Sun’iy Intellekt va Raqamli Iqtisodiyot

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. 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 879

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 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 880

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‘llabquvvatlaydi 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 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], (38-50). 881

SUNIY INTELLEKT TEXNOLOGIYALARINI INKLYUZIV TA'LIM TIZIMIDA QO‘LLASHNING SAMARADORLIGI TAHLILI Turgunov Bekzod Abdivositovich, katta o‘qituvchi, bekzodmirzoturgunov@gmail.com Annotatsiya. Ushbu maqolada suniy intellekt (SI) texnologiyalarining inklyuziv ta'lim tizimidagi o‘rni va samaradorligi ilmiy jihatdan tahlil etiladi. Tadqiqot doirasida adaptiv o‘qitish tizimlari, nutqni tanish texnologiyalari va tabiiy tilni qayta ishlash usullarining maxsus ta'lim ehtiyojli o‘quvchilarga ta'siri o‘rganilgan. Maqolada zamonaviy empirik tadqiqotlar natijalariga asoslanib, SI vositalarining nogiron bolalar ta'limini individuallashtirish va sifatini oshirishga qo‘shgan hissasi baholanadi. Kalit so‘zlar: suniy intellekt, inklyuziv ta'lim, adaptiv o‘qitish, maxsus ta'lim ehtiyojlari, raqamli texnologiyalar, individual yondashuv. Аннотация. В данной статье проводится научный анализ роли и эффективности технологий искусственного интеллекта (ИИ) в системе инклюзивного образования. В рамках исследования изучено влияние адаптивных систем обучения, технологий распознавания речи и методов обработки естественного языка на учащихся с особыми образовательными потребностями. На основании современных эмпирических исследований оценивается вклад ИИ-инструментов в индивидуализацию обучения детей с инвалидностью и повышение качества образовательного процесса. Ключевые слова: искусственный интеллект, инклюзивное образование, адаптивное обучение, особые образовательные потребности, цифровые технологии, индивидуальный подход. Abstract. This article presents a scientific analysis of the role and effectiveness of artificial intelligence (AI) technologies in inclusive education. The study investigates the impact of adaptive learning systems, speech recognition technologies, and natural language processing methods on students with special educational needs. Based on contemporary empirical research, the contribution of AI tools to the individualization of education for children with disabilities and the enhancement of learning quality is assessed. Keywords: artificial intelligence, inclusive education, adaptive learning, special educational needs, digital technologies, individualized approach. Kirish. Zamonaviy ta'lim tizimida inklyuzivlik tamoyili keng e'tirofga sazovor bo‘lib, har bir o‘quvchining individual qobiliyatlari va ehtiyojlarini hisobga olgan holda sifatli ta'lim olish huquqini kafolatlashga qaratilgan. Biroq, inklyuziv ta'limni amaliyotda to‘liq joriy etishda o‘qituvchilar bir nechta jiddiy muammolarga duch kelishadi: o‘quvchilar o‘rtasidagi yuqori darajadagi farqlanish, moslashtirilgan o‘quv materiallarining yetishmasligi va maxsus kadrlar tanqisligi. Suniy intellekt texnologiyalari ta'lim sohasida yangi imkoniyatlar yaratmoqda. Xususan, ma'lumotlarni tahlil qilish, tilni qayta ishlash va kompyuter ko‘rishi kabi SI sohalari inklyuziv ta'lim amaliyotini sifat jihatidan o‘zgartirishga qodir. UNESCO (2023) ma'lumotlariga ko‘ra, dunyo bo‘ylab 240 million nogiron bola ta'lim olish imkoniyatidan mahrum bo‘lib qolmoqda, bu esa texnologik yechimlarni izlashni yanada dolzarb qilib qo‘ymoqda. Ushbu maqolaning maqsadi — SI texnologiyalarining inklyuziv ta'lim tizimidagi samaradorligini empirik dalillar asosida tahlil qilish va amaliy tavsiyalar ishlab chiqishdan iborat. Tadqiqotda sifat va miqdor usullari kombinatsiyasidan foydalanilgan bo‘lib, natijalar statistik ishlov berishdan o‘tkazilgan. 882

Asosiy qism. Inklyuziv ta'limda texnologiyalardan foydalanish borasida so‘nggi yillarda ko‘plab fundamental tadqiqotlar o‘tkazildi. Rose va Meyer (2002) tomonidan ishlab chiqilgan "Universal dizayn o‘qitish uchun" (UDL) kontseptsiyasi SI texnologiyalari bilan bog‘lanib, yangi amaliy qirra kasb etmoqda. UDL tamoyili o‘quvchilarni turli yo‘llar orqali material bilan tanishtirishni va bilimlarini namoyon etish uchun ko‘p usullar taqdim etishni talab qiladi. Adaptiv o‘qitish tizimlari (Intelligent Tutoring Systems — ITS) sohasida VanLehn (2011) o‘tkazgan meta-tahlil shuni ko‘rsatdiki, ITS tizimlari an'anaviy sinfxona ta'limiga nisbatan o‘quvchining bilim o‘zlashtirishini o‘rtacha 0.76 standart og‘ish darajasida oshiradi. Bu ko‘rsatkich maxsus ta'lim ehtiyojli o‘quvchilarda 1.02 standart og‘ishga yetadi, ya'ni ta'sir kuchi yanada yuqori bo‘ladi. Nutqni tanish texnologiyalari bo‘yicha Ziegler va boshqalar (2020) tomonidan o‘tkazilgan tadqiqotda disleksiyaga chalingan 284 nafar o‘quvchi ishtirok etdi. Natijalar shuni ko‘rsatdiki, SI asosidagi nutqni matnga aylantirish vositalari yordamida o‘quvchilarning o‘qish tezligi 34%, o‘qish tushunish darajasi esa 28% ga oshdi. Autizm spektri buzilishi bo‘lgan bolalar bilan o‘tkazilgan tadqiqotlarda esa chatbot va NLP vositalarining kommunikativ ko‘nikmalarni rivojlantirishdagi samarali ta'siri aniqlandi. 1-jadval SI texnologiyalarining inklyuziv ta'limdagi qo‘llanish yo‘nalishlari va samaradorligi SI texnologiyasi Maqsadli guruh Samaradorlik ko‘rsatkichi Adaptiv o‘qitish (ITS) Umumiy maxsus ehtiyojlar +0.76 standart og‘ish Nutqni tanish texnologiyasi Disleksiya, nutq nuqsonlari O‘qish tezligi +34% Kompyuter ko‘rishi (CV) Ko‘rish qobiliyati cheklangan Matn o‘qish +89% NLP va chatbotlar Autizm spektri buzilishi Kommunikatsiya +41% Hissiyot tahlili (AI) Hissiy-irodaviy buzilishlar Faollik ko‘rsatkichi +27% Tadqiqot metodologiyasi va natijalar. Tadqiqotimiz 2021–2024-yillar davomida Toshkent shahrining 12 ta umumta'lim maktabida amalga oshirildi. Tajribada 6–15 yoshli 486 nafar maxsus ta'lim ehtiyojli o‘quvchi ishtirok etdi. Ular quyidagi guruhlarni tashkil etdi: nutq nuqsonlari (n=142), o‘qish qiyinchiliklari/disleksiya (n=134), autizm spektri buzilishi (n=98), ko‘rish va eshitish qobiliyati cheklangan (n=112). Tadqiqot guruhining yarmi (n=243) an'anaviy inklyuziv ta'lim metodlaridan foydalangan holda o‘qitildi, qolgan yarmi (n=243) esa SI asosidagi adaptiv platformalar, nutqni tanish ilovalari va individual ta'lim rejalarini avtomatik tuzuvchi tizimlardan foydalangan. O‘quv yili davomida to‘plangan ma'lumotlar statistik usullar (Mann-Whitney U-testi, Cohen d koeffitsienti) yordamida qayta ishlandi. 883

Tadqiqot natijalari shuni ko‘rsatdiki, SI texnologiyalaridan foydalangan guruhda o‘quvchilarning o‘zlashtiruv darajasi o‘rtacha 31.4 %ga oshdi (p<0.001, Cohen d=0.84). Eng yuqori ijobiy natija autizm spektri buzilishi bo‘lgan o‘quvchilarda kuzatildi: ushbu guruhda o‘quv faoliyatiga qiziqish 47 %ga, kommunikativ ko‘nikmalar esa 41 %ga oshdi. O‘qituvchilarning ish yuklamasi indikatori 23 %ga kamaydi, bu esa o‘z navbatida pedagog samaradorligini oshirdi. SI tizimlari o‘quvchilarning individual rivojlanish sur'atini real vaqt rejimida kuzatib, o‘qitish strategiyasini avtomatik ravishda moslashtirdi. Bu jarayon o‘qituvchiga har bir o‘quvchi uchun alohida material tayyorlash zaruratini sezilarli darajada kamaytirdi va pedagoglarning asosiy ijodiy faoliyatiga ko‘proq vaqt ajratish imkonini berdi. Xulosa. O‘tkazilgan tadqiqot natijalari SI texnologiyalarining inklyuziv ta'lim tizimida yuqori samaradorlikka ega ekanini tasdiqladi. Ushbu yutuqlarga erishilishiga asosiy omil sifatida adaptivlik — tizimning har bir o‘quvchining individual xususiyatlariga moslashuvchanligini ko‘rsatish mumkin. Bundan tashqari, SI vositalari o‘qituvchi-o‘quvchi munosabatlarini boyitdi, zerikarli takroriy vazifalarni avtomatlashtirib, pedagoglarni ijodiy ish bilan shug‘ullanishga yo‘naltirdi. Amaliy tavsiyalar sifatida quyidagilarni belgilash maqsadga muvofiq: maktablarda SI asosidagi adaptiv platformalarni bosqichma-bosqich joriy etish; o‘qituvchilarni SI vositalaridan foydalanishga tayyorlash bo‘yicha malaka oshirish kurslarini tashkil etish; maxsus ehtiyojli o‘quvchilar uchun mo‘ljallangan mahalliy SI ilovalari ishlab chiqishga davlat miqyosida ko‘mak ko‘rsatish; SI tizimlarining ma'lumotlar maxfiyligini ta'minlash bo‘yicha normativ-huquqiy bazani takomillashtirish. Kelajak tadqiqotlarda SI texnologiyalarining uzoq muddatli ta'siri, ularning mahalliy madaniy kontekstga moslashuvi va turli yoshdagi o‘quvchilarga ta'sirining qiyosiy tahlili yanada chuqur o‘rganilishi zarur. Bu sohada xalqaro hamkorlikni kuchaytirish ham muhim ahamiyat kasb etadi. Foydalanilgan adabiyotlar: 1. UNESCO. (2023). Global Education Monitoring Report: Technology in Education. Paris: UNESCO Publishing. 2. Rose, D. H., & Meyer, A. (2002). Teaching Every Student in the Digital Age: Universal Design for Learning. Alexandria: ASCD. 3. VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221. 4. Ziegler, J. C., et al. (2020). Speech-to-Text Technology and Dyslexia: A Meta-Analytic Review. Journal of Learning Disabilities, 53(3), 209–224. 5. O‘zbekiston Respublikasi. (2020). Inklyuziv ta'lim to‘g‘risidagi Nizom. Toshkent: Qonunchilik palatasi. 6. Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), 22. 7. Kucirkova, N., & Falloon, G. (2016). Apps, Technology and Younger Learners. London: Routledge. 884

YOLO VA CNN MODELLARIDAN FOYDALANGAN HOLDA KO‘ZI OJIZ INSONLAR UCHUN XAVFLI OBYEKTLARNI ANIQLASH Muxiddinov Muhriddin Nuriddin o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi dotsenti, mmuhriddinm@gmail.com Qurbonov Javohir Sharofiddin o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi magistranti, javohirqurbonov0109@gmail.com Annotatsiya. Ko‘zi ojiz insonlar kundalik muhitda harakatlanishda kutilmagan to‘siqlar va xavfli obyektlar sababli sezilarli qiyinchiliklarga duch kelmoqda. So‘nggi yillarda sun’iy intellekt sohasidagi tezkor rivojlanish, xususan, kompyuter ko‘rishi (Computer Vision) va chuqur o‘rganish texnologiyalari (Deep Learning) ushbu muammolarni hal qilish va mustaqil harakatlanishni qo‘llab-quvvatlash imkoniyatlarini yaratib bermoqda. Ushbu tadqiqot CNN (Convolutional Neural Networks) va YOLO (You Only Look Once) obyekt aniqlash modelidan foydalangan holda ko‘zi ojiz insonlar uchun xavfli obyektlarni aniqlovchi sun’iy intellekt asosidagi tizimni taklif etadi. Tizim real vaqt rejimida kamera orqali olingan vizual ma’lumotlar bilan ishlaydi va piyodalar, transport vositalari, zinapoyalar, devorlar va yo‘l infratuzilmasi elementlarini ishonchli aniqlash va tasniflash imkonini beradi. Taklif etilgan metodologiya ma’lumotlarni yig‘ish, qayta ishlash, modelni o‘qitish va aniqlikni baholash jarayonlarini o‘z ichiga oladi va baholash mezonlari sifatida precision, recall va mean average precision (mAP) ishlatiladi. Tajriba natijalari YOLO modelining yuqori aniqlik va past kechikish bilan ishlashini ko‘rsatdi, bu esa tizimni real vaqt rejimidagi yordamchi ilovalar uchun yaxshi imkoniyat yaratadi. Tadqiqot - tizimning amaliy qo‘llanilish imkoniyatlarini ko‘rsatadi, uning afzalliklari va cheklovlarini muhokama qiladi va kelajakdagi rivojlantirish yo‘nalishlarini belgilaydi. Natijalar shuni ko‘rsatadiki, chuqur o‘rganishga asoslangan obyekt aniqlash texnologiyasini yordamchi tizimlarga integratsiya qilish ko‘zi ojiz insonlar uchun xavfsiz va mustaqil harakatlanishiga sezilarli darajada hissa qo‘shadi Kalit so‘zlar: Ko‘zi ojizlar uchun yordamchi tizimlar, xavfli obyektlarni aniqlash, kompyuter ko‘rish, chuqur o‘rganish, CNN, YOLO, real vaqt tizimlari. Abstract. Visually impaired individuals face significant challenges in navigating everyday environments due to unexpected obstacles and hazardous objects. In recent years, rapid advancements in artificial intelligence, particularly in computer vision and deep learning technologies, have created new opportunities to address these challenges and support independent mobility. This study proposes an artificial intelligence–based system for detecting hazardous objects for visually impaired people using Convolutional Neural Networks (CNNs) and the YOLO (You Only Look Once) object detection model. The system operates in real time by processing visual data captured through a camera and enables reliable detection and classification of pedestrians, vehicles, staircases, walls, and road infrastructure elements. The proposed methodology includes data collection, preprocessing, model training, and accuracy evaluation, with precision, recall, and mean average precision (mAP) used as evaluation metrics. Experimental results demonstrate that the YOLO model achieves high detection accuracy with low latency, making it well suited for real-time assistive applications. The study highlights the practical applicability of the proposed system, discusses its advantages and limitations, and outlines directions for future development. The results indicate that integrating deep learning–based object detection technologies into assistive systems significantly contributes to safer and more independent mobility for visually impaired individuals. Keywords: Assistive systems for visually impaired people, hazardous object detection, computer vision, deep learning, CNN, YOLO, real-time systems. Аннотация. Люди с нарушениями зрения сталкиваются с существенными трудностями при передвижении в повседневной среде из-за неожиданных препятствий и опасных объектов. В последние годы стремительное развитие искусственного интеллекта, в частности технологий компьютерного зрения и глубокого обучения, 885

открыло новые возможности для решения данных проблем и поддержки самостоятельного передвижения. В данном исследовании предлагается система на основе искусственного интеллекта для обнаружения опасных объектов для людей с нарушениями зрения с использованием сверточных нейронных сетей (CNN) и модели обнаружения объектов YOLO (You Only Look Once). Система функционирует в режиме реального времени, обрабатывая визуальные данные, полученные с камеры, и обеспечивает надежное обнаружение и классификацию пешеходов, транспортных средств, лестниц, стен и элементов дорожной инфраструктуры. Предложенная методология включает этапы сбора данных, предварительной обработки, обучения модели и оценки точности, при этом в качестве метрик оценки используются precision, recall и средняя точность (mean average precision, mAP). Результаты экспериментов показывают, что модель YOLO обеспечивает высокую точность обнаружения при низкой задержке, что делает систему перспективной для применения в вспомогательных приложениях реального времени. В исследовании рассматриваются практические возможности применения системы, анализируются ее преимущества и ограничения, а также определяются направления дальнейшего развития. Полученные результаты свидетельствуют о том, что интеграция технологий обнаружения объектов на основе глубокого обучения во вспомогательные системы в значительной степени способствует обеспечению более безопасного и самостоятельного передвижения людей с нарушениями зрения. Ключевые слова: вспомогательные системы для людей с нарушениями зрения, обнаружение опасных объектов, компьютерное зрение, глубокое обучение, CNN, YOLO, системы реального времени. Kirish. Ko‘zi ojizlik dunyo bo‘yicha ko‘p sonli insonlarni qamrab olgan va ularning xavfsiz va mustaqil harakatlanish imkoniyatini sezilarli darajada cheklaydi [6]. Ichki yoki tashqi muhitda harakatlanish ko‘plab xavf-xatarlarni o‘z ichiga oladi. Masalan: transport vositalari, zinapoyalar, ustunlar, notekis yo‘llar va harakatlanayotgan piyodalar [6,7] va shu kabi obyektlar. Ko‘zi ojiz insonlar uchun bu to‘siqlar natijasida jarohat olishi yoki xavf tug‘dirishi mumkin va ularning harakatlanishiga ishonchni kamaytiradi. Odatdagi yordamchi vositalar, jumladan, oq tayoqlar va yo‘l ko‘rsatadigan itlar cheklangan miqdordagi imkoniyat beradi va buning natijasida duch kelishi mumkin bo‘lgan xavflarni aniqlay olmaydilar [6]. Sun’iy intellektning rivojlanishi yordamchi texnologiyalarni yaratishda yangi imkoniyatlarni ochib bermoqda. Ayniqsa, kompyuter ko‘rish va chuqur o‘rganish algoritmlari vizual sahnalarni aniqlik bilan tushunishga imkon beradi [1]. Obyektni aniqlash va sahna tahlili algoritmlari mashinalarga atrof-muhitni inson ko‘rish qobiliyatiga yaqin tarzda talqin qilish imkonini beradi [2,4]. CNN modellar tasvirlardan muhim xususiyatlarni ajratishda yuqori samaradorlikni taqdim etadi, YOLO esa real vaqt obyekt aniqlash jarayonida tez va aniq natija beradi [3]. Ushbu tadqiqot ko‘zi ojiz insonlar uchun xavf va to‘siqlarni aniqlash masalasiga qaratilgan. Tadqiqotning asosiy maqsadi real vaqt rejimida potentsial to‘siqlarni aniqlash va foydalanuvchilarga tezkor signal berish imkoniyatini yaratadigan tizimni ishlab chiqish va baholashdir [2,7]. Xavfsizlikni va amaliy qo‘llashni birinchi o‘ringa qo‘ygan holda, ushbu tadqiqot SI asosidagi ishonchli yordamchi tizimlarni rivojlantirishga hissa qo‘shadi degan umiddaman. Olib borilgan tadqiqotlar. So‘nggi o‘n yilliklarda ko‘zi ojizlar uchun yordamchi texnologiyalar oddiy mexanik yordamchilardan ilg‘or elektron 886

tizimlargacha rivojlandi. Dastlabki tadqiqotlar asosan ultratovush sensorlari va infraqizil qurilmalarga tayangan. Bu tizimlar masofani o‘lchashda samarali bo‘lsada, obyektlarni tasniflash yoki murakkab sahnalarni tushunish imkoniga ega emas edi va shu sababli dinamik muhitlarda samaradorligi cheklangan edi [7]. Kamera asosidagi yechimlarning paydo bo‘lishi navigatsiya tizimlarini rivojlantirishda muhim burilish nuqtasi bo‘ldi. Dastlab, tasvirni qayta ishlash usullari - chekka aniqlash (edge detection) va xususiyatlarga asoslangan aniqlash (feature-based recognition) - obyektlarni aniqlashda ishlatilgan . Biroq, bu an’anaviy yondashuvlar yoritish sharoitlariga va atrof-muhit o‘zgarishlariga sezgir bo‘lib, real sharoitda barqarorlikni cheklagan [8]. Chuqur o‘rganish texnologiyalarining joriy etilishi vizual idrok vazifalarida muhim burilish nuqtasini yaratdi. CNN modellar tasvirlardan avtomatik xususiyatlarni o‘rganish imkoniyatini berdi va obyektlarni aniqlash va tasniflash aniqligini sezilarli darajada oshirdi [1,5]. Bir nechta tadqiqotlar CNN modellaridan foydalangan holda piyodalar, transport vositalari va ichki muhit to‘siqlarini aniqlash orqali ko‘zi ojiz foydalanuvchilar uchun tizimlar yaratgan [6,7]. Shu bilan birga, ko‘plab yondashuvlar hisoblash talablarining yuqoriligi sababli real vaqt rejimida mobil yoki ichki qurilmalarda ishlashga mos emas edi [9]. So‘nggi tadqiqotlar real vaqt obyekt aniqlash tizimlariga, xususan, YOLO va SSD kabi bir bosqichli detektorlarga e’tibor qaratmoqda. YOLO modellar tezlik va aniqlikni uyg‘unlashtirib, real vaqtda ishlash imkoniyatini beradi. Ko‘plab tadqiqotlar YOLO asosidagi tizimlar yordamchi navigatsiya vazifalarida muvaffaqiyatli qo‘llashni ko‘rsatdi [3,7]. Shunga qaramay, turli atrof-muhit sharoitlarida ishonchli ishlash va foydalanuvchi qulayligini ta’minlash kabi muammolar haligacha dolzarb bo‘lib qolmoqda [7,8]. Ushbu tadqiqot CNN va YOLO modellarini birlashtirib, amaliy va samarali real vaqtli tizim yaratadi. Tadqiqot usullari va modellari. Taklif etilgan tizim chuqur o‘rganish metodlariga asoslangan bo‘lib, vizual ma’lumotlarni tahlil qilish va xavfli obyektlarni aniqlash imkonini beradi. Chuqur neyron tarmoqlari xom tasvirlardan xususiyatlarni o‘rganishi bilan vizual vazifalarda yuqori samaradorlik ko‘rsatadi [4,5]. Ushbu tadqiqotda CNN asosiy xususiyatlarni ajratish tarmog‘i sifatida ishlatiladi, YOLO esa real vaqt rejimida obyektlarni aniqlash uchun qo‘llaniladi. Kompyuter ko‘rishi mashinalarga kamera orqali olingan tasvirlarni talqin qilish imkonini beradi [5]. Obyekt aniqlash jarayoni obyektlarni identifikatsiya qilish va ularning joylashuvini belgilashni o‘z ichiga oladi [2,3]. An’anaviy usullardan farqli o‘laroq, chuqur o‘rganishga asoslangan detektorlar xususiyatlarni to‘g‘ridan-to‘g‘ri ma’lumotdan o‘rganadi, bu esa ularni yoritish, o‘lcham va fon o‘zgarishlariga chidamli qiladi [1,4]. YOLO modeli obyekt aniqlashni yagona regressiya masalasi sifatida ko‘rib, chegaraviy qutilar va klass ehtimollarini bir vaqtda aniqlaydi. Ushbu yondashuv hisoblash vaqtini sezilarli qisqartiradi va real vaqt ishlashga imkon beradi, bu esa yordamchi tizimlar uchun muhimdir [3,7]. CNN qatlamlari konvolyutsiya, pooling va to‘liq ulanish qatlamlaridan iborat bo‘lib, tasvirlardan ma’noli xususiyatlarni ajratadi [4]. Taklif etilgan tizimda 887

CNN asosiy tarmoq sifatida ishlaydi, YOLO esa ushbu xususiyatlardan foydalanib, obyektlarni bir vaqtning o‘zida aniqlash va tasniflashni amalga oshiradi [3]. Tizim arxitekturasi va amalga oshirish. Tadqiqotda ishlatilgan ma’lumotlar to‘plami ko‘zi ojizlar duch keladigan odatiy xavfli obyektlarni o‘z ichiga olgan tasvirlar va video kadrlar bilan tashkil etilgan. Bu obyektlar orasida piyodalar, transport vositalari, zinapoyalar, ustunlar, devorlar va boshqa to‘siqlar mavjud. Ma’lumotlar ochiq manbalardan olingan va turli sharoitlarni qamrab olish uchun qo‘shimcha tasvirlar yig‘ilgan [6,7]. Ma’lumotlar oldindan qayta ishlash uchun o‘lchamini o‘zgartirish, normallashtirish va kengaytirish (augmentation) usullari qo‘llanildi, jumladan, aylantirish va yorqinlik o‘zgartirish bosqichlaridan ham o‘tkazildi. YOLO modeli annotatsiyalangan bounding box va klass label bilan nazoratchi o‘rganish yordamida o‘qitildi [2,3,7]. Natijalar precision, recall, F1-score va mean average precision (mAP) mezonlari asosida baholandi. O‘qitilgan model real vaqt deteksiya pipeline’iga integratsiya qilindi. Tizim kamera oqimidan kelayotgan video kadrlarni qayta ishlaydi, aniqlangan xavfli obyektlarni bounding box bilan ko‘rsatadi va ularning turini tasniflaydi. Foydalanuvchilar uchun tizim darhol ogohlantirish berishi mumkin bo‘lib, bu audio signallar orqali amalga oshiriladi [6,7]. Natijalar. Tajriba natijalari YOLO asosidagi tizimning bir nechta obyekt turlarida yuqori aniqlikni ko‘rsatdi. Model real vaqt rejimida ishlashni barqaror saqlaydi va past kechikish bilan video kadrlarni qayta ishlaydi, bu xavfsiz navigatsiya uchun muhimdir. Yuqori mAP qiymatlari murakkab muhitlarda ham aniqlikni ishonchli ekanligini ko‘rsatdi. Tizimning asosiy afzalligi bir vaqtning o‘zida bir nechta xavfli obyektlarni aniqlash imkoniyatini berishidir. Shuningdek, tizim turli muhitlarga moslashuvchan. Biroq, ba’zi cheklovlar mavjud: ekstremal yoritish sharoitida aniqlik pasayadi va tasvirning yomonligi tizimni ishlashiga ta’sir qiladi. Ushbu cheklovlar sensorlarni birlashtirish va adaptiv o‘rganish strategiyalari yordamida bartaraf etilishi mumkin. Xulosa. Ushbu tadqiqot CNN va YOLO modellariga asoslangan ko‘zi ojizlar uchun xavfli obyektlarni aniqlash tizimini taqdim etadi.Natijalar tizimning real vaqt yordamchi ilovalarda qo‘llashga mosligini ko‘rsatdi va ko‘zi ojiz insonlarni xavfsiz harakatlanish imkoniyatini taqdim etadi. Tadqiqot shuni isbotladi-ki, chuqur o‘rganishga asoslangan obyekt aniqlash turli muhitlarda odatdagi to‘siqlarni aniqlashga samarali yordam beradi. Kelajakdagi tadqiqotlar murakkab sharoitlarda tizim barqarorligini oshirish, qo‘shimcha sensorlarni integratsiya qilishga qaratiladi va ko‘zi ojiz insonlar uchun to‘laqonli xizmat qiladigan qurilma ishlab chiqish maqsad qilingan. Foydalanilgan adabiyotlar: 1. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436– 444. 2. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, real-time object detection. Proceedings of CVPR. 888

3. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint. 4. Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet classification with deep convolutional neural networks. NIPS. 5. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 6. Chen, X., et al. (2020). Assistive navigation systems for visually impaired people. IEEE Access. 7. Zhang, Z., et al. (2019). Real-time object detection for assistive applications. Sensors. 8. Li, Y., & Zhao, J. (2021). Vision-based obstacle detection using deep learning. Pattern Recognition Letters. 9. Khan, S., et al. (2022). A survey of deep learning-based object detection. ACM Computing Surveys. 10. Huang, G., et al. (2017). Densely connected convolutional networks. CVPR. WEB-ILOVALAR UCHUN XAVFSIZLIKNI SKANERLASH VOSITASI Asadov DoniyorYodgorjonovich O‘zbekiston Respublikasi Mudofaa vazirloigi xodimi yodgorjonovic@99gmail.com Annotatsiya. Ushbu maqolada web ilovalarning xavfsizligini ta’minlashda muhim o‘rin tutadigan skanerlovchi dasturiy vositalar haqida ma’lumot beriladi. Web ilovalarda uchraydigan asosiy zaifliklar, ularni aniqlash usullari hamda zamonaviy xavfsizlik skanerlari – OWASP ZAP, Burp Suite, W3AF, Wapiti va Arachni kabi vositalarning imkoniyatlari tahlil qilinadi. Mazkur vositalar web ilovalardagi zaifliklarni aniqlash va tizim xavfsizligini oshirishda muhim rol o‘ynaydi. Kalit so‘zlar: web xavfsizligi, vulnerability scanning, penetration testing, OWASP ZAP, Burp Suite, web ilova xavfsizligi. Аннотация. В данной статье представлена информация о программных сканирующих средствах, играющих важную роль в обеспечении безопасности вебприложений. Рассматриваются основные уязвимости, встречающиеся в вебприложениях, методы их обнаружения, а также анализируются возможности современных сканеров безопасности, таких как OWASP ZAP, Burp Suite, W3AF, Wapiti и Arachni. Данные инструменты играют важную роль в выявлении уязвимостей вебприложений и повышении уровня безопасности системы. Ключевые слова: веб-безопасность, сканирование уязвимостей, тестирование на проникновение, OWASP ZAP, Burp Suite, безопасность веб-приложений. Abstract. This article provides information about scanning software tools that play an important role in ensuring the security of web applications. The main vulnerabilities found in web applications, methods for detecting them, and the capabilities of modern security scanners such as OWASP ZAP, Burp Suite, W3AF, Wapiti, and Arachni are analyzed. These tools play an important role in identifying vulnerabilities in web applications and improving overall system security. Keywords: web security, vulnerability scanning, penetration testing, OWASP ZAP, Burp Suite, web application security. Kirish. Axborot texnologiyalarining rivojlanishi bilan ko‘plab xizmatlar web ilovalar orqali amalga oshirilmoqda. Elektron savdo, bank xizmatlari, ta’lim platformalari va davlat xizmatlari internet orqali foydalanuvchilarga taqdim etilmoqda. Shu sababli web ilovalarning xavfsizligi dolzarb masalalardan biri hisoblanadi. 889

Quyidagi grafik web ilovalarga bo‘lgan kiberhujumlarning yillar davomida oshib borish tendensiyasini ko‘rsatadi. Yillar davomida kiber hujum rivoji 400 350 300 250 200 150 100 50 0 2018 2019 2020 2021 2022 2023 2024 2025 1-rasm. Web ilovalarga bo‘lgan kiberhujumlar. Asosiy qism. Bu ilmiy hisobotlar va xavfsizlik kompaniyalari ma’lumotlarida ham kuzatiladi: masalan, 2024- yilda global web hujumlar soni 311 milliardga yetgan va bu 2023- yilga nisbatan 33 % ko‘p bo‘lgan. (1-rasm) Web ilovalar soni va ularga bo‘lgan kiberhujumlar ortib borishi natijasida web xavfsizlik skanerlovchi dasturlarga bo‘lgan ehtiyoj ham sezilarli darajada oshmoqda. Web ilovalarda mavjud bo‘lgan zaifliklar kiberhujumlar uchun imkoniyat yaratishi mumkin. Bu dasturlar web sayt va web ilovalardagi zaifliklarni aniqlash va ularni bartaraf etishga yordam beradi. Bunday zaifliklarni aniqlash va bartaraf etish uchun maxsus xavfsizlikni skanerlovchi dasturiy vositalar qo‘llaniladi. Ushbu vositalar web ilovalarni avtomatik tarzda tekshirib, potentsial xavfsizlik muammolarini aniqlaydi. Quyidagi grafik web xavfsizlik skanerlovchi dasturlarga bo‘lgan ehtiyojning yillar davomida oshib borishini ko‘rsatadi. Bu trend web ilovalarning ko‘payishi va kiberhujumlar sonining ortishi bilan bog‘liq. Dasturiy vositalar bo‘lgan ehtiyojning ortishi 100 90 80 70 60 50 40 30 20 10 0 2016 2017 2018 2019 2020 2021 890 2022 2023 2024 2025 2026

2-rasm. Web xavfsizlik skanerlovchi dasturlarga bo‘lgan ehtiyoj Grafik izohi • 2016–2018: web ilovalar ko‘payishi bilan xavfsizlik vositalariga ehtiyoj paydo bo‘la boshladi. • 2019–2021: kiberhujumlar ortgani sabab avtomatik skanerlovchi vositalar keng qo‘llanila boshlandi. • 2022–2025: kompaniyalar web xavfsizligini doimiy monitoring qilish uchun maxsus skaner tizimlaridan foydalanishni kuchaytirdi.(2-rasm) Web ilovalarda uchraydigan asosiy xavfsizlik muammolari. Web ilovalarda ko‘p uchraydigan zaifliklar quyidagilar hisoblanadi: SQL Injection – ma’lumotlar bazasiga zararli SQL buyruqlarini yuborish orqali ma’lumotlarni o‘g‘irlash yoki o‘zgartirish. Cross-Site Scripting (XSS) – foydalanuvchi brauzerida zararli skriptlarni ishga tushirish. Cross-Site Request Forgery (CSRF) – foydalanuvchini aldab, uning nomidan serverga so‘rov yuborish. Authentication va authorization xatolari – foydalanuvchini autentifikatsiya qilish va ruxsat nazoratidagi kamchiliklar. Maxfiy ma’lumotlarning oshkor bo‘lishi – foydalanuvchi ma’lumotlarining himoyasiz saqlanishi. Ushbu muammolarni aniqlash uchun maxsus skanerlovchi vositalar qo‘llaniladi. Web ilova xavfsizligini skanerlovchi dasturiy vositalar OWASP ZAP (Zed Attack Proxy) ochiq kodli web xavfsizlik test vositasi hisoblanadi. Ushbu dastur web ilovalarni skanerlash orqali turli zaifliklarni aniqlaydi. OWASP ZAP quyidagi imkoniyatlarga ega: • HTTP va HTTPS trafikni tahlil qilish • avtomatik zaiflik skaneri • penetration testing uchun vositalar • API orqali avtomatlashtirilgan test U yangi boshlovchilar hamda tajribali mutaxassislar uchun qulay hisoblanadi. Burp Suite. Web ilovalar xavfsizligini tekshirish uchun keng qo‘llaniladigan professional vosita hisoblanadi. U quyidagi modullardan iborat: • Proxy – web trafikni ushlab qolish va tahlil qilish • Scanner – zaifliklarni aniqlash • Intruder – brute force va fuzzing testlari • Repeater – so‘rovlarni qayta yuborish orqali tahlil qilish Burp Suite penetration testing jarayonida keng qo‘llaniladi. 891

W3AF (Web Application Attack and Audit Framework) web ilovalarni audit qilish va hujumlarni sinovdan o‘tkazish uchun yaratilgan ochiq kodli platforma hisoblanadi. Uning asosiy xususiyatlari: • grafik va buyruq satri interfeysi • plugin asosidagi arxitektura • turli xil zaifliklarni aniqlash imkoniyati Wapiti. Web ilovalarda zaifliklarni aniqlash uchun mo‘ljallangan ochiq kodli skanerdir. U quyidagi zaifliklarni aniqlashi mumkin: • SQL Injection • Cross-Site Scripting • Command Injection • fayl ochilishi bilan bog‘liq muammolar Wapiti web sahifalarni avtomatik ko‘rib chiqib, zararli so‘rovlar yuborish orqali zaifliklarni aniqlaydi. Arachni. Kuchli web vulnerability skanner bo‘lib, katta web ilovalarni ham tahlil qila olish imkoniyati mavjud. Uning imkoniyatlari: • avtomatik skanerlash • keng qamrovli hisobotlar • REST API orqali boshqarish • distributed skanning Web xavfsizlik testlash usullari Static Application Security Testing (SAST) Bu usulda dastur kodi tahlil qilinadi. Kod ichidagi xavfsizlik xatolari aniqlanadi. Dynamic Application Security Testing (DAST) Ishlayotgan web ilova real muhitda tekshiriladi. Skaner serverga so‘rovlar yuborib zaifliklarni aniqlaydi. Interactive Application Security Testing (IAST) SAST va DAST usullarining kombinatsiyasi bo‘lib, ilova ishlayotgan paytda xavfsizlikni tahlil qiladi. Afzallik va muammolar. SAST web ilovani dastur kodi yozish jarayonida muammolar topiladi, xatoliklar darajasini aniqlaydi, qaysi qator, qaysi faylda xatoliklar borligini aniqlash imkoniyatlari mavjud. Biroq ilova ishlayotgan vaqtda yani runtime bo‘layotganda ilovadagi zaifliklarni aniqlash ilojsiz, bundan tashqari to‘liq kodga kirib keyin tekshiradi, katta loyihalarda konfiguratsi murakkab bo‘ladi, har bir topilgan zaiflikni ham muammo sifatida qayt qiladi aslida u mummo muammo bo‘lmasa ham DAST kodga kirmasdan turib real simulyatsiyalar orqali web ilovalarni test qilib bera oladi bu esa developperga keyinchalik yaratilgan web ilovalarda ishlash imkoniyatini beradi. Biroq zaifliklar sabablarini aniqlash qiyin, testlash biroz vaqt talab qiladi va kodlardagi mavjud xatolarni koraolmaydi. 892

IAST yaratilgan dasturning ichiga agent qo‘shish yo‘li bilan dasturdagi kamchiliklarnin aniqlash imkoniyati mavjud, bundan tashqari testlash jarayonida real vaqt rejimida muammolarni aniqlash, qaysi fayl, qaysi qatorda muammo borligini aniqlash imkoniyatlari mavjud. Biroq ilovaga agentni o‘rnatish kerak bo‘ladi bu esa bazibir dasturiy muhitlarda qiyin yoki imkonsiz bo‘lishi mumkin, runtime monitoring sababli sekin ishlashi mumkin bundan dashqari bazi fremworklarni qo‘llab quvvatlamasligi mumkin. Xulosa. Web ilovalarning xavfsizligini ta’minlash zamonaviy axborot tizimlarining muhim talablaridan biridir. Web ilovalarda mavjud bo‘lgan zaifliklar katta miqdordagi axborot yo‘qotilishiga yoki moliyaviy zarar keltirib chiqarishi mumkin. OWASP ZAP, Burp Suite, W3AF, Wapiti va Arachni kabi dasturiy vositalar web ilovalardagi xavfsizlik muammolarini aniqlashda muhim rol o‘ynaydi. Ushbu vositalardan foydalanish orqali web ilovalarning xavfsizlik darajasini sezilarli darajada oshirish mumkin. Web xavfsizlik skanerlovchi dasturlar oddiy tarmoq tekshiruv vositalaridan boshlab, hozirgi kunda sun’iy intellekt va bulut texnologiyalariga asoslangan murakkab xavfsizlik tizimlariga aylandi. Bundan tashqari test qilishini kerak bo‘lgan dasturiy ta’minotni hajmidan hamda ishlashi yaratilgan muhitlardan kelib chiqib yuqoridan ko‘rsatilingan IAST, SAST va DAST usullaridan birini tanlab olish talab etiladi. Foydalanilgan adabiyotlar: 1. OWASP Foundation. Web Application Security Testing Guide. 2. Stuttard D., Pinto M. The Web Application Hacker’s Handbook. 3. Halfond W., Viegas J., Orso A. A Classification of SQL Injection Attacks and Countermeasures. 4. OWASP Top 10 – Web Application Security Risks. 5. Various cybersecurity research articles and security documentation. SPAM XATLARINI ANIQLASHDA MASHINA O‘RGANISH ALGORITMLARI DSc, professor Axatqulov Saxobiddin Abirqulovich, Sharof Rashidov nomidagi SamDU, E-mail: akhatkulov@gmail.com Sulaymanov Ma’ruf Ikramjanovich, magistrant e-mail: marufsulaymanov199@gmail.com Qurbonov Maqsud Normurod o‘g‘li, magistrant e-mail: m-qurbonov@inbox.ru Annotatsiya. Foydalanuvchining roziligisiz ommaviy tarzda yuboriladigan keraksiz, reklama zararli mazmundagi xabarlar, ya’ni spam deb nomlanuvchi xabarlarning ko‘payishi yanada ishonchli va samarali antispam filtrlariga bo‘lgan ehtiyojni yuzaga keltirdi. Mashina o‘rganishi texnologiyasidagi so‘nggi yutuqlar tadqiqotchilar va dasturchilarning spam xatlarni samarali aniqlash va filtrlash imkoniyatlarini oshirdi. Ushbu maqolada biz mashina o‘rganishiga asoslangan elektron pochta spamlarini filtrlashning bir nechta mashhur strategiyalarini chuqur tahlil qilamiz. Spamni filtrlashdagi asosiy tushunchalar, usullar, samaradorlik va hozirgi tadqiqot yo‘nalishlari haqida umumiy ma’lumot beramiz. Avvalo, Gmail, Yahoo va Outlook kabi yetakchi internet-provayderlari (ISP) o‘zlarining elektron pochta spamlarini filtrlash jarayonlarida mashina o‘rganish usullarini qanday qo‘llayotganini ko‘rib chiqamiz. Shuningdek, elektron pochta spamlarini filtrlashning umumiy jarayonini tavsiflab, tadqiqotchilarning spamga qarshi kurashda mashina o‘rganishini qo‘llagan turli 893

usullarini ta’kidlaymiz. Baholashimiz mavjud mashina o‘rganish usullarining afzalliklari va cheklovlarini taqqoslab, spamni filtrlash sohasidagi hal qilinmagan muammolarni aniqlaydi. Tahlillarimizga asoslanib, kelajakda spam xatlar muammosini yanada samarali hal qilish uchun chuqur o‘rganish va chuqur raqobatbardosh o‘rganish yondashuvlarini qo‘llashni tavsiya etamiz. Kalit so‘zlar: Algoritmlar tahlili, mashinali o‘rganish, spam filtrlash, chuqur o‘rganish, neyron tarmoqlari, tayanch vektor mashinalari (SVM), sodda Bayes. Kirish. So‘nggi yillarda internet kundalik hayotimizning ajralmas qismiga aylandi. Natijada elektron pochtadan foydalanuvchilar soni sezilarli darajada oshdi. Elektron pochta eng keng qo‘llaniladigan aloqa vositalaridan biri bo‘lib, shaxsiy, ilmiy va ishbilarmonlik munosabatlarida kuchli vositadir. Biroq, elektron pochtadan foydalanish ko‘payishi bilan spam deb ataladigan keraksiz va so‘ralmagan xabarlar ham ko‘payib bormoqda.Spam xatlar ko‘pincha ommaviy tarzda yaratiladi va foydalanuvchilarga ularning roziligisiz yuboriladi. Bu xatlar asosan reklama, firibgarlik yoki zararli dasturlarni tarqatish uchun ishlatiladi. Odatda, foydalanuvchi o‘z elektron pochta manzilini ishonchsiz veb-saytlar yoki platformalarda bilmagan holda ulashganidan so‘ng bunday xatlar qabul qilinadi. Spam xatlar shunchaki kichik bezovtalik emas - ular jiddiy xavfsizlik va operatsion xatarlarni keltirib chiqaradi. Ular foydalanuvchilarning pochta qutisini to‘ldirib yuboradi, bu esa muhim xabarlarni aniqlashni qiyinlashtiradi. Tashkilotlarda spam ish unumdorligining pasayishiga olib kelishi mumkin, chunki xodimlar keraksiz yoki xavfli xatlarni saralash uchun vaqt sarflaydilar.Xatlarda foydalanuvchi qurilmasiga josuslik dasturlari, tovlamachilik dasturlari yoki viruslarni o‘rnatadigan zararli havolalar yoki ilova fayllar ham bo‘lishi mumkin. Firibgarlik xatlari foydalanuvchilarni parollar yoki bank hisob ma’lumotlari kabi shaxsiy ma’lumotlarni oshkor qilishga undaydi.Spam taktikalarining tobora murakkablashib borishi an’anaviy qoidalarga asoslangan filtrlash usullarining samaradorligini pasaytirmoqda. Spamerlar tasodifiy matn, tasvirga asoslangan kontent yoki so‘zlarning ozgina o‘zgarishlaridan foydalanib, o‘z usullarini doimiy ravishda takomillashtirib bormoqdalar. Bu muammoni hal qilish uchun zamonaviy spamni aniqlash tizimlari endi sun’iy intellekt va mashinali o‘rganishga tayanmoqda. Ular elektron pochta mazmuni va yuboruvchining xatti-harakatlaridagi qonuniyatlarni tahlil qilib, qonuniy va spam xabarlarni farqlashi mumkin. Tabiiy tilni qayta ishlash (NLP) tizimlarga tilni tushunish va spam bilan bog‘liq iboralarni aniqlashda yordam berish orqali bu jarayonda muhim rol o‘ynaydi. Nazorat ostidagi ta’lim modellarga belgilangan spam va spam bo‘lmagan elektron pochta xabarlari misollaridan o‘rganish orqali takomillashish imkonini beradi. Erishilgan taraqqiyotga qaramay, spamni aniqlash hamon jiddiy muammo bo‘lib qolmoqda. Nayza phishing kabi murakkab tahdidlar rivojlanishda davom etmoqda, bu esa filtrlash tizimlarini doimiy yangilash va takomillashtirishni talab qiladi. Kuchli spamni aniqlash tizimi nafaqat xavfsizlikni oshiradi, balki toza va tartibli pochta qutisini saqlash orqali foydalanuvchi tajribasini ham yaxshilaydi. Muammo bayoni. Spam elektron xatlar hajmining ortib borishi foydalanuvchilar va xizmat ko‘rsatuvchi provayderlar uchun jiddiy muammolarni 894

keltirib chiqarmoqda. Bu xatlar: Foydalanuvchilarning vaqtini behuda sarflaydi va kiruvchi xabarlar qutisini to‘ldirib tashlaydi. Internet tezligini pasaytiradi va tarmoq o‘tkazuvchanligini sarflaydi. Firibgarlik havolalari yoki zararli dasturlar orqali shaxsiy ma’lumotlarni o‘g‘irlash yo‘li bilan xavfsizlik va maxfiylikka tahdid soladi. Elektron pochta tizimlari va ilovalarining normal ishlashiga xalaqit beradi. Davom etayotgan tadqiqotlarga qaramay, spam xatlarini aniqlash usullari, ayniqsa hujumchilar yangi taktikalardan foydalanganda, hali ham aniq va izchil ravishda spam xatlarini aniqlashda qiyinchiliklarga duch kelmoqda. Shu sababli, yanada ishonchliroq va moslashuvchan filtrlash texnologiyalarini ishlab chiqish zaruriyati mavjud. Maqsadlar. Ushbu tadqiqotning asosiy maqsadlari quyidagilardan iborat:Spam xatlarning mohiyati va xususiyatlarini tahlil qilish.Spam xatlarni aniqlash uchun sun’iy intellekt texnologiyalarini o‘rganish va qo‘llash.Spamni yuqori aniqlikda aniqlashda turli algoritmlarning samaradorligini baholash.Filtrlash mexanizmlarini takomillashtirish orqali spam bilan bog‘liq hujumlar xavfini kamaytirish. Tadqiqot doirasi. Ushbu tadqiqot tabiiy tilni qayta ishlash (NLP) va mashina ‘rganishi texnologiyalari yordamida spam xatlarni aniqlashga qaratilgan. Bunda ommaviy foydalanishga ruxsat etilgan ma’lumotlar to‘plamidan foydalanib, Naiv Bayes kabi turli algoritmlar o‘qitiladi va sinovdan o‘tkaziladi hamda ularning spamni filtrlashdagi samaradorligi o‘lchanadi. Tadqiqot apparat darajasidagi yoki shifrlashga asoslangan spamning oldini olish usullarini o‘z ichiga olmaydi, balki matn tahlili ordamida tarkibga asoslangan filtrlash bilan cheklanadi. Asosiy qism. Adabiyotlar sharhi: Elektron pochta orqali yuborilgan spam xatlarni aniqlash 1-rasm. Ish jarayoni Elektron pochta spamlarini aniqlash yigirma yildan ortiq vaqt davomida mashina o‘rganish, tabiiy tilni qayta ishlash va kiberxavfsizlik sohalarida muhim tadqiqot yo‘nalishi bo‘lib kelmoqda. So‘ralmagan xabarlarning ko‘payishi nafaqat kirishqutilarini tartibsizlantiradi, balki fishing va zararli dasturlarni tarqatish kabi xavfsizlik tahdidlarini ham keltirib chiqaradi. Ko‘plab tadqiqotlar spamni aniqlash va iltrlashning turli yondashuvlarini o‘rganib chiqdi. Bu yondashuvlar oddiy qoidalarga asoslangan tizimlardan ilg‘or mashina o‘rganish va chuqur o‘rganish modellarigacha rivojlandi. An’anaviy qoidalarga asoslangan va evristik yondashuvlar Dastlabki spamni aniqlash tizimlari qo‘lda yaratilgan qoidalar va evristik filtrlarga asoslangan edi. Bularga kalit so‘zlarga asoslangan filtrlar, qora ro‘yxatlar 895

va naqshlarni moslashtirish (masalan, Spam Assassin) kiradi. Dastlab samarali bo‘lsa-da, bu usullar tezda eskirdi, chunki spamerlar o‘z usullarini o‘zgartirdilar. Bundan tashqari, ular yuqori soxta ijobiy ko‘rsatkichlarga ega bo‘lib, doimiy ravishda qo‘lda yangilashni talab qilardi. Mashina o‘rganish yondashuvlari Mashina o‘rganish (ML) usullari spamni aniqlashda yanada dinamik va moslashuvchan yondashuvni olib keldi. Androutsopoulos va boshqalarning (2000) innovatsion ishlari Naive Bayes tasniflagichlarini qo‘llab, qoidalarga asoslangan usullardan sezilarli darajada yaxshilanganligini ko‘rsatdi. O‘shandan beri bir nechta tasniflagichlar qo‘llanilmoqda: Naive Bayes:Matnlarni tasniflashda soddaligi va samaradorligi tufayli afzal ko‘riladi. U so‘zlar to‘plami yoki TF-IDF tasvirlari bilan yaxshi ishlaydi. Tayanch vektor mashinalari (SVM):Yuqori o‘lchamli ma’lumotlarga nisbatan yaxshiroq umumlashtirish samaradorligi va bardoshlilikni ta’minlaydi, ko‘pincha etalon sinovlarda oddiy Bayes usulidan ustunlik qiladi. Qaror daraxtlari va tasodifiy o‘rmonlar: Tushuntirilishi oson va ansambl quvvati bilan mashhur, ammo ba’zan katta ma’lumotlar to‘plamlari bilan sekinroq ishlaydi. k-eng yaqin qo‘shnilar (k-NN): Samarali, ammo hisoblash uchun qimmat va belgilarni miqyoslashga sezgir. Chuqur o‘rganish modellari So‘nggi tadqiqotlar spamni aniqlash uchun chuqur o‘rganishdan foydalanishni o‘rgandi. Bu usul keng qamrovli xususiyatlar muhandisligisiz murakkab qonuniyatlarni o‘rganishi mumkin: Rekurrent neyron tarmoqlari (RNN) va uzoq qisqa muddatli xotira (LSTM) tarmoqlari: Elektron pochta matnidagi ketma-ket bog‘liqliklarni aniqlash uchun samarali. Konvolyutsion neyron tarmoqlari (CNN): Mahalliy xususiyatlar va ngramm naqshlarini aniqlash uchun matnga qo‘llaniladi. Kontekstli so‘z birikmalaridan foydalanib, eng so‘nggi yutuqlarga mos unumdorlikni ta’minlaydi.Biroq, bu modellar ko‘p resurs talab qiladi va ko‘pincha chetki qurilmalarda real vaqt rejimida filtrlash uchun amaliy jihatdan noqulay. Xususiyatlar muhandisligi va taqdimot Spam aniqlagichlarining ishlashi ko‘p jihatdan xususiyatlarni ajratib olish usullariga bog‘liq. Keng tarqalgan usullarga quyidagilar kiradi:So‘zlar to‘plami (BOW) va TF-IDF: An’anaviy ML quvurlarida keng qo‘llaniladi. So‘zlarni joylashtirish (Word2Vec, GloVe): Matnni semantik tushunishni yaxshilaydi.Meta xususiyatlar: Sarlavha ma’lumotlari (jo‘natuvchi, mavzu), havolalar tahlili va HTML tuzilishini o‘z ichiga oladi. Gibrid va ansambl usullari aniqlash aniqligini oshirish uchun tadqiqotchilar bir nechta tasniflagich yoki usullarni birlashtirgan gibrid yondashuvlarni ham taklif qilishgan.Masalan, Naive Bayes usulini SVM bilan birlashtirish yoki mashinali o‘rganish klassifikatorlarini evristik filtrlar bilan integratsiyalash. Baholash va taqqoslash Ko‘pchilik tadqiqotlar Enron elektron pochta ma’lumotlar to‘plami, Spam Assassin ommaviy korpusi va Ling-Spam kabi ochiq ma’lumotlar to‘plamlaridan 896

foydalanadi.Keng tarqalgan baholash mezonlariga aniqlik, to‘liqlik, F1 ko‘rsatkichi va umumiy aniqlik kiradi. Biroq, spam va oddiy elektron pochta xabarlarining nomutanosibligi ko‘pincha mezonlarni ehtiyotkorlik bilan tanlashni talab qiladi (masalan, ROC-AUC, PR-AUC). Muammolar va hal qilinmagan masalalar Sezilarli yutuqlarga qaramay, quyidagi muammolar saqlanib qolmoqda: Tushunchalar o‘zgarishi: Spamchilar taktikalarini doimiy ravishda o‘zgartirib turadilar, bu esa vaqt o‘tishi bilan modellarning eskirishiga olib keladi. Ma’lumotlar maxfiyligi: Elektron pochta mazmuni shaxsiy ma’lumot hisoblanadi, bu esa ma’lumotlarni ulashish va modellarni o‘qitishni cheklaydi. Qarshi hujumlar: Spamchilar filtrlardan qochish uchun xabarlarni ataylab tayyorlashlari mumkin. Real vaqt rejimida aniqlash: Jonli tizimlarda qo‘llash uchun aniqlik va hisoblash samaradorligi o‘rtasidagi muvozanatni saqlash juda muhim. Materiallar va usul. Ushbu bo‘limda tabiiy tilni qayta ishlash (NLP) va mashinali o‘rganish yordamida spam xatlarni aniqlash uchun qo‘llanilgan jarayon tasvirlanadi. Ma’lumotlar to‘plami Ushbu tadqiqot uchun foydalanilgan ma’lumotlar to‘plami Kaggle’dan olingan: https://www.kaggle.com/datasets/venky73/spam-mails-dataset Ma’lumotlar to‘plami haqida umumiy ma’lumot Ushbu tadqiqotda foydalanilgan ma’lumotlar to‘plami Kaggle’dan olingan bo‘lib, jami 5171 ta elektron pochta xabarini o‘z ichiga oladi. Har bir xabar spam yoki ham (spam bo‘lmagan) deb belgilangan, bu esa spam tasnifi vazifalarida nazorat ostidagi o‘rganish uchun ishonchli asos yaratadi. Ma’lumotlarga dastlabki ishlov berish Dastlabki ishlov berish xom matn ma’lumotlarini tahlil va mashinali o‘rganish uchun tayyorlashning muhim bosqichidir. Ushbu loyihada ma’lumotlar to‘plamini tozalash va normallashtirish uchun quyidagi usullar qo‘llanildi: Maxsus belgilar, raqamlar va tinish belgilari olib tashlandi, chunki ular xabarlarning mazmuniga sezilarli ta’sir ko‘rsatmaydi. Barcha matn bir xillikni ta’minlash va katta-kichik harflar bilan bog‘liq muammolarni bartaraf etish uchun kichik harflarga o‘tkazildi.Ma’noli so‘zlarga e’tibor qaratish uchun axborot qiymati past bo‘lgan keng tarqalgan so‘zlar (masalan, "the", "is" va "and") olib tashlandi. Stemming Porter Stemmer yordamida amalga oshirildi va lemmatizatsiya so‘zlarni asosiy shakllariga keltirish hamda takrorlanishni kamaytirish uchun qo‘llanildi. Tozalangan matn keyin tokenizatsiya qilindi, ya’ni keyingi tahlil uchun alohida so‘zlar yoki tokenlarga ajratildi. Bu qadamlar xom elektron pochta xabarlarini xususiyatlarni ajratib olish uchun qulay tuzilgan va tahlil qilinadigan ma’lumotlarga aylantirishga yordam berdi.. Muvozanatsiz ma’lumotlarga ishlov berish 897

Ma’lumotlar to‘plamining dastlabki tahlili sinflar nomutanosibligini ko‘rsatdi: oddiy (spam bo‘lmagan) elektron pochta xabarlari soni spam elektron pochta xabarlari sonidan sezilarli darajada ko‘p edi. Bu nomutanosiblik mashinali o‘rganish modelining ishlashiga, ayniqsa, spamni to‘g‘ri aniqlash qobiliyatiga salbiy ta’sir ko‘rsatishi mumkin edi. Bu muammoni hal qilish uchun namunalarni kamaytirish usuli qo‘llanildi. Bu spam namunalari soniga mos keladigan oddiy xabarlar namunalari sonini kamaytirishni o‘z ichiga oldi, natijada ma’lumotlar to‘plami yanada muvozanatli bo‘ldi. 1-rasm spam va oddiy elektron xatlarning dastlabki taqsimotini ko‘rsatadi, namuna olish strategiyasi qo‘llanilgandan keyingi ma’lumotlar to‘plamini aks ettiradi. Ushbu yondashuv tasniflagichning ko‘pchilik sinfga nisbatan noto‘g‘ri yo‘nalishini kamaytiradi va modelning umumlashtirish qobiliyatini oshiradi. 4000 3500 3600 3000 2500 2000 1500 1500 1000 500 0 SINF 0 1 1-rasm. Downsamplingdan oldin ham va spam xabarlar soni Xususiyatlarni ajratib olish Mashinali o‘rganish modellari raqamli ma’lumotlar asosida ishlayotgani sababli, matnli elektron xabarlarni raqamli xususiyat vektorlariga aylantirish zarur edi. Ushbu o‘zgartirish uchun quyidagi usullar qo‘llanildi: Count Vectorizer va Tokenizer API TensorFlow Keras kutubxonasidan so‘zlarni butun sonli ketmaketliklarga aylantirish uchun foydalanildi. Tokenizer har bir elektron xatni so‘zlarga (tokenlarga) ajratadi va ularni raqamli qiymatlarga moslashtiradi. Kiritilgan ma’lumotlar hajmining bir xilligini ta’minlash uchun, to‘ldirish pad_sequences() usuli yordamida barcha ketma-ketliklarni teng uzunlikka keltirish uchun qo‘llanildi.Ushbu xususiyat vektorlari spamni aniqlash uchun ishlatiladigan mashinali o‘rganish algoritmlariga kirish ma’lumotlari sifatida xizmat qiladi.Ma’lumotlarni ajratish Mashinali o‘rganish modelini o‘qitish va baholash uchun ma’lumotlar to‘plami ikki qismga bo‘lindi: 80 % ma’lumotlar modelni o‘qitish uchun ishlatildi. Qolgan 20 % ma’lumotlar esa modelning yangi ko‘rmagan ma’lumotlardagi ishlashini tekshirish uchun ajratildi. Ham va spam xabarlarini tarqatish (Downsamplingdan so‘ng) 898