyalari” kafedrasi dotsenti, t.f.f.d (PhD) Qunduzov Bekzod Alisher oʻgʻli, UMFT “Kompyuter tizimlari va ularning dasturiy ta’minoti” mutaxassisligi 1-kurs magistranti Annotatsiya. Ushbu ilmiy maqolada Kali Linux distributivi asosida amalga oshiriladigan penetratsion testlash (pentesting) jarayonlari va unda qoʻllaniladigan hujum turlari keng koʻlamda tadqiq qilingan. Zamonaviy axborot xavfsizligi sohasida tarmoq infratuzilmalarini himoya qilish, zaifliklarni aniqlash va ularni bartaraf etish dolzarb muammolardan biri hisoblanadi. Maqolada Kali Linux tarkibidagi 600 dan ortiq penetratsion testlash vositalaridan eng koʻp qoʻllaniladigan toifalari razvedka (reconnaissance), skanerlash (scanning), ekspluatatsiya (exploitation), parol krakeri va tarmoq sniffing vositalari tahlil qilinadi. Shuningdek, Sun’iy intellekt va mashinaviy oʻqitish algoritmlarining kiber tahdidlarni aniqlash hamda anomaliyalarni klassifikatsiyalashdagi roli oʻrganiladi. Tadqiqot natijalari shuni koʻrsatadiki, avtomatlashtirilgan penetratsion testlash tizimlari an'anaviy usullarga qaraganda 73% samaradorlikni oshiradi va notoʻg‘ri aniqlanishlar (false positive) nisbatini 40% ga kamaytiradi. Maqola axborot xavfsizligi mutaxassislari, tizim ma'murlari va kiberxavfsizlik sohasidagi tadqiqotchilar uchun amaliy ahamiyat kasb etadi. Kalit soʻzlar: Kali Linux, penetratsion testlash, kiberhujum, tarmoq xavfsizligi, zaiflik skaneri, ekspluatatsiya, Sun’iy intellekt, mashinaviy oʻqitish, anomaliya aniqlash, metasploit, nmap, sniffing, brute force, OSINT, CVE (Common Vulnerabilities and Exposures). Аннотация. В данной научной статье всесторонне исследуются процессы проведения тестирования на проникновение (penetration testing), реализуемые на базе дистрибутива Kali Linux, а также виды атак, применяемые в данном процессе. В современной сфере информационной безопасности защита сетевой инфраструктуры, выявление уязвимостей и их устранение являются одними из наиболее актуальных задач. В статье анализируются наиболее широко используемые категории инструментов тестирования на проникновение из более чем 600 инструментов, входящих в состав Kali Linux, включая средства разведки (reconnaissance), сканирования (scanning), эксплуатации (exploitation), взлома паролей и сетевого сниффинга. Также рассматривается роль алгоритмов искусственного интеллекта и машинного обучения в выявлении киберугроз и классификации аномалий. Результаты исследования показывают, что автоматизированные системы тестирования на проникновение повышают эффективность на 73 % по сравнению с традиционными методами и уменьшают долю ложных срабатываний (false positive) на 40%. Данная статья имеет практическое значение для специалистов по информационной безопасности, системных администраторов и исследователей в области кибербезопасности. Ключевые слова: Kali Linux, тестирование на проникновение, кибератака, сетевая безопасность, сканер уязвимостей, эксплуатация, искусственный интеллект, машинное обучение, обнаружение аномалий, Metasploit, Nmap, сниффинг, brute force, OSINT, CVE (Common Vulnerabilities and Exposures). Abstract. This scientific article comprehensively examines penetration testing processes performed using the Kali Linux distribution and the types of attacks applied within these processes. In modern information security, protecting network infrastructure, identifying vulnerabilities, and mitigating them are among the most critical challenges. The article analyzes the most commonly used categories of penetration testing tools among the more than 600 tools included in Kali Linux, such as reconnaissance, scanning, exploitation, password cracking, and network sniffing tools. In addition, the role of artificial intelligence and machine learning algorithms in detecting cyber threats and classifying anomalies is explored. The research results 565

show that automated penetration testing systems increase efficiency by 73% compared to traditional methods and reduce the false positive rate by 40%. The article has practical significance for information security specialists, system administrators, and cybersecurity researchers. Keywords: Kali Linux, penetration testing, cyberattack, network security, vulnerability scanner, exploitation, artificial intelligence, machine learning, anomaly detection, Metasploit, Nmap, sniffing, brute force, OSINT, CVE (Common Vulnerabilities and Exposures). Kirish. Bugungi kunda axborot texnologiyalarining jadal rivojlanishi bilan bir qatorda kibertahdidlar soni va murakkablik darajasi ham keskin oʻsib bormoqda. 2023-yil ma'lumotlariga koʻra, dunyo boʻyicha kiberhujumlardan koʻrilgan zarar 8 trillion AQSh dollaridan oshib, 2025-yilga borib 10,5 trillion dollarga yetishi prognoz qilinmoqda (Cybersecurity Ventures, 2023). Bu raqamlar axborot xavfsizligini ta'minlash masalasining qanchalik muhimligini yaqqol koʻrsatib turibdi [1]. Kali Linux ‒ Offensive Security kompaniyasi tomonidan ishlab chiqilgan va asosan penetratsion testlash, raqamli kriminalistika hamda zaifliklarni tekshirish uchun moʻljallangan Debian asosidagi Linux distributivi hisoblanadi. 2013-yilda BackTrack Linux oʻrniga kelgan Kali Linux hozirda 600 dan ortiq ixtisoslashtirilgan vositalarni oʻz ichiga oladi va butun dunyo boʻyicha 4 milliondan ortiq kiberxavfsizlik mutaxassislari tomonidan qoʻllaniladi. Mavjud muammolar qatorida quyidagilarni alohida ta'kidlash lozim: birinchidan, zaifliklarni qoʻlda aniqlash jarayoni koʻp vaqt talab etadi va inson xatosi ehtimolini oʻz ichiga oladi; ikkinchidan, murakkab tarmoq topologiyalarida keng qamrovli testlash uchun yagona metodologiyaning yoʻqligi; uchinchidan, nol kunlik (zero-day) zaifliklarni oldindan aniqlash imkoniyatlarining cheklanganligi; toʻrtinchidan, Sun’iy intellekt asosidagi adaptiv hujumlarni an'anaviy antivirus va himoya tizimlari orqali aniqlashning qiyinligi. Ushbu muammolarni hal etish uchun zamonaviy tadqiqotchilar bir qancha innovatsion yechimlarni taklif etishmoqda: Sun’iy intellekt va chuqur oʻqitish (deep learning) algoritmlarini penetratsion testlash jarayoniga integratsiya qilish; avtomatlashtirilgan zaiflik skanerlash va ekspluatatsiya tizimlarini yaratish; CVSS (Common Vulnerability Scoring System) mezonlari asosida risk baholashni takomillashtirish. Ushbu maqola aynan shu yoʻnalishdagi ilmiy tadqiqotlarni tizimlashtirish va amaliy tavsiyalar ishlab chiqishga bag‘ishlangan. Asosiy qism. Kali Linux tarkibidagi pentesting vositalari tasnifi: Kali Linux pentesting vositalari funksional belgilariga koʻra bir necha asosiy kategoriyalarga boʻlinadi. Har bir kategoriya oʻziga xos hujum vektorlarini qamrab oladi va axborot xavfsizligi mutaxassislariga tizimning turli qatlamlarini sinash imkonini beradi. Quyidagi jadvalda asosiy vosita kategoriyalari va ularning vazifaviy tavsifi keltirilgan: 1-jadval Kategoriya Razvedka (OSINT) Tarmoq skanerlash Kali Linux pentesting vositalari tasnifi Asosiy vositalar Vazifasi Maltego, theHarvester, Ochiq manbalardan Recon-ng ma'lumot yig‘ish Nmap, Masscan, Port va xizmatlarni 566 Hujum turi Passiv razvedka Aktiv razvedka

Zaiflik tahlili Ekspluatatsiya Parol krakeri Tarmoq sniffing Simsiz tarmoq Veb ilovalar Zenmap OpenVAS, Nikto, Nessus Metasploit, SQLmap, BeEF Hashcat, John the Ripper, Hydra Wireshark, tcpdump, Ettercap Aircrack-ng, Kismet, Reaver Burp Suite, OWASP ZAP, WPScan aniqlash CVE zaifliklarini qidirish Zaifliklardan foydalanish Autentifikatsiyani buzish Tarmoq trafigini tahlil qilish Wi-Fi xavfsizligini testlash Veb ilova zaifliklarini aniqlash Vulnerability Assessment Aktiv hujum Brute Force / Dictionary Man-in-theMiddle WPA/WPS hujumlari OWASP Top 10 Sun’iy intellekt algoritmlarining pentestingda qoʻllanilishi: Zamonaviy pentesting tizimlarida Sun’iy intellekt va mashinaviy oʻqitish algoritmlari tobora keng qoʻllanila boshlandi. Bu texnologiyalar an'anaviy qoʻlda testlash usullariga nisbatan bir qator afzalliklarga ega: tezlik, miqyoslilik va oʻrganish qobiliyati. Tadqiqotlar shuni koʻrsatadiki, Sun’iy intellekt asosidagi avtomatlashtirilgan penetratsion tizimlar ma'lum turdagi zaifliklarni 85 % aniqlik bilan topish qobiliyatiga ega [2]. Eng koʻp qoʻllaniladigan algoritmlar qatoriga quyidagilar kiradi: Random Forest va Gradient Boosting - anomal tarmoq trafigini klassifikatsiyalash uchun; LSTM (Long Short-Term Memory) neyron tarmoqlari - ketma-ket kiberhujum bosqichlarini bashorat qilish uchun; Reinforcement Learning avtomatlashtirilgan ekspluatatsiya strategiyalarini oʻrganish uchun; K-means klasterizatsiya noma'lum hujum turlarini aniqlash uchun; CNN (Convolutional Neural Network) zararli kodni skaner qilish va klassifikatsiya uchun. 2-jadval Pentestingda qoʻllaniladigan AI algoritmlarining samaradorligi AI Algoritmi Random Forest LSTM CNN Reinforcement Learning K-means GAN (Generative) Qoʻllanish sohasi Trafik anomaliya aniqlash Hujum bosqichlarini bashorat Zararli kod tahlili 91.3% 87.6% 94.1% Qayta ishlash tezligi Oʻrtacha (bazaviy darajada) Sekin (murakkab model) Tez (parallel hisoblash) Avtomatik ekspluatatsiya 82.4% Oʻrtacha (oʻqitish zarur) Yangi hujum klasterizatsiyasi Yangi hujum vektorlari yaratish 78.9% Juda tez (real vaqt) 76.2% Sekin (resurstalab) Aniqlik (%) Asosiy hujum vektorlari va ularni tahlili: Kali Linux yordamida amalga oshiriladigan penetratsion testlash koʻpincha PTES (Penetration Testing Execution Standard) metodologiyasiga muvofiq quyidagi bosqichlardan iborat: olganligi razvedka, tahdidni modellashtirish, zaiflikni aniqlash, ekspluatatsiya, postekspluatatsiya va hisobot tayyorlash. Har bir bosqich oʻziga xos vositalar toʻplami va texnik usullarni talab qiladi [4]. Eng keng tarqalgan hujum vektori - SQL injection - veb ilovalarning 65% da uchraydi va attackerga ma’lumotlar bazasiga ruxsatsiz kirish imkonini beradi. Ikkinchi oʻrinni Cross-Site Scripting (XSS) egallaydi; bu zaiflik brauzer tomonida 567

zararli skriptlarni bajarishga yoʻl qoʻyadi. Uchinchi oʻrinda esa Buffer Overflow turib, bu zamonaviy tarmoq xizmatlarida ham kuzatiladi va imtiyozlarni oshirish (privilege escalation) uchun ishlatiladi [6]. Quyidagi jadvalda 2022-2024 yillardagi global kiberhujumlar statistikasi keltirilgan boʻlib, u hujum turlarining tarqalish darajasini koʻrsatadi: 3-jadval Global kiberhujumlar statistikasi (2022–2024) Hujum turi Phishing Ransomware SQL Injection DDoS hujumlari Man-in-the-Middle Zero-day exploit 2022 (%) 36% 21% 17% 14% 8% 4% 2023 (%) 39% 24% 15% 16% 9% 7% 2024 (%) 41% 27% 13% 18% 11% 10% Tendensiya Oʻsmoqda Oʻsmoqda Kamaymoqda Oʻsmoqda Oʻsmoqda Tez oʻsmoqda Avtomatlashtirilgan pentesting tizimlarining samaradorligi: Tadqiqotlar shuni koʻrsatadiki, Sun’iy intellekt integratsiya qilingan avtomatlashtirilgan pentesting tizimlari an'a-naviy qoʻl mehnatiga asoslangan testlashdan sezilari darajada ustun turadi. IBM Security va Ponemon Institute (2023) tomonidan oʻtkazilgan 500 ta kompaniyani qamrab olgan keng koʻlamli tadqiqot natijalariga koʻra, avtomatlashtirilgan tizimlar zaifliklarni aniqlash vaqtini oʻrtacha 68 %ga qisqartiradi [8]. Metasploit Framework bilan Artificial Intelligence yordamida amalga oshirilgan testlashning qiyosiy tahlili shuni koʻrsatadiki, an’anaviy usul bilan soatiga oʻrtacha 45 ta zaiflik aniqlanganiga nisbatan, AI yordami bilan bu koʻrsatkich soatiga 118 taga yetadi - bu 62 %li samaradorlik oʻsishini bildiradi. Shuningdek, notoʻg‘ri musbat natijalar (false positive) nisbati 22 %dan 8%ga tushgan, bu esa tahlilchilarning vaqtini sezilarli darajada tejaydi [5]. AutoSploit, PentestGPT va ReconAI kabi yangi avlod vositalari natural language processing (NLP) texnologiyasidan foydalanib, foydalanuvchiga oddiy til bilan topshiriqlar berishga imkon yaratadi. Bu vositalar mustaqil ravishda maqsadni tahlil qilib, eng maqbul hujum vektorini tanlaydi va ekspluatatsiya skriptlarini avtomatik tarzda sozlaydi. 4-jadval An'anaviy va AI-yordamli pentesting tizimlarini qiyosiy tahlili Koʻrsatkich Zaiflik aniqlash vaqti False positive nisbati Soatiga aniqlangan zaifliklar Nol-kunlik zaifliklar aniqlash Muvaffaqiyatli ekspluatatsiya Hisobot sifati An’anaviy pentesting 72 soat (oʻrtacha) 22% 45 ta 12% 58% Oʻrtacha AI-yordamli pentesting 24 soat (oʻrtacha) 8% 118 ta 31% 79% Yuqori (avtomatik) Farq -67% -64% +162% +158% +36% Sezilarli yaxshi Kali Linux asosidagi pentesting metodologiyasi: Muvaffaqiyatli penetratsion testlashni amalga oshirish uchun qat'iy tartib-qoidalarga rioya qilish talab etiladi. Ishlab chiqilgan metodologiya quyidagi bosqichlardan iborat: 568

(1) Ruxsatnoma va qonuniy asoslarni ta'minlash - penetratsion testlash faqat ruxsat olingan tizimlar va tarmoqlarda amalga oshirilishi shart, bu etik hacking tamoyillarining asosini tashkil etadi; (2) Axborot yig‘ish - maqsadli tizim haqida toʻliq ma'lumot olish, shu jumladan IP manzillar, domenlar, ochiq portlar va ishlayotgan xizmatlarni aniqlash; (3) Zaifliklarni skanerlash - maxsus vositalar yordamida tizimda mavjud boʻlishi mumkin boʻlgan zaifliklarni avtomatik ravishda topish; (4) Ekspluatatsiya - aniqlangan zaifliklardan nazorat ostida foydalanib, tizimning himoya darajasini baholash; (5) Post-ekspluatatsiya - tizimga kirganidan keyin nimalarga erishish mumkinligini baholash; (6) Hisobot - barcha topilmalar, xatarlar va tavsiyalar hujjatlashtirilib, buyurtmachiga taqdim etiladi. Sun’iy intellekt texnologiyalari, xususan Large Language Models (LLM) va reinforcement learning yordamida bu bosqichlarning aksariyatini avtomatlashtirish mumkin. PentestGPT tizimi GPT-4 modeli asosida ishlab chiqilgan boʻlib, testlovchiga kontekstual yoʻl-yoʻriq koʻrsatib, keyingi qadamlarni tavsiya qiladi. Tajribalar koʻrsatishicha, bu tizim junior pentester darajasidagi mutaxassisni simulyatsiya qilib, muammolarning 35% ini mustaqil hal eta oladi [10]. Xulosa. Ushbu tadqiqot Kali Linux distributivi asosidagi penetratsion testlash jarayonlari va Sun’iy intellekt algoritmlarining bu sohaga integratsiyasini keng qamrovli tarzda oʻrganish imkonini berdi. Tahlil natijalari asosida quyidagi muhim xulosalar chiqarish mumkin: Birinchidan, Kali Linux hozirgi kunda eng keng qoʻllaniladigan penetratsion testlash platformasi boʻlib, uning 600 dan ortiq ixtisoslashtirilgan vositalari axborot xavfsizligi mutaxassislariga tizimli va har tomonlama zaifliklarni aniqlash imkonini beradi. Vositalarning xilma-xilligi va doimiy yangilanib turishi bu platformani sanoat standarti darajasiga olib chiqadi. Ikkinchidan, Sun’iy intellekt va mashinaviy oʻqitish algoritmlarini penetratsion testlashga integratsiya qilish soha samaradorligini tubdan oʻzgartirmoqda. Tadqiqot natijalari shuni koʻrsatdiki, AI yordamli tizimlar zaiflik aniqlash vaqtini 67% ga qisqartiradi, soatiga aniqlanadigan zaifliklar sonini 162% ga oshiradi va notoʻg‘ri musbat natijalar nisbatini 64% ga kamaytiradi. Uchinchidan, hujum vektorlari tahlili koʻrsatadiki, zero-day ekspluatatsiyalar va Sun’iy intellekt asosidagi adaptiv hujumlar yildan-yilga oʻsib borayotganligi sababli, himoya tizimlari ham shu darajada intellektual va adaptiv boʻlishi zarur. Bu esa proaktiv xavfsizlik (offensive security) paradigmasining ahamiyatini yanada oshiradi. Toʻrtinchidan, etik hacking tamoyillari va qonuniy asoslar barcha pentesting faoliyatining negizini tashkil etishi kerak. Sun’iy intellekt texnologiyalarini qoʻllashda ham xuddi shunday mas'uliyatli yondashuv talab etiladi, chunki avtomatlashtirilgan tizimlarning notoʻg‘ri qoʻllanilishi jiddiy huquqiy oqibatlarga olib kelishi mumkin. 569

Kelajakdagi tadqiqotlar uchun tavsiya sifatida quyidagilarni koʻrsatish mumkin: kvant hisoblash texnologiyalari bilan kriptografik himoya tizimlarini testlash usullarini tadqiq qilish; Federated Learning algoritmlaridan foydalangan holda maxfiylikni saqlagan tarzda korporativ penetratsion testlash tizimlarini ishlab chiqish; hamda Oʻzbekiston milliy kiberxavfsizlik standartlariga muvofiq mahalliy pentesting metodologiyasini yaratish. Foydalanilgan adabiyotlar ro‘yxati: 1. Engebretson, P. (2013). The Basics of Hacking and Penetration Testing: Ethical Hacking and Penetration Testing Made Easy. 2nd ed. Syngress Publishing, MA, USA. 223 p. 2. Kennedy, D., OʻGorman, J., Kearns, D., Aharoni, M. (2011). Metasploit: The Penetration Tester's Guide. No Starch Press, San Francisco. 328 p. 3. Weidman, G. (2014). Penetration Testing: A Hands-On Introduction to Hacking. No Starch Press, San Francisco. 531 p. 4. Stallings, W. (2022). Network Security Essentials: Applications and Standards. 6th ed. Pearson Education, London. 480 p. 5. Luh, R., Marschalek, S., Kaiser, M., Janicke, H., Schrittwieser, S. (2017). SemanticsAware Detection of Targeted Attacks: A Survey. Journal of Computer Virology and Hacking Techniques, Vol. 13, No. 1, pp. 47-85. 6. Hu, X., Chen, H., Wang, H. (2023). AutoPentest: Automated Penetration Testing Using Artificial Intelligence. IEEE Transactions on Information Forensics and Security, Vol. 18, pp. 2134-2149. 7. Deng, G., Liu, Y., Mayoral-Vilches, V. (2023). PentestGPT: An LLM-empowered Automatic Penetration Testing Tool. arXiv preprint arXiv:2308.06782. 8. Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, Vol. 2, No. 3, pp. 1-21. 9. Cybersecurity Ventures. (2023). Cybercrime to Cost the World $10.5 Trillion Annually by 2025. Official Cybercrime Report. Northampton, MA. 10. Offensive Security. (2024). Kali Linux Official Documentation and Tool Repository. URL: https://www.kali.org/docs/ (murojaat sanasi: 15.03.2024). KEYINGI AVLOD TARMOQLARI XIZMATLARINI SERVISGA YOʻNALTIRILGAN ARXITEKTURA ASOSIDA TAQDIM ETISH SAMARADORLIGINI BAHOLASH Abdulxayev Nodirbek Murodulloyevich, UMFT, “Kommunikatsiya va axborot texnologiyalari” kafedrasi dotsenti, t.f.f.d (PhD) Xodjayev Utkir Muminovich, UMFT, “Telekommunikatsiya injiniringi” mutaxassisligi 2-kurs magistranti Annotatsiya. Ushbu maqolada keyingi avlod tarmoqlari (NGN – Next Generation Networks) xizmatlarini servisga yo‘naltirilgan arxitektura (SOA – Service-Oriented Architecture) asosida taqdim etish samaradorligini baholash masalalari ko‘rib chiqilgan. Zamonaviy telekommunikatsiya infratuzilmasining rivojlanishi bilan birga tizimlarning modullilik, moslashuvchanlik va integratsiyaga bo‘lgan talablari kuchayib bormoqda. Maqolada SOA prinsiplari asosida NGN xizmatlarini taqdim etishning asosiy afzalliklari, arxitektura modellari va ularning ishlash ko‘rsatkichlari tahlil qilingan. Suniy intellekt algoritmlari yordamida tarmoq resurslarini dinamik boshqarish va xizmat sifatini optimallashtirish usullari taklif etilgan. Tadqiqot natijalari shuni ko‘rsatadiki, SOA asosidagi yondashuv an'anaviy arxitekturalarga nisbatan tizim samaradorligini 40-60 %ga oshirish imkonini beradi. Keltirilgan empirik ma'lumotlar va matematik modellar asosida xizmat ko‘rsatish sifati (QoS) parametrlarini yaxshilash bo‘yicha amaliy tavsiyalar ishlab chiqilgan. 570

Kalit soʻzlar: keyingi avlod tarmoqlari (NGN), servisga yo‘naltirilgan arxitektura (SOA), veb-xizmatlar, mikroservislar, API-shluz, xizmat sifati (QoS), tarmoq virtualizatsiyasi (NFV), dasturiy ta'minot bilan boshqariladigan tarmoqlar (SDN), REST arxitekturasi, SOAP protokoli, tarmoq samaradorligi, sun'iy intellekt, resurs boshqaruvi, mashinaviy o‘rganish, bulut hisoblash. Аннотация. В данной статье рассматриваются вопросы оценки эффективности предоставления услуг сетей следующего поколения (NGN – Next Generation Networks) на основе сервис-ориентированной архитектуры (SOA – Service-Oriented Architecture). С развитием современной телекоммуникационной инфраструктуры усиливаются требования к модульности, гибкости и интеграции систем. В статье проанализированы основные преимущества предоставления услуг NGN на основе принципов SOA, архитектурные модели и показатели их функционирования. Предложены методы динамического управления сетевыми ресурсами и оптимизации качества обслуживания с использованием алгоритмов искусственного интеллекта. Результаты исследования показывают, что подход, основанный на SOA, позволяет повысить эффективность системы на 40–60% по сравнению с традиционными архитектурами. На основе представленных эмпирических данных и математических моделей разработаны практические рекомендации по улучшению параметров качества обслуживания (QoS). Ключевые слова: сети следующего поколения (NGN), сервис-ориентированная архитектура (SOA), веб-сервисы, микросервисы, API-шлюз, качество обслуживания (QoS), виртуализация сетевых функций (NFV), программно-определяемые сети (SDN), архитектура REST, протокол SOAP, эффективность сети, искусственный интеллект, управление ресурсами, машинное обучение, облачные вычисления. Abstract. This article examines the issues of evaluating the efficiency of providing Next Generation Network (NGN) services based on Service-Oriented Architecture (SOA). With the development of modern telecommunication infrastructure, the requirements for system modularity, flexibility, and integration are continuously increasing. The paper analyzes the main advantages of delivering NGN services using SOA principles, architectural models, and their performance indicators. Methods for dynamic management of network resources and optimization of service quality using artificial intelligence algorithms are proposed. The research results demonstrate that the SOA-based approach can increase system efficiency by 40–60% compared to traditional architectures. Based on the presented empirical data and mathematical models, practical recommendations for improving Quality of Service (QoS) parameters have been developed. Keywords: Next Generation Networks (NGN), Service-Oriented Architecture (SOA), web services, microservices, API gateway, Quality of Service (QoS), Network Functions Virtualization (NFV), Software-Defined Networking (SDN), REST architecture, SOAP protocol, network efficiency, artificial intelligence, resource management, machine learning, cloud computing. Kirish. Zamonaviy raqamli iqtisodiyot sharoitida telekommunikatsiya tarmoqlari va axborot texnologiyalari tizimlarining jadal rivojlanishi yangi texnik va arxitekturaviy yechimlarni talab etmoqda. Keyingi avlod tarmoqlari (NGN) kontseptsiyasi an'anaviy telefoniya va internet tizimlarini birlashtirib, ovoz, ma'lumot va multimedia xizmatlarini yagona platforma orqali taqdim etish imkonini beradi. Biroq, NGN tizimlarini samarali boshqarish va ularning xizmatlarini tashqi ilovalar bilan integratsiya qilish muammolari hali ham dolzarb bo‘lib qolmoqda. Servisga yo‘naltirilgan arxitektura (SOA) — bu dasturiy ta'minot tizimlarini mustaqil, qayta foydalanish mumkin bo‘lgan xizmatlar to‘plami sifatida qurishning zamonaviy yondashuvi. SOA asosida qurilgan tizimlar yuqori darajada modulli bo‘lib, ularni oson kengaytirish, yangilash va boshqa tizimlar bilan integratsiya qilish mumkin. NGN va SOA texnologiyalarining uyg‘unligini tadqiq qilish telekommunikatsiya sohasida muhim ahamiyat kasb etadi. 571

Mavjud muammolar qatoriga quyidagilarni kiritish mumkin: birinchidan, turli ishlab chiqaruvchilarning NGN qurilmalari o‘rtasidagi interoperabellik muammosi; ikkinchidan, tizimning ortib borayotgan yuklamasiga moslashish va resurslarni dinamik taqsimlash zaruriyati; uchinchidan, xavfsizlik va autentifikatsiya mexanizmlarining yetarli darajada ishonchli emasligi; to‘rtinchidan, xizmat sifati (QoS) parametrlarini real vaqt rejimida monitoring qilish va optimallashtirish qiyinchiliklari. Ushbu muammolarni hal etishda SOA arxitekturasi, mikroservislar va sun'iy intellekt texnologiyalari muhim rol o‘ynaydi. Tadqiqotning asosiy maqsadi NGN xizmatlarini SOA arxitekturasi asosida taqdim etishning samaradorligini baholash metodologiyasini ishlab chiqish va amaliy tavsiyalar berish hisoblanadi. Maqolada taklif etilgan yechimlar xizmat ko‘rsatish sifatini oshirish, resurslarni tejash va tizim ishonchliligini ta'minlashga yo‘naltirilgan. Asosiy qism. NGN va SOA arxitekturalarining tahlili Keyingi avlod tarmoqlari (NGN) ITU-T tomonidan belgilangan standartlar asosida qurilgan bo‘lib, ular IP-asosli transport infratuzilmasidan foydalanadi. NGN asosiy xususiyatlariga ovoz va ma'lumotlarni yagona tarmoqda uzatish, servis va transport funksiyalarini ajratish, ochiq interfeyslar orqali uchinchi tomon ilovalariga ruxsat berish kiradi. SOA esa ushbu ochiq interfeyslarga asoslangan xizmatlar ekotizimini shakllantirishda muhim vosita hisoblanadi [1]. Tadqiqotlarda NGN va SOA integratsiyasining quyidagi modellari ko‘rib chiqilgan: (1) Monolitik yondashuv — barcha xizmatlar bitta platforma doirasida amalga oshiriladi; (2) Mikroservis arxitekturasi — har bir funksiya mustaqil, kichik servislar orqali taqdim etiladi; (3) Gibrid model — SOA va mikroservislarning kombinatsiyasi. Ushbu modellarning ishlash ko‘rsatkichlari quyidagi jadvalda keltirilgan: 1-jadval NGN arxitektura modellarining taqqoslama tahlili Mezon Monolitik SOA Mikroservislar Gibrid Model Moslashuvchanlik Past O‘rta Yuqori Yuqori Xizmat uzluksizligi O‘rta Yuqori Yuqori Juda yuqori Integratsiya qulayligi Qiyin O‘rta Oson Oson Resurs sarfi Yuqori O‘rta Past O‘rta Kengaytirilishi Cheklangan Yaxshi Juda yaxshi Juda yaxshi Xavfsizlik darajasi O‘rta Yuqori O‘rta Yuqori Sun’iy intellekt asosida resurslarni boshqarish NGN tizimlarida SOA arxitekturasi asosida xizmat ko‘rsatish samaradorligini oshirishda sun'iy intellekt (SI) algoritmlari muhim rol o‘ynaydi. Tadqiqotda quyidagi SI yondashuvlari tahlil qilingan: Birinchi yondashuv — Mashinaviy o‘rganish (Machine Learning) asosida tarmoq trafigini prognozlash. Random Forest, Gradient Boosting va LSTM neyron 572

tarmoqlari yordamida oldingi davr trafik ma'lumotlari asosida kelajakdagi yuklamani ±8% aniqlik bilan bashorat qilish mumkin. Bu resurslarni proaktiv taqsimlashga imkon beradi [10]. Ikkinchi yondashuv — Kuchaytirishli o‘rganish (Reinforcement Learning) asosida xizmat marshrutlash. Q-learning algoritmi NGN tarmoqlarida optimalroq marshrutlash qarorlarini qabul qilishda qo‘llaniladi. Eksperimentlar shuni ko‘rsatdiki, RL-asosidagi marshrutlash an'anaviy yondashuvga nisbatan kechikishni (latency) 25-35 % kamaytiradi [6]. Uchinchi yondashuv — Anomaliyalarni aniqlash (Anomaly Detection). Isolation Forest va Autoencoder modellari yordamida tarmoq nosozliklarini real vaqt rejimida aniqlash tizimi ishlab chiqilgan. Ushbu tizim 97.3 % aniqlik darajasida anomal holatlarni aniqlash imkonini beradi [2]. 2-jadval SI algoritmlarining NGN samaradorligiga ta'siri SI Algoritmi Qo‘llanish sohasi Samaradorlik oshishi Aniqlik darajasi Random Forest Trafik prognozi +32% 91.5% LSTM Neyron tarmoq Yuklamani bashorat +41% 94.2% Q-Learning (RL) Optimalroq marshrutlash +35% 89.7% Isolation Forest Anomaliyalarni aniqlash +28% 97.3% Autoencoder Nosozliklarni aniqlash +45% 96.1% SOA asosida qos parametrlarini optimallashtirish Xizmat sifati (QoS) NGN tizimlarining eng muhim ko‘rsatkichlaridan biridir. SOA arxitekturasi kontekstida QoS ta'minlash quyidagi parametrlarni o‘z ichiga oladi: kechikish (latency), o‘tkazuvchanlik (throughput), paket yo‘qotishi (packet loss), va mavjudlik (availability). Tadqiqotda har bir parametrni optimallashtirish uchun matematik modell ishlab chiqilgan [7]. QoS optimallashtirish modeli quyidagi maqsad funksiyasiga asoslanadi: F(x) = w₁·L(x) + w₂·T(x) + w₃·P(x) + w₄·A(x), bu yerda L — kechikish, T — o‘tkazuvchanlik, P — paket yo‘qotishi, A — mavjudlik, w₁...w₄ — og‘irlik koeffitsiyentlari. Ushbu optimizatsiya masalasini hal etishda genetik algoritm va parcha-parcha chiziqli dasturlash (Piecewise Linear Programming) usullaridan foydalanilgan. Eksperimental tekshiruv natijalari shuni ko‘rsatdiki, SOA asosidagi QoS boshqaruv tizimi an'anaviy usullarga nisbatan kechikishni 31% kamaytirdi, o‘tkazuvchanlikni 47 % oshirdi, paket yo‘qotishini 0.8 %dan 0.2 %gacha tushirdi. Quyidagi jadvalda uch oylik monitoring davridagi o‘rtacha ko‘rsatkichlar keltirilgan: 573

3-jadval QoS ko‘rsatkichlari taqqoslama natijalar (3 oylik monitoring) QoS Parametri An’anaviy tizim SOA+SI tizim Yaxshilanish (%) Kechikish (ms) 145 ms 100 ms –31% O‘tkazuvchanlik (Mbps) 320 Mbps 470 Mbps +47% Paket yo‘qotishi (%) 0.82% 0.21% –74% Mavjudlik (%) 98.2% 99.7% +1.5% Resurs sarfi (CPU %) 78% 54% –31% Xizmat qayta tiklash (s) 42 s 8s –81% Taklif etilgan arxitektura modeli va uning baholash natijalari: Tadqiqot doirasida NGN xizmatlarini SOA asosida taqdim etish uchun ko‘p qatlamli arxitektura modeli taklif etilgan. Bu model quyidagi asosiy komponentlardan tashkil topgan: 1) Xizmat registri va kashfiyoti qatlami (Service Registry & Discovery Layer) — UDDI va Eureka servislaridan foydalanib, barcha mavjud xizmatlarni markazlashgan holda ro‘yxatga olish va topish imkonini beradi. 2) API-shlyuz qatlami (API Gateway Layer) — tashqi so‘rovlarni filtrlab, autentifikatsiya va avtorizatsiya, yuklamani muvozanatlash funksiyalarini bajaradi. 3) Biznes-mantiq qatlami (Business Logic Layer) — mikroservislar orqali asosiy NGN funksiyalarini (qo‘ng‘iroqlarni boshqarish, billing, media oqimi) amalga oshiradi. 4) SI va monitoring qatlami (AI & Monitoring Layer) — tarmoq holatini real vaqt rejimida kuzatib, adaptiv optimallashtirish qarorlarini qabul qiladi. 5) Ma'lumotlar qatlami (Data Layer) — taqsimlangan ma'lumotlar bazasi va kesh tizimi orqali yuqori unumdorlikni ta'minlaydi [9]. Taklif etilgan arxitektura modeli uchun ishlash ko‘rsatkichlari stressli sinovlar orqali baholandi. 10,000 bir vaqtli ulanish sharoitida tizim 99.7 % mavjudlikni saqlagan holda o‘rtacha 100 ms kechikish ko‘rsatkichiga erishdi. Yuklamani dinamik muvozanatlash mexanizmi tufayli server resurslari 54 %da ushlab turildi, bu an'anaviy arxitekturaga nisbatan 24 foiz punktga kam. 4-jadval Stressli sinov natijalari (10,000 parallel ulanish) Sinov metriki 1,000 ulanish 5,000 ulanish 10,000 ulanish Holati Kechikish (ms) 62 ms 84 ms 100 ms ✓ Maqbul CPU sarfi (%) 28% 41% 54% ✓ Maqbul Xotira (GB) 4.2 GB 8.7 GB 14.3 GB ✓ Maqbul Xato ulushi (%) 0.01% 0.08% 0.21% ✓ Maqbul Mavjudlik (%) 99.99% 99.95% 99.71% ✓ Maqbul Xavfsizlik va ishonchlilik tahlili: 574

SOA arxitekturasida xavfsizlik masalasi alohida e'tiborni talab etadi. NGNSOA integratsiyasida quyidagi xavfsizlik muammolari aniqlangan: API endpointlarining noto‘g‘ri himoyalanishi, token boshqaruv zaifliklarisupercar va tarmoqlararo autentifikatsiya muammolari. Taklif etilgan yechim OAuth 2.0 + JWT tokenlar, TLS 1.3 shifrlash, API Rate Limiting va Zero-Trust arxitektura prinsiplarini o‘z ichiga oladi [8]. Penetratsiya sinovlari davomida an'anaviy tizimda 14 ta kritik zaiflik aniqlangan bo‘lsa, taklif etilgan SOA-asosidagi himoya tizimida faqat 2 ta past darajali zaiflik topildi. Bu natija xavfsizlik ko‘rsatkichi bo‘yicha 85.7% yaxshilanishni bildiradi. Bundan tashqari, ikki faktorli autentifikatsiya (2FA) va biometrik identifikatsiya mexanizmlarini qo‘shish tizim xavfsizligini yanada mustahkamladi. Xulosa. Ushbu tadqiqot natijalari shuni ko‘rsatadiki, keyingi avlod tarmoqlari (NGN) xizmatlarini servisga yo‘naltirilgan arxitektura (SOA) asosida taqdim etish tizim samaradorligini sezilarli darajada oshirish imkonini beradi. Tahlil va eksperimental tekshiruvlar asosida quyidagi asosiy xulosalarga kelindi: Birinchidan, SOA va mikroservislar kombinatsiyasiga asoslangan gibrid arxitektura modeli NGN tizimlarida eng yuqori samaradorlikni ta'minladi. Stressli sinovlarda tizim 10,000 parallel ulanish sharoitida ham 99.7 % mavjudlikni va 100 ms dan past kechikishni saqlashga muvaffaq bo‘ldi. Ikkinchidan, sun'iy intellekt algoritmlarini (xususan, LSTM va Reinforcement Learning) tarmoq resurslarini boshqarishga tatbiq etish resurs sarfini 31 % kamaytirdi va xizmat sifatini o‘rtacha 40% yaxshiladi. Anomaliyalarni aniqlash tizimi 97.3 % aniqlik bilan ishladi. Uchinchidan, QoS optimallashtirish modeli kechikishni 145 ms dan 100 ms gacha, paket yo‘qotishini esa 0.82% dan 0.21% gacha tushirdi. Bu ko‘rsatkichlar zamonaviy telekommunikatsiya xizmatlari uchun belgilangan ITU-T standartlariga to‘liq mos keladi [5]. To‘rtinchidan, Zero-Trust arxitektura va OAuth 2.0 asosidagi xavfsizlik tizimi 85.7 % yaxshilanishni ta'minlab, NGN-SOA integratsiyasidagi xavfsizlik zaifliklarini minimallashtirishga yordam berdi. Kelajak tadqiqotlar yo‘nalishida NGN-SOA tizimlarini kvant hisoblash (Quantum Computing) texnologiyalari bilan integratsiya qilish, 6G tarmoqlari talablari asosida arxitekturani qayta ko‘rib chiqish va Edge Computing bilan uyg‘unlashtirish ko‘zda tutilmoqda. Taklif etilgan yondashuv O‘zbekiston telekommunikatsiya sohasi uchun ham dolzarb bo‘lib, milliy NGN infratuzilmasini modernizatsiya qilishda amaliy qo‘llanilishi mumkin. Foydalanilgan adabiyotlar: 1. Papazoglou M.P., van den Heuvel W.J. Service-Oriented Design and Development Methodology // International Journal of Web Engineering and Technology. – 2006. – Vol. 2, No. 4. – P. 412–442. 2. Goyal P., Pandey S., Jain K. Deep Learning for Natural Language Processing: Creating Neural Networks with Python // Apress, New York. – 2018. – 297 p. 3. ITU-T Recommendation Y.2001. General Overview of NGN // International Telecommunication Union. – Geneva, 2004. – 18 p. 575

4. Newman S. Building Microservices: Designing Fine-Grained Systems // O‘Reilly Media, Sebastopol. – 2015. – 280 p. 5. Mnih V., Kavukcuoglu K., Silver D. et al. Human-Level Control Through Deep Reinforcement Learning // Nature. – 2015. – Vol. 518, No. 7540. – P. 529–533. 6. Fielding R.T. Architectural Styles and the Design of Network-Based Software Architectures: PhD Dissertation // University of California, Irvine. – 2000. – 162 p. 7. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, No. 8. – P. 1735–1780. 8. Fowler M., Lewis J. Microservices: A Definition of This New Architectural Term // Martin Fowler's Blog. – 2014. – URL: https://martinfowler.com/articles/microservices.html 9. Liu F., Tong J., Mao J. et al. NIST Cloud Computing Reference Architecture // NIST Special Publication 500-292. – National Institute of Standards and Technology. – 2011. – 35 p. 10. Erl T. SOA Principles of Service Design // Prentice Hall PTR, Upper Saddle River. – 2007. – 608 p. INSON YUZINI ANIQLASH VA HAQIQIYLIGINI TEKSHIRISHDA SUN’IY INTELLEKT MODELLARINI BIRGALIKDA QOʻLLASH SAMARADORLIGI Abdulxayev N.M., “Sarbon” universiteti “Muhandislik va raqamli texnologiylari” kafedrasi dotsenti, t.f.f.d (PhD) Annotatsiya. Ushbu ilmiy maqola inson yuzini aniqlash (Face Recognition) va yuz haqiqiyligini tekshirish (Face Liveness Detection) sohasida sun’iy intellekt modellarini birgalikda (ensemble) qoʻllash samaradorligini oʻrganishga bag‘ishlangan. Maqolada chuqur oʻrganish (Deep Learning) asosidagi ArcFace, FaceNet, DeepFace arxitekturalari, shuningdek, liveness detection uchun moʻljallangan 3D faol va passiv tekshiruv usullari tahlil qilinadi. Eksperimental natijalar shuni koʻrsatadiki, bir nechta modelni birgalikda qoʻllash - yagona modelga nisbatan False Acceptance Rate (FAR) koʻrsatkichini 0,003% gacha kamaytiradi va umumiy aniqlik darajasini 99,7% ga yetkazadi. Tadqiqot natijalari bank, chegara nazorati, raqamli identifikatsiya tizimlarida qoʻllanilishi mumkin. Kalit soʻzlar: Yuzni aniqlash; liveness detection; sun’iy intellekt; chuqur oʻrganish; neyron tarmoq; ArcFace; FaceNet; biometrik autentifikatsiya; ensemble modeli; spoofing hujumlari; 3D-depth sensing; aktiv va passiv tekshiruv; False Acceptance Rate; Face AntiSpoofing; DeepFake aniqlash. Аннотация. Данная научная статья посвящена исследованию эффективности совместного применения (ensemble) моделей искусственного интеллекта в области распознавания лиц (Face Recognition) и проверки подлинности лица (Face Liveness Detection). В статье анализируются архитектуры ArcFace, FaceNet и DeepFace, основанные на методах глубокого обучения (Deep Learning), а также методы активной и пассивной 3D-проверки, предназначенные для обнаружения признаков «живости» лица. Экспериментальные результаты показывают, что совместное использование нескольких моделей по сравнению с использованием одной модели позволяет снизить показатель False Acceptance Rate (FAR) до 0,003% и повысить общую точность системы до 99,7%. Полученные результаты могут быть применены в банковской сфере, системах пограничного контроля и цифровых системах идентификации. Ключевые слова: распознавание лиц; проверка «живости» лица (liveness detection); искусственный интеллект; глубокое обучение; нейронные сети; ArcFace; FaceNet; биометрическая аутентификация; ансамблевая модель; атаки спуфинга; 3D-depth sensing; активная и пассивная проверка; False Acceptance Rate; Face Anti-Spoofing; обнаружение DeepFake. 576

Abstract. This scientific article investigates the effectiveness of applying ensemble artificial intelligence models in the fields of face recognition and face liveness detection. The study analyzes deep learning–based architectures such as ArcFace, FaceNet, and DeepFace, as well as active and passive 3D verification methods designed for liveness detection. Experimental results demonstrate that the combined use of multiple models, compared to a single model, reduces the False Acceptance Rate (FAR) to 0.003% and increases the overall system accuracy to 99.7%. The research findings can be applied in banking systems, border control, and digital identification platforms. Keywords: face recognition; liveness detection; artificial intelligence; deep learning; neural networks; ArcFace; FaceNet; biometric authentication; ensemble model; spoofing attacks; 3D-depth sensing; active and passive verification; False Acceptance Rate; Face Anti- Spoofing; DeepFake detection. Kirish. Zamonaviy axborot xavfsizligi va shaxsni identifikatsiya qilish tizimlari uchun biometrik autentifikatsiya muhim ahamiyat kasb etmoqda. Ayniqsa, inson yuzini avtomatik ravishda aniqlash va uning haqiqiyligini tekshirish texnologiyalari moliyaviy tizimlar, davlat chegaralari nazorati, mobil qurilmalar, shuningdek, tibbiyot va huquqni muhofaza qilish sohalarida keng qoʻllanilmoqda. Biroq, yuzni aniqlash tizimlarining keng joriy etilishi bir qator texnik va xavfsizlik muammolarini yuzaga keltirmoqda. Birinchidan, spoofing hujumlari — fotosuratlar, videolar va 3D-niqoblar orqali tizimni chalg‘itish urinishlari tobora murakkablashib bormoqda. Ikkinchidan, turli yoritish sharoitlari, yuz burchaklari va yosh oʻzgarishlari algoritmlarning aniqligiga salbiy ta’sir koʻrsatmoqda. Uchinchidan, DeepFake texnologiyalarining rivojlanishi soxta yuzlarni haqiqiy koʻrsatish imkoniyatini yanada oshirmoqda. Mavjud tadqiqotlar shuni koʻrsatadiki, yagona model asosida qurilgan yuzni aniqlash tizimlari koʻpincha yuqori darajadagi xatoliklarga duchor boʻladi. Bu muammoni hal qilish uchun olimlar va muhandislar bir nechta sun’iy intellekt modellarini birgalikda qoʻllash — ya’ni ensemble usulidan foydalanishni taklif qilmoqdalar. Ushbu yondashuv nafaqat aniqlikni oshiradi, balki tizimning mustahkamligini (robustness) va xavfsizligini ham sezilarli darajada yaxshilaydi [2]. Maqolaning asosiy maqsadi — yuzni aniqlash va liveness detection vazifalari uchun zamonaviy sun’iy intellekt modellarini birgalikda qoʻllashning samaradorligini ilmiy jihatdan asoslash va eksperimental natijalar asosida tahlil qilishdan iborat. Tadqiqotda ArcFace, FaceNet, MobileNetV2 asosidagi liveness detection modeli va DeepFake aniqlash moduli integratsiya qilingan gibrid tizim taklif etiladi [1]. Asosiy qism. Yuzni aniqlashda qoʻllaniladigan asosiy yondashuvlar Yuzni aniqlash boʻyicha tadqiqotlar tarixan bir necha bosqichdan ibordir. Dastlabki Eigenfaces va Fisherfaces usullari oʻz davrida yetarli aniqlik koʻrsatgan boʻlsa, hozirgi kunda chuqur neyron tarmoqlar (Deep Neural Networks) bu sohada inqilob yasadi. Zamonaviy yuzni aniqlash tizimlari odatda quyidagi bosqichlarni oʻz ichiga oladi: yuzni aniqlash (face detection), yuzni tekislash va 577

normallashtirish (alignment), xususiyatlarni ajratish (feature extraction) va oʻxshashlikni hisoblash (similarity matching). ArcFace (Additive Angular Margin Loss) arxitekturasi hozirgi kunda eng yuqori aniqlikni koʻrsatuvchi modellardan biri hisoblanadi. U LFW (Labeled Faces in the Wild) toʻplamida 99,83% aniqlikka erishadi. FaceNet esa triplet loss funksiyasidan foydalanib, yuzlarni 128 oʻlchamli vektorda ifodalaydi va millisoniyalar ichida taqqoslash imkonini beradi. DeepFace — Facebook tomonidan ishlab chiqilgan model boʻlib, inson darajasidagi aniqlikka (97,35%) erishgan [10]. Ensemble yondashuvi bu modellarning har birini alohida ishlatish oʻrniga, ularning natijalarini birlashtiradi. Bu jarayon weighted voting, stacking yoki bayesian fusion usullari orqali amalga oshirilishi mumkin. Har bir modelning kuchli tomonlaridan foydalanish orqali umumiy tizim aniqligini sezilarli darajada oshirish mumkin [4]. Yuz haqiqiyligini tekshirish (Liveness Detection) — bu aniqlash tizimlariga taqdim etilayotgan yuz tasvirining haqiqiy jonli insondan kelayotganligini aniqlash jarayonidir [5]. Spoofing hujumlarining asosiy turlari quyidagilardan iborat: 1. Fotosuratdan hujum (Print Attack) — bosma suratni kamera oldiga tutish 2. Video hujum (Replay Attack) — ekrandagi video orqali aldash 3. 3D niqob hujumi (3D Mask Attack) — silikon yoki chop etilgan 3D niqobdan foydalanish 4. DeepFake hujumi — sun’iy intellekt yordamida yaratilgan soxta yuz tasviri Liveness detection usullari ikki asosiy toifaga boʻlinadi: aktiv (foydalanuvchidan harakat talab qiluvchi — koʻz qisish, bosh harakati) va passiv (foydalanuvchi harakatisiz bajariladigan — chuqurlik tahlili, toʻqima tahlili). Zamonaviy tizimlar asosan passiv usuldan foydalanadi, chunki u foydalanuvchi uchun qulay va tezroq ishlaydi [7]. Chuqurlik ma'lumotlari (Depth Map) asosidagi liveness detection RGB-D kameralar yoki structured light texnologiyasidan foydalanadi. Toʻqima tahlili (Texture Analysis) esa LBP (Local Binary Patterns) va chuqur oʻrganish asosida haqiqiy teri toʻqimasini soxta materiallardan farqlaydi [6]. Taklif etilayotgan ensemble tizimining arxitekturasi Ushbu tadqiqotda taklif etilgan ensemble tizimi toʻrt asosiy moduldan iborat: 1. Yuz aniqlash moduli: RetinaFace algoritmi asosida real vaqtda yuz aniqlash, belgilash va normallashtirish. 2. Liveness Detection moduli: MobileNetV2 + 3D chuqurlik sensori kombinatsiyasi asosida passiv liveness tekshiruvi. 3. Yuz identifikatsiya moduli: ArcFace + FaceNet birgalikda ishlaydi va weighted fusion orqali yagona ball hosil qiladi. 4. DeepFake aniqlash moduli: EfficientNet-B4 asosida soxta yuz tasvirlarini aniqlash. 578