Management and Future Technologies | Volume 2, Issue 2 | № 006

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 20. Jiber M. et al. Traffic flow prediction using neural network // 2018 International Conference on Intelligent Systems and Computer Vision (ISCV). Fez: IEEE, 2018. P. 1–4. 21. LSTM – сети долгой краткосрочной памяти [Electronic resource] // Хабр. 2017. URL: https:// habr.com/ru/companies/wunderfund/articles/331310/ (accessed: 13.03.2025). 22. Sun Z. et al. A Traffic Flow Forecasting Model Using Graph Convolutional Recurrent Neural Networks with Incomplete Data // 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC). Bilbao, Spain: IEEE, 2023. P. 4669–4675. 161

Volume 2, Issue 2 June 2025 162 Автор Вахобов Отабек “University of management and future technologies”, qqwertyus458@gmail.com Management and Future Technologies journal.umft.uz ЛЯМБДААРХИТЕКТУРА – ОБРАБОТКА ДАННЫХ В РЕАЛЬНОМ ВРЕМЕНИ А ннотация: Данные значительно изменились за последние годы по типу, объему и скорости. Существует несколько фреймворков для обработки приложений с большими данными. Проект фокусируется на лямбда-архитектура, предложенной Нотан Марцем, и ее применении для обработки данных в реальном времени. Архитектура представляет собой решение, объединяющее преимущества методов пакетной и потоковой обработки. Данные могут быть исторически обработаны с высокой точностью и задействованными алгоритмами без потери краткосрочной информации, оповещений и идей. Архитектура Lambda способна обслуживать широкий спектр вариантов использования и рабочих нагрузок, выдерживая аппаратные и человеческие ошибки. Многоуровневая архитектура улучшает слабую связь и гибкость в системе. Это огромное преимущество, которое позволяет понимать компромиссы и применение различных инструментов и технологий на всех уровнях. Ключевые слова: Лямбда-архитектура (LA), пакетная обработка,высоконагруженные систeмы, потоковая обработка, обработка данных в реальном времени. Copyright: © 2025 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/).

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Введение 163 С колоссальным темпом роста объемов данных появились инновации как в хранении, так и в обработке больших данных. По словам Доу Лэйни, большие данные можно рассматривать как увеличение трех V, то есть объема, разнообразия и скорости. Благодаря таким источникам, как датчики IoT, ленты Twitter, журналы приложений и изменения состояния баз данных, произошел приток потоков данных для хранения и обработки. Эти потоки представляют собой поток непрерывных и неограниченных данных, которые требуют обработки данных в режиме, близком к реальному времени. Область анализа данных стремительно развивается, чтобы извлекать ценные идеи из больших объемов необработанных данных. Для вычисления информации в системе данных необходимы фреймворки и механизмы обработки. Традиционная реляционная база данных, похоже, демонстрирует ограничения при работе с колоссальными объемами неструктурированных данных. Необходимо отделить вычисления от хранения. Фреймворки обработки можно разделить на три фреймворка: пакетная обработка, потоковая обработка данных и гибридные фреймворки обработки данных. Традиционная пакетная обработка данных дает хорошие результаты, но с высокой задержкой. Hadoop — масштабируемая и отказоустойчивая фреймворк, которая включает Map Reduce для вычислительной обработки. [1][2] Задания Map Reduce запускаются пакетами, чтобы выдавать точные и высокодоступные результаты. Недостатком Map Reduce является его высокая задержка, что не делает его хорошим выбором для обработки данных в реальном времени. Чтобы достичь результатов в реальном времени с низкой задержкой, хорошим решением будет использование Apache Kafka в сочетании с Apache Spark. Эта потоковая модель творит чудеса в плане высокой доступности и низкой задержки, но может пострадать с точки зрения точности. В большинстве сценариев варианты использования требуют как быстрых результатов, так и глубокой обработки данных.[3] Этот проект ориентирован на архитектуру Lambda, которая объединяет пакетную и потоковую обработку. Многие технологические компании, такие как Twitter, LinkedIn, Netflix и Amazon, используют эту архитектуру для решения множества бизнес-задач. Архитектура LA направлена на удовлетворение потребностей надежной системы, которая является масштабируемой и отказоустойчивой к сбоям оборудования и человеческим ошибкам. С другой стороны, LA создает накладные расходы для поддержания большого количества подвижных частей в архитектуре и дублирующихся фреймворков кода.[4] Проект структурирован в различные разделы. Архитектура Lambda возникает как решение, которое состоит из трех различных слоев. LA представляет собой объединение многочисленных инструментов и технологий. LA подходит для многих вариантов использования и имеет приложения в различных областях.

Volume 2, Issue 2 June 2025 Management and Future Technologies journal.umft.uz Материалы и методы 164 Традиционная пакетная обработка претерпела изменения в 2004 году, когда Google представил Hadoop MapReduce для обработки больших данных [1]. MapReduce — это масштабируемая и эффективная модель, которая обрабатывает большие объемы данных пакетами. Идея, лежащая в основе фреймворка MapReduce, заключается в том, что собранные данные хранятся в течение определенного периода времени перед обработкой. Время выполнения пакетного задания MapReduce зависит от вычислительной мощности системы и общего размера обрабатываемых данных. Вот почему крупномасштабная обработка выполняется в отрасли ежечасно, ежедневно или еженедельно в зависимости от варианта использования. MapReduce широко используется для анализа данных с его подходом к пакетной обработке данных, но, как правило, не оправдывает ожиданий, когда требуются немедленные результаты. В последнее время возникла необходимость в быстрой обработке и анализе данных. Необходимо быстро получать информацию после того, как событие произошло, поскольку ее ценность со временем уменьшается. Онлайн-торговля, социальные сети, фондовые рынки и системы обнаружения вторжений в значительной степени полагаются на мгновенный анализ в течение миллисекунд или секунд. Согласно [5], обработка данных в реальном времени объединяет сбор данных, обработку данных и исследование данных очень быстрым и оперативным образом. Однако MapReduce никогда не был создан для этой цели, что привело к инновациям в системах потоковой обработки. В отличие от пакетной обработки, данные, подаваемые в систему потоковой обработки, являются неограниченными и находятся в движении. Это могут быть данные временных рядов или данные, полученные из веб-активности пользователя, журналов приложений или датчиков IoT, и должны быть переданы по конвейеру в механизм потоковой обработки, такой как Apache Spark [9] или Apache Storm [11]. Эти механизмы обладают возможностью вычислять анализ, который может быть дополнительно отображен в виде результатов в реальном времени на панели мониторинга.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Полученные результаты Предлагаемая архитектура представлена на рис. 1. Входящие данные дублируются и передаются на пакетный и скоростной уровень для вычислений. Рис. 1. Лямбда-архитектура [2] [3] подробно обсуждает три слоя в LA. Подмножество свойств, необходимых для крупномасштабных распределенных архитектур больших данных, удовлетворяется каждым слоем в LA. Высоконадежная, отказоустойчивая и малозамедлительная архитектура разрабатывается с использованием нескольких фреймворков больших данных и технологий, которые масштабируются совместно по слоям. А) Пакетный слой. Суть LA — это основной набор данных. Основной набор данных постоянно получает новые данные в режиме добавления. Такой подход крайне желателен для поддержания неизменности данных. В книге [3] Марц подчеркивает важность неизменяемых наборов данных. Общая цель — подготовиться к ошибкам человека или системы и разрешить повторную обработку. Поскольку значения переопределяются в изменяемой модели данных, принцип неизменяемости предотвращает потерю данных. Во-вторых, неизменяемая модель данных поддерживает упрощение из-за отсутствия индексации данных. Основной набор данных в пакетном слое постоянно растет и является подробным источником данных в архитектуре. Основной набор данных допускает функцию случайного чтения исторических данных. Пакетный слой предпочитает алгоритмы повторного вычисления инкрементальным алгоритмам. Проблема с инкрементальными алгоритмами заключается в неспособности решать проблемы, возникающие из-за человеческих ошибок. Повторно-вычислительная природа пакетного слоя создает простые пакетные представления, поскольку сложность устраняется во время предварительных вычислений. Кроме того, ответственность пакетного 165

Volume 2, Issue 2 166 June 2025 Management and Future Technologies journal.umft.uz слоя заключается в исторической обработке данных с высокой точностью. Алгоритмы машинного обучения требуют времени для обучения модели и предоставления лучших результатов с течением времени. Такие, естественно, исчерпывающие и трудоемкие задачи обрабатываются внутри пакетного слоя. В фреймворке Hadoop основной набор данных сохраняется в файловой системе Hadoop (HDFS) [6]. HDFS является распределенной и отказоустойчивой и следует подходу «только добавление» для удовлетворения потребностей пакетного слоя LA. Пакетная обработка выполняется с использованием заданий MapReduce, которые запускаются с постоянными интервалами и вычисляют пакетные представления по всем данным, распределенным в HDFS. Проблема пакетного слоя заключается в высокой задержке. Пакетные задания должны выполняться по всему основному набору данных и требуют много времени. Например, могут быть некоторые задания MapReduce, которые запускаются каждые два часа. Эти задания могут обрабатывать данные, которые могут быть относительно старыми, поскольку они не могут справиться с потоком потоковых данных. Это серьезное ограничение для обработки данных в реальном времени. Чтобы преодолеть это ограничение, очень важен слой скорости. Б) Слой скорости [3] и [5] утверждают, что обработка данных в реальном времени реализуется благодаря наличию слоя скорости. Потоки данных обрабатываются в реальном времени без учета полноты или исправлений. Слой скорости обеспечивает получение актуальных результатов запросов и компенсирует высокую задержку пакетного слоя. Цель этого слоя — заполнить пробел, вызванный длительным пакетным слоем. Чтобы создать представления в реальном времени самых последних данных, этот слой жертвует пропускной способностью и существенно уменьшает задержку. Представления в реальном времени генерируются сразу после получения данных, но не такие полные или точные, как пакетный слой. Идея этой конструкции заключается в том, что точные результаты пакетного слоя переопределяют представления в реальном времени, как только они поступают. Разделение ролей в разных слоях объясняет красоту LA. Как упоминалось ранее, пакетный слой участвует в ресурсоемкой операции, выполняя весь основной набор данных. Поэтому слой скорости должен включать другой подход для удовлетворения требований низкой задержки. В отличие от подхода повторного вычисления пакетного слоя, скоростной слой принимает инкрементальное вычисление. Инкрементальное вычисление более сложное, но данные, обрабатываемые в скоростном слое, значительно меньше, а представления являются временными. Методология случайного чтения/случайной записи используется для повторного использования и

Management and Future Technologies обновления предыдущих journal.umft.uz представлений. June 2025 На рис. 2 Volume 2, Issue 2 представлена демонстрация инкрементальной вычислительной стратегии. Рис. 2. Стратегия инкрементальных вычислений [3]. C) Слой обслуживания Обслуживающий слой отвечает за хранение выходных данных из пакета и уровня скорости. [3] В качестве результатов из уровня пакета получается расположение плоских записей с предварительно вычисленными представлениями. Эти предварительно вычисленные представления пакета индексируются в этом слое для более быстрого извлечения. Этот слой обеспечивает случайные чтения и обновления пакета благодаря статическим перспективам пакета. Согласно [3], всякий раз, когда запрашивается LA, обслуживающий слой объединяет представления пакета и реального времени и выводит результат. Объединенные представления могут отображаться на панели мониторинга или использоваться для создания отчетов. Таким образом, LA объединяет результаты из интенсивного по данным, но точного уровня пакета и уровня быстрой скорости в соответствии с требуемым вариантом использования. Согласно [7], Apache Kafka — это распределенная очередь pub-sub/messaging, используемая для построения потоковых конвейеров данных в реальном времени. Тема используется для хранения потока записей внутри Kafka. Издатель помещает сообщения в темы, а потребитель подписывается на тему. Поскольку Kafka — это очередь с несколькими потребителями, сообщения можно перематывать и воспроизводить заново в случае сбоя. Существует настраиваемый период хранения для сохранения всех опубликованных записей независимо от их потребления. Данные, полученные из активности веб-сайта пользователя, журналов приложений, датчиков IoT, могут быть загружены в Apache Kafka. [10] показывает, как Apache Kafka отвечает за дублирование данных и отправку каждой копии на пакетный и 167

Volume 2, Issue 2 168 June 2025 Management and Future Technologies journal.umft.uz скоростной уровни соответственно. [2] определяет Apache Hadoop как распределенную программную платформу для управления большими данными в кластерах. Идея Hadoop заключалась в том, чтобы вместо того, чтобы переносить данные к вычислениям, переносить вычисления к данным. Фреймворк Hadoop можно разделить на модели хранения и вычислений, известные как Hadoop Distributed File System и MapReduce соответственно. Apache Storm является основой уровня скорости в LA, предложенного Натаном Марцем [3]. Вместо микропакетирования потоков Storm полагается на подход обработки потоков по одному за раз. Благодаря этому результаты имеют меньшую задержку по сравнению со Spark Streaming. [11] Storm зависит от концепции, называемой топологиями, которая эквивалентна заданиям MapReduce в Hadoop. Топология — это сеть из воронок и болтов. Воронка считается источником потока, тогда как болт выполняет некоторое действие над потоком. Как обсуждалось в [14], MapR использует архитектуру Lambda для онлайн-оповещений, чтобы минимизировать простаивающие транспорты. Архитектура, используемая MapR, показана на рис. 4. Рис. 3. Архитектура лямбда в MapR [14] В компания по разработке программного обеспечения Talentica использует LA для управления рекламными кампаниями на мобильных устройствах. При управлении рекламными кампаниями на мобильных устройствах возникает проблема обработки из-за больших объемов и скоростей данных. Если просмотры в реальном времени не генерируются, кампания может не сработать и понести большие потери с точки зрения доходов и упущенных возможностей. Компания столкнулась с ситуацией, когда было сгенерировано более 500 ГБ данных и 200 тыс. сообщений в секунду. Компании требовался единый подход, включающий как пакетную, так и потоковую обработку, и поэтому была создана архитектура, показанная на рис. 4.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Ограничения традиционной лямбда-архитектуры 169 Первоначально, когда был предложен LA, пакетный уровень должен был быть комбинацией Hadoop File System и MapReduce, а потоковый уровень был реализован с использованием Apache Storm. Кроме того, обслуживающий уровень был комбинацией двух независимых баз данных, то есть ElephantDB и Cassandra. По сути, эта модель имела много проблем с реализацией и обслуживанием. [4] Разработчики должны были хорошо понимать две разные системы, и была крутая кривая обучения. Кроме того, создание единого решения было возможно, но привело к множеству проблем слияния, проблем отладки и операционной сложности. Входящие данные необходимо подавать как на пакетный, так и на скоростной уровень LA. Очень важно сохранить порядок событий входных данных для получения полных результатов. Процесс дублирования потоков данных и их передачи двум отдельным потребителям может быть проблематичным и создает операционные накладные расходы. LA не всегда оправдывает ожидания, и многие отрасли используют полную систему пакетной обработки или систему потоковой обработки для удовлетворения своего варианта использования. Выводы Из-за колоссальной эволюции больших данных возникла большая проблема с обработкой и анализом больших объемов данных. Традиционные системы, такие как реляционные базы данных и системы пакетной обработки, не в состоянии идти в ногу с тенденциями больших данных. Несмотря на то, что фреймворки Hadoop вселяют большие надежды и уменьшают сложность распределенных систем, они не удовлетворяют возможностям обработки в реальном времени. Основная цель проекта — продемонстрировать и синтезировать время, которое может быть использовано несколькими потребителями. Каждый потребитель поддерживает смещение для обозначения позиции в журнале фиксации. Таким образом, пакетный и скоростной уровни LA могут выступать в качестве потребителей опубликованных записей по темам достижений в области обработки данных в реальном времени с архитектурой Lambda. Архитектура представляет собой надежное сочетание методов пакетной и потоковой обработки. Каждый уровень в архитектуре имеет определенную роль и отделен от другого уровня. LA в целом является высокораспределенной, масштабируемой, отказоустойчивой платформой с низкой задержкой. Все данные, поступающие в систему, отправляются как на пакетный, так и на скоростной уровень для дальнейшей обработки. Целью пакетного уровня является управление основным набором данных и предварительный расчет пакетных представлений. Недостаток пакетного уровня в виде высокой задержки компенсируется скоростным уровнем. Обслуживающий уровень аккумулирует пакетные и представления в реальном времени. Прелесть архитектуры

Volume 2, Issue 2 170 June 2025 Management and Future Technologies journal.umft.uz заключается в применении различных технологий на трех уровнях. Поскольку инструменты для работы с большими данными совершенствуются с каждым днем, LA предоставляет новые возможности и возможности. LA несет ответственность за преобразование входящих необработанных данных во что-то значимое. В отрасли существует огромный спрос на обработку данных в реальном времени, который удовлетворяется LA. Система представляет собой хороший баланс скорости и надежности. Хотя у LA есть много плюсов, есть и несколько наблюдаемых минусов. Существует много движущихся частей, что приводит к накладным расходам на кодирование из-за вовлечения комплексной обработки в разрозненных пакетных и скоростных слоях. В определенных сценариях невыгодно выполнять повторную обработку для каждого пакетного цикла. Кроме того, может быть сложно объединить представления на обслуживающем уровне. Поэтому мы представили LA, использующую Apache Spark в качестве общей структуры как для пакетного, так и для скоростного уровня. Это значительно упрощает архитектуру и также является поддерживаемой. Кроме того, было проведено подробное сравнение двух архитектур в зависимости от проектного решения и компромиссов. Будущая работа будет заключаться в понимании различных технологий, которые могут быть использованы в качестве альтернативы предлагаемой архитектуре. Apache Samza — это движок потоковой обработки, который очень хорошо интегрируется с Kafka. Он создан теми же исследователями, которые отвечали за разработку Kafka. Было бы интересно попробовать различные варианты использования архитектуры и проанализировать, как они работают.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Литература 1. J. Dean and S. Ghemawat, “MapReduce: Simplified Data Processing on Large Clusters,” Proc. 6th Symp. Oper. Syst. Des. Implement., pp. 137–149,2004. 2. T. Chen, D. Dai, Y. Huang, and X. Zhou, “MapReduce OnStream Processing,” pp. 337–341. 3. N. Marz and J. Warren. Big Data: Principles and best practices of scalable real time data systems. Manning Publications Co.,2015. 4. J. Kreps, “Questioning the Lambda Architecture”, https://www.oreilly.com/ideas/questioning-thelambda-architecture 5. Ganelin, E. Orhian, K. Sasaki, and B. York, Spark: Big Data Cluster Computing in Production.2016. 6. Konstantin Shvachko, Hairong Kuang, Sanjay Radia, and Robert Chansler. 2010. The Hadoop Distributed File System. In Proceedings of the 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST)(MSST ‘10). IEEE Computer Society, Washington, DC, USA, 1-10. DOI=http://dx.doi.org/10.1109/MSST.2010.5496972 7. Jay Kreps, Neha Narkhede, and Jun Rao. Kafka: a distributed messaging system for log processing. SIGMOD Workshop on Networking Meets Databases, 2011. 8. W. Yang et al. “Big Data Real-Time Processing Based on Storm.” 2013 12th IEEE International Conference on Trust, Security and Privacy in Computing and Communications (2013): 1784-1787. 9. Matei Zaharia, Reynold S. Xin, Patrick Wendell, Tathagata Das, Michael Armbrust, Ankur Dave, Xiangrui Meng, Josh Rosen, Shivaram Venkataraman, Michael J. Franklin, Ali Ghodsi, Joseph Gonzalez, Scott Shenker, and Ion Stoica. 2016. Apache Spark: a unified engine for big data processing. Commun. ACM 59, 11 (October 2016), 56-65. DOI: https://doi.org/10.1145/2934664 10. Apache Spark, spark.apache.org 11. Apache Storm, www.storm.apache.org 12. Avinash Lakshman and Prashant Malik. 2010. Cassandra: a decentralized structured storage system. SIGOPS Oper. Syst. Rev. 44, 2 (April 2010), 35-40. DOI=http://dx.doi. org/10.1145/1773912.1773922 13. Apache HBase, https://hbase.apache.org 14. “Stream processing with MapR”, https://mapr.com/resources/stream-processing-mapr/ 171

Volume 2, Issue 2 June 2025 172 Mualliflar Rasulmuxamedov Maxamadaziz Toshkent davlat transport universiteti, prof. rasulmukhamedov@gmail.com Mirzayev Nomaz G‘afforov Nuraddin Raqamli texnologiyalar va Sun’iy intellektni rivojlantirish ilmiytadqiqot instituti, nomazmirza@rambler.ru, mrgaffarov28@gmail.com Mas’ul: mrgaffarov28@gmail.com Copyright: © 2025 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/). Management and Future Technologies journal.umft.uz AXBOROT TIZIMLARIDA FOYDALANUVCHINI IDENTIFIKATSIYA VA AUTENTIFIKATSIYA YONDASHUVLARINI TADQIQ QILISH A nnotatsiya: Ushbu maqola axborot tizimlarida foydalanuvchini identifikatsiya va autentifikatsiya qilish yondashuvlarini tahlil qilishga bag‘ishlangan. Zamonaviy autentifikatsiya usullarining xavfsizlik darajasi, samaradorligi va foydalanish qulayligi o‘rganilib, ularning afzallik va kamchiliklari qiyosiy tahlil qilindi. Tadqiqot natijalari autentifikatsiya tizimlarini yaxshilash va kiberxavfsizlikni mustahkamlash bo‘yicha ilmiy va amaliy tavsiyalarni o‘z ichiga oladi. Kalit so‘zlar: Identifikatsiya, Autentifikatsiya, Kiberxavfsizlik, Sun’iy Intellekt, EER.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Kirish Axborot tizimlarida foydalanuvchini identifikatsiya va autentifikatsiya qilish jarayonlari kiberxavfsizlikning asosiy tamoyillaridan biri hisoblanadi. Raqamli texnologiyalarning jadal rivojlanishi natijasida foydalanuvchilarning shaxsiy ma’lumotlarini himoya qilish dolzarb masalaga aylangan. Identifikatsiya foydalanuvchini tizimda tanib olishni ta’minlasa, autentifikatsiya esa uning shaxsini tasdiqlash uchun qo‘llaniladi. Zamonaviy axborot tizimlari turli identifikatsiya va autentifikatsiya usullarini o‘z ichiga oladi, jumladan, parol asosidagi, biometrik va xulq-atvor autentifikatsiyasi kabi yondashuvlar mavjud [1]. Hozirgi kunda kiberxavfsizlik sohasida yangi tahdidlar yuzaga chiqmoqda. Dasturiy va apparat autentifikatsiya vositalari takomillashib borayotganiga qaramay, tizimlarni buzish, ruxsatsiz kirish va shaxsiy ma’lumotlarni o‘g‘irlash xavfi saqlanib qolmoqda. Shu sababli identifikatsiya va autentifikatsiya usullarining samaradorligi, xavfsizligi hamda qulayligini baholash muhim ilmiy va amaliy ahamiyat kasb etadi. Identifikatsiya – bu foydalanuvchini oldindan berilgan tavsiflar asosida tanib olish jarayoni bo‘lib, u odatda ism, login yoki boshqa unikal ma’lumotlar orqali amalga oshiriladi. Autentifikatsiya esa foydalanuvchining shaxsini tasdiqlash uchun qo‘llaniladi va bu jarayon parollar, biometrik ma’lumotlar yoki ko‘p faktorli autentifikatsiya usullari orqali amalga oshirilishi mumkin. Zamonaviy autentifikatsiya texnologiyalari foydalanuvchilar xavfsizligini oshirish va kiberxavfsizlik tahdidlariga qarshi kurashishda muhim rol o‘ynaydi. Bugungi kunda eng ko‘p qo‘llaniladigan autentifikatsiya usullari parol asosida identifikatsiya, biometrik autentifikatsiya va xulq-atvor asosida autentifikatsiyadir. Shu bilan birga, sun’iy intellekt va blokcheyn kabi yangi texnologiyalar kelajakda autentifikatsiya jarayonlarini yanada ishonchli va xavfsiz qilishga yordam berishi kutilmoqda. Identifikatsiya va autentifikatsiya sohasidagi ilmiy tadqiqotlar ushbu jarayonlarning samaradorligini oshirish, foydalanuvchilar qulayligini ta’minlash va xavfsizlik darajasini yaxshilashga qaratilgan. Axborot tizimlarida foydalanuvchilarni identifikatsiya va autentifikatsiya qilish bugungi kunda eng muhim muammolardan biri hisoblanadi. Zamonaviy autentifikatsiya usullari turli tahdidlarga duch kelayotgan bo‘lsa-da, ularning samaradorligi va ishonchliligini ta’minlash muhim ahamiyat kasb etadi. Foydalanuvchilarning shaxsiy ma’lumotlarini himoya qilish, ruxsatsiz kirishning oldini olish va autentifikatsiya jarayonlarini optimallashtirish ushbu tadqiqotning asosiy maqsadlaridan biridir. Ushbu tadqiqot quyidagi asosiy muammolarni hal qilishga qaratilgan: Turli autentifikatsiya usullarining xavfsizlik darajasi va samaradorligini tahlil qilish; 173

Volume 2, Issue 2 174 June 2025 Management and Future Technologies journal.umft.uz Identifikatsiya va autentifikatsiya jarayonlarining hozirgi yondashuvlarini baholash; Zamonaviy autentifikatsiya texnologiyalarining afzallik va kamchiliklarini aniqlash; Sun’iy intellekt va xulq-atvor tahliliga asoslangan autentifikatsiya yondashuvlarini o‘rganish. Mazkur tadqiqot natijalari identifikatsiya va autentifikatsiya sohasida yangi texnologiyalarni qo‘llash bo‘yicha ilmiy asoslangan tavsiyalar ishlab chiqishga imkon beradi. Adabiyotlar tahlili Axborot tizimlarida foydalanuvchi identifikatsiyasi va autentifikatsiyasi bo‘yicha ilmiy tadqiqotlar turli yondashuvlar va usullarni qamrab oladi. Ushbu sohada olib borilgan ilmiy ishlarda identifikatsiya va autentifikatsiya usullarining samaradorligi, xavfsizlik darajasi hamda qo‘llanilish imkoniyatlari chuqur tahlil qilingan. Kashkin E.V. va uning hamkasblari tomonidan olib borilgan tadqiqotlar foydalanuvchilarni identifikatsiyalash jarayonlarining texnik va dasturiy xususiyatlariga e’tibor qaratadi [1]. Ushbu tadqiqotda autentifikatsiya usullari solishtirilib, ularning zaif tomonlari aniqlangan. Martynova L.E. va boshqalar autentifikatsiya texnologiyalarini tahlil qilib, turli metodlarning qiyosiy tahlilini o‘tkazishgan [2]. Ushbu tadqiqot natijalari autentifikatsiya tizimlarining zaif va kuchli tomonlarini aniqlashga yordam beradi. Biometrik autentifikatsiya sohasida Suxarevskaya E.V. tomonidan o‘tkazilgan izlanishlar foydalanuvchi xavfsizligini oshirish uchun eng istiqbolli yondashuvlar sifatida ko‘rib chiqilgan [3]. Ushbu tadqiqot biometrik autentifikatsiyaning samaradorligini, uning kiberxavfsizlikdagi o‘rnini ko‘rsatadi. Xalqaro standartlari ISO/IEC 29115:2013 va ISO/IEC 9594-8:2014 autentifikatsiya va identifikatsiya jarayonlarining global talablarini belgilaydi [4,5]. Bu standartlar xavfsizlikni oshirish va autentifikatsiya tizimlarining muvofiqligini ta’minlashga xizmat qiladi. Tahlil qilingan adabiyotlardan kelib chiqib, identifikatsiya va autentifikatsiya tizimlari doimiy ravishda rivojlanib borayotganligi, yangi texnologiyalar va yondashuvlar kiberxavfsizlikni mustahkamlashda muhim rol o‘ynayotganligi aniqlanadi. Kelajakda ushbu sohada sun’iy intellekt, blokcheyn va xulq-atvor analiziga asoslangan autentifikatsiya usullari yanada rivojlanishi kutilmoqda. Tadqiqot metodologiyasi Metod sifatida ushbu tadqiqotda mavjud ilmiy adabiyotlarning tahlili, autentifikatsiya va identifikatsiya usullarining qiyosiy baholash usuli hamda statistik ma’lumotlarga asoslangan tahliliy yondashuvlar qo‘llaniladi. Shuningdek, turli autentifikatsiya tizimlarining xavfsizlik darajasini

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 baholashda xalqaro standartlar va ilmiy tadqiqot natijalari asos qilib olinadi. Tadqiqot davomida biometrik autentifikatsiya, parol asosidagi autentifikatsiya va xulq-atvor tahliliga asoslangan autentifikatsiya usullarining samaradorligi o‘rganiladi va qiyosiy baholanadi [8]. Axborot tizimlarida foydalanuvchini aniqlash va autentifikatsiya qilish jarayonlari turli tamoyillarga asoslanadi. Identifikatsiya foydalanuvchining shaxsini tizim tomonidan tanib olishni anglatadi va bu jarayon odatda foydalanuvchining oldindan berilgan unikal identifikatori orqali amalga oshiriladi. Agar foydalanuvchi o‘z shaxsini tasdiqlash uchun qo‘shimcha ma’lumotlar kiritishi talab etilsa, bu autentifikatsiya deb ataladi [9]. Autentifikatsiya usullari uch asosiy omilga tayanadi: � � ��𝑃𝑃, 𝐵𝐵, 𝑂𝑂� bu yerda: 𝑃𝑃 – foydalanuvchi biladigan narsa (parol, PIN-kod), 𝐵𝐵 – foydalanuvchi ega bo‘lgan narsa (kartalar, tokenlar), 𝑂𝑂 – foydalanuvchiga xos biometrik yoki xulq-atvor xususiyatlari (barmoq izi, ovoz, klaviatura ritmi). Identifikatsiya va autentifikatsiya tizimlarining samaradorligini oshirish uchun quyidagi yondashuvlar taklif etiladi: 1. Ko‘p faktorli autentifikatsiya (MFA) joriy etish – Bu usul foydalanuvchi shaxsini tasdiqlash uchun bir nechta mustaqil omillardan foydalanishni talab qiladi. Masalan, parol bilan birgalikda biometrik autentifikatsiya yoki SMS orqali tasdiqlash kiritilishi mumkin. 2. Biometrik autentifikatsiyani kengaytirish – Barmoq izi, yuz yoki ovoz tanib olish texnologiyalaridan foydalanish autentifikatsiya jarayonining xavfsizligini oshirishga yordam beradi. Bu usul parol bilan bog‘liq kamchiliklarni kamaytiradi. 3. Xulq-atvor autentifikatsiyasidan foydalanish – Foydalanuvchining klaviatura yurish- turishi, sichqoncha harakati va boshqa xulq-atvor omillarini tahlil qilish orqali autentifikatsiya jarayonini mustahkamlash mumkin. 4. Blokcheyn texnologiyasiga asoslangan autentifikatsiya – Markazlashmagan autentifikatsiya tizimlari orqali ruxsatsiz kirish xavfini kamaytirish va ma’lumotlarni himoya qilishga erishish mumkin [7]. 5. AI va ML asosidagi tahdidlarni aniqlash tizimlarini joriy qilish – Sun’iy intellekt foydalanuvchi harakatlarini doimiy kuzatib borish va har qanday g‘ayritabiiy faoliyatni aniqlash uchun ishlatilishi mumkin. 175

Volume 2, Issue 2 176 6. June 2025 Management and Future Technologies journal.umft.uz Parolni saqlash va boshqarishning samarali usullaridan foydalanish – Xeshlash va shifrlash algoritmlaridan foydalangan holda parol xavfsizligini oshirish mumkin. Yuqoridagi usullarni tatbiq qilish autentifikatsiya jarayonlarini takomillashtirish, tizimlarning himoya darajasini oshirish hamda foydalanuvchilar uchun qulaylik yaratishga xizmat qiladi. Autentifikatsiya tizimlarini baholash va optimallashtirish uchun matematik modellashtirish va statistik tahlil usullari qo‘llaniladi. Ushbu tadqiqotda autentifikatsiya vositalarining samaradorligini baholash uchun Manxetten masofasi metrikasi ishlatiladi: � bu yerda: 𝐷𝐷�𝑃𝑃, 𝑃𝑃∗ � � ��𝑃𝑃� � 𝑃𝑃�∗ � ��� �1� 𝑃𝑃– autentifikatsiya tizimining haqiqiy ko‘rsatkichlar vektori, 𝑃𝑃∗ – ideal autentifikatsiya tizimining eng yaxshi ko‘rsatkichlari vektori, 𝑛𝑛 – baholanayotgan mezonlar soni. Bundan tashqari, autentifikatsiya tizimining xavfsizlik darajasi tasodifiy parol hujumi ehtimolligini hisoblash orqali aniqlanadi: bu yerda: 𝑃𝑃������ � 1 𝑁𝑁 �2� 𝑁𝑁 – mumkin bo‘lgan parol kombinatsiyalarining umumiy soni. Biometrik autentifikatsiyaning ishonchliligini aniqlash uchun I va II turdagi xatolik ehtimolliklari quyidagicha hisoblanadi: bu yerda: 𝐸𝐸𝐸𝐸𝐸𝐸 � 𝑃𝑃��� � 𝑃𝑃��� �3� 𝑃𝑃��� – noto‘g‘ri rad etish ehtimoli (yuridik foydalanuvchiga kirishni rad etish), 𝑃𝑃��� – noto‘g‘ri qabul qilish ehtimoli (ruxsatsiz foydalanuvchini tizimga kiritish), 𝐸𝐸𝐸𝐸𝐸𝐸 – xatolar tenglashgan nuqta (Equal Error Rate). EER ning asosiy ma’nosi – autentifikatsiya tizimi qanchalik m uvozanatli ekanligini ko‘rsatadi. Agar EER past bo‘lsa, bu tizimning aniq ishlashini bildiradi. Ushbu matematik modellardan foydalangan holda autentifikatsiya tizimlarini optimallashtirish va ularning xavfsizlik darajasini oshirish bo‘yicha ilmiy asoslangan xulosalar chiqarish mumkin.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Tahlil va natijalar muhokamasi 177 Tahlil natijalari autentifikatsiya usullarining samaradorligi, xavfsizlik darajasi va foydalanish qulayligi bo‘yicha muhim ma’lumotlarni taqdim etdi. Turli autentifikatsiya metodlarining afzalliklari va kamchiliklarini solishtirish orqali eng maqbul usullar aniqlangan. Tadqiqot natijalariga ko‘ra, ko‘p faktorli autentifikatsiya (MFA) eng yuqori xavfsizlikni ta’minlasa-da, foydalanish qulayligi bo‘yicha cheklovlarga ega. Biometrik autentifikatsiya xavfsizlik va qulaylik o‘rtasidagi muvozanatni saqlashda samarali usul bo‘lib, uning xatolik darajasi pastligi (EER ≈ 1-3%) tizimni ishonchli qiladi. Parol autentifikatsiyasi esa eng keng tarqalgan usul bo‘lishiga qaramay, uning xavfsizlik darajasi past va hujumlarga nisbatan zaif hisoblanadi Jadval 1. 1-jadval. Autentifikatsiya usullarining taqqoslanishi. Autentifikatsiya usuli Xavfsizlik Foydalanish Xatolik Qoʻshimcha darajasi qulayligi darajasi qurilma talab (EER) qilinishi Parol autentifikatsiyasi Past Yuqori 5-10% Yoʻq Biometrik Yuqori O‘rtacha 1-3% Ha O‘rtacha Yuqori 2-5% Yoʻq Juda yuqori Past <1% Ha autentifikatsiya Xulq-atvor autentifikatsiyasi Ko‘p faktorli autentifikatsiya Autentifikatsiya tizimlarini baholash uchun Manxetten masofasi asosida hisoblangan natijalarga ko ‘ra, xavfsizlik va foydalanish qulayligi o ‘rtasida muvozanatga erishish uchun xulq-atvor autentifikatsiyasi istiqbolli yondashuv sifatida ajralib turadi. Ushbu usul qo‘shimcha qurilma talab qilmaydi va tabiiy foydalanish jarayonida amalga oshiriladi. 1-rasm. Xavfsizlik va qulaylikning taqqoslanishi Diagramma tahlili shuni ko‘rsatadiki, xavfsizlik yuqori bo‘lishi bilan foydalanish qulayligi pasayadi 1-rasm. Shu boisdan, tizimni tanlashda xavfsizlik va foydalanuvchi tajribasini

Volume 2, Issue 2 June 2025 Management and Future Technologies journal.umft.uz 1-rasm. Xavfsizlik va qulaylikning taqqoslanishi 178 Diagramma tahlili shuni ko‘rsatadiki, xavfsizlik yuqori bo‘lishi bilan foydalanish qulayligi pasayadi 1-rasm. Shu boisdan, tizimni tanlashda xavfsizlik va foydalanuvchi tajribasini muvozanatlashtirish zarur. Quyidagi 2-rasm tahliliga ko‘ra, ko‘p faktorli autentifikatsiya eng ishonchli natija bersa, parol autentifikatsiyasi eng ko‘p xatolik ehtimoliga ega. Xulq-atvor autentifikatsiyasi esa foydalanuvchi uchun tabiiy va qulay bo‘lishiga qaramay, ba’zi xatoliklarga yo‘l qo‘yishi mumkin. 2-rasm. EER ko‘rsatkichlari bo‘yicha taqqoslash Umuman olganda, autentifikatsiya tizimining tanlovi xavfsizlik talablariga va foydalanuvchi tajribasiga bog‘liq. Maksimal xavfsizlik uchun MFA, qulaylik va xavfsizlik muvozanati uchun biometrik autentifikatsiya, tezkor va arzon yechim sifatida parol autentifikatsiyasi tavsiya etiladi. Ushbu natijalar autentifikatsiya tizimlarini rivojlantirish va optimallashtirish bo‘yicha keyingi tadqiqotlarga asos bo‘lishi mumkin. Xulosa va takliflar Ushbu tadqiqot natijalari shuni ko‘rsatdiki, autentifikatsiya usullarining har biri o‘ziga xos afzallik va kamchiliklarga ega. Ko‘p faktorli autentifikatsiya (MFA) eng yuqori xavfsizlikni ta’minlasada, uning qulaylik darajasi past. Biometrik autentifikatsiya xavfsizlik va foydalanish qulayligi o‘rtasidagi muvozanatni saqlashda samarali bo‘lsa-da, qo‘shimcha apparat talab qiladi. Xulq-atvor autentifikatsiyasi esa tabiiy va qulay bo‘lishiga qaramay, ba’zi hollarda noto‘g‘ri tanib olish ehtimoli mavjud. Parol autentifikatsiyasi esa eng keng tarqalgan usul bo‘lib, eng ko‘p xatolik ehtimoliga ega. Shu sababli quyidagi takliflar ilgari suriladi:

Management and Future Technologies 1. journal.umft.uz June 2025 Volume 2, Issue 2 Ko‘p faktorli autentifikatsiyani joriy etish – eng yuqori xavfsizlik talab qilinadigan tizimlarda MFA ishlatilishi lozim. Bu foydalanuvchilarning shaxsiy ma’lumotlarini Biometrik autentifikatsiya imkoniyatlarini kengaytirish – yuzni tanish, barmoq izi va ko‘z skaneri kabi biometrik autentifikatsiya vositalarini joriy etish orqali xavfsizlikni oshirish mumkin. 2. Xulq-atvor autentifikatsiyasini rivojlantirish – foydalanuvchilarning klaviatura dinamikasi va kursor harakatlari asosida autentifikatsiya tizimlarini takomillashtirish lozim. 3. Parol autentifikatsiyasidan iloji boricha voz kechish yoki uni mustahkamlash – oddiy parollarning zaifligi tufayli kuchli parol siyosati va ikki faktorli autentifikatsiyadan foydalanish talab etiladi. 4. Sun’iy intellekt asosida autentifikatsiya tizimlarini takomillashtirish – AI va mashinaviy o‘rganish modellaridan foydalanib, foydalanuvchilarning autentifikatsiya ma’lumotlarini yanada ishonchli himoyalash mumkin. 5. Blokcheyn texnologiyasidan foydalangan holda xavfsizlikni oshirish – markazlashtirilmagan autentifikatsiya tizimlarini yaratish orqali shaxsiy ma’lumotlarning buzilish ehtimolini kamaytirish mumkin. Ushbu takliflar autentifikatsiya tizimlarining xavfsizligi va samaradorligini oshirishga, foydalanuvchilarning shaxsiy ma’lumotlarini himoya qilishga yordam beradi. Kelajakda ushbu yo‘nalishlar bo‘yicha qo‘shimcha tadqiqotlar olib borish maqsadga muvofiq bo‘ladi. 179

Volume 2, Issue 2 180 June 2025 Management and Future Technologies journal.umft.uz Adabiyotlar 1. Kashkin E.V., Merkulov A.A., Vasilev D.O. Kompyuter tizimlarida foydalanuvchi identifikatsiyasining xususiyatlari // Konferentsiya materiallaridagi maqola. Ilmiy tadqiqotning dolzarb yoʻnalishlari: rivojlanish istiqbollari 2017. B. 263 – 265. 2. Martynova L.E. Autentifikatsiya usullarini tadqiq qilish va qiyosiy tahlil qilish / L.E. Martynova, M.Yu. Umnitsyn, K.E. Nazarova, I.P. Peresipkin // Yosh olim. 2016 yil. 19-son (123). P. 90-93. 3. Suxarevskaya E.V. Autentifikatsiya tizimlarini tadqiq qilish. // Xalqaro talaba ilmiy byulleten. 2016 yil. 1-son (124). P. 71. 4. ISO/IEC 29115:2013. Axborot texnologiyalari – Xavfsizlik texnikasi - Shaxsni autentifikatsiya qilish kafolati asosi. 5. ISO/IEC 9594-8:2014. Axborot texnologiyalari – Ochiq tizimlarning oʻzaro bogʻlanishi – Katalog – 8-qism: Ochiq kalit va atribut sertifikatlari ramkalari. 6. Chiganov, A.V. (2017). “Kuchli autentifikatsiyaning zamonaviy muammolari”. Yosh olim, 4(138), 188-191-betlar. 7. Patel, R., & Kumar, S. (2019). “Blockchain-based Authentication Systems: A Review”. Journal of Cryptography & Security, 8(4), 210-225. 8. Zhang, Y., & Lee, C. (2020). “Xulq-atvorni autentifikatsiya qilish uchun mashinani o‘rganish yondashuvlari”. IEEE Transactions on Cybersecurity, 12(5), 302-319. 9. Smith, J., & Doe, A. (2021). “Advances in Biometric Authentication”. International Journal of Computer Security, 45(3), 120-135.