Management and Future Technologies | Volume 2, Issue 4 | № 008

December, 2025 № 008 Management and Future Technologies SCIENTIFIC JOURNAL Volume 2, Issue 4

Jurnal sohalari: menejment, dasturiy injiniring, sun’iy intellekt texnologiyalari, kompyuter injiniringi, infokommunikatsiya injiniringi, axborot xavfsizligi, raqamli iqtisodiyot, pedagogika va psixologiya, matematika va fizika Tahririyat kengashi raisi Muharrirlar t.f.d.,prof. O‘tkirXamdamov “University of Management and Future Technologies” universiteti rektori Farhod Ahmedov (J. Koreya) Sherzod Mustafaqulov (O‘zbekiston) Akmalbek Abdusalomov (J. Koreya) Bahtiyor Akmuradov (O‘zbekiston) Sherzod Abdullayev (O‘zbekiston) Shabir Ahmad (J. Koreya) Dilshod Rahmatov (Germaniya) O.A. Hidayov (Germaniya) Akmaljon Abdullayev (O‘zbekiston) Jinsoo Cho (J. Koreya) Jamshid Elov (O‘zbekiston) Young Im Cho (J. Koreya) Fazliddin Maxmudov (J. Koreya) Alpamis Kutlimuratov (O‘zbekiston) Faheem Khan (J. Koreya) Lilia Tightiz (J. Koreya) Shahnoza Sultanova (O‘zbekiston) Safiullah Khan (Buyuk Britaniya) Seytkamal Medetov (Fransiya) Avaz Qaxxorov (O‘zbekiston) Doston Xasanov (O‘zbekiston) Sabina Umirzakova (J. Koreya) Elmurod Urinov (O‘zbekiston) Muhriddin Umarov (O‘zbekiston) Urmanov Odil (J. Koreya) Sobir Radjabov (O‘zbekiston) Bosh muharrir t.f.f.d.dot. Muhriddin Muxiddinov “University of Management and Future Technologies” universiteti Ilmiy va uslubiy ishlar bo‘yicha prorektori Tahririyat kengashi a’zolari t.f.d., prof. XakimZaynidinov t.f.d., prof. Muxammadjon Musayev t.f.d., prof. Shavkat Fozilov f-m.f.d. prof. Aripov Mersaid f-m.f.d. prof. Аloev Raxmatillo t.f.d., prof. Marat Raxmatullayev t.f.d., prof. Dilnoz Muxamediyeva i.f.d., prof. Toxir Hasanov i.f.d., prof. To‘lqin Boboqulov t.f.d., prof. Jamshid Sultonov f-m.f.d. prof. Dildora Muhamediyeva i.f.d., prof. Sherzod Rajabov p.f.d., prof. Qurbonniyoz Panjiyev p.f.d., prof. Muhabbat Hakimova t.f.d., prof. Nargiza Usmanova p.f.d., prof. Nishonboy Kiyamov p.f.d., prof. Qutlug‘bek Qodirov t.f.d., dot. Halimjon Xujamatov t.f.d., dot. Ibragim Atadjanov Dizayner Abduraximov Dilshod Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 sanasida ro‘yxatdan o‘tkazilgan.

MUNDARIJA JOURNAL .UMFT.UZ TEXNIKA FANLARI Rahmatullayev Ilhom; Abduraximov Baxtiyor OQIMLI SHIFRLARNI KRIPTOTAHLIL QILISHDA DEEP LEARNING METODLARINING QO‘LLANILISHI 6 Abdulxayev Nodirbek TASVIR ORQALI INSON YUZINI ANIQLASHDA ZAMONAVIY SUN'IY INTELLEKT ALGORITMLARINI TAHLIL QILISH VA UNING QOʻLLANILISHIDAGI SAMARADORLIGINI ANIQLASH 14 A’zamоv S.S. INTEGRATIОN ОF ASYNCHRОNОUS MОTОR SUPPLIED FRОM THE INDUSTRIAL PОWER NETWОRK INTО A RENEWABLE ENERGY SОURCE USING A SVG DEVICE 21 Azamjоnоv S.R. BRIDGE AND TUNNEL LIGHTING USING MОDERN ENERGY EFFICIENT TECHNОLОGIES 27 Muhamedieva D.K.; Naim N.A. EFFICIENTNETB0 ASOSIDAGI PNEVMONIYANI ANIQLASHNING OPTIMALLASHTIRILGAN CHUQUR O‘RGANISH MODELI 33 Abduraxmonov Baxromjon; Xabibullaeva Shaxlo KOMBINATORIKA ELEMENTLARINING AXBOROT TEXNOLOGIYALARIDA QO’LLANILISHI HAQIDA 39 Mannobboyev Sh CHIGIT SARALASHDA ZAMONAVIY RAQAMLI TEXNOLOGIYALARNI QO‘LLASH: MUAMMO VA TAHLIL 54 Muhammadiyeva Sh.T.; Umarov M.A. MIYA-KOMPYUTER INTERFEYSI TIZIMI TAHLILI 64 Mukhriddin Mukhiddinov; Khamdamov Utkir; Djuraev Oybek VISION-LANGUAGE MODELS IN MEDICAL IMAGING: FOUNDATIONS, ADVANCES, AND FUTURE DIRECTIONS 73 Kobuljon Ismanov; Alisher Mamatov; Said Maxanov SUN’IY INTELLEKT ETIKASI BO‘YICHA XALQARO NAZARIY ME’YORLAR: TAMOYILLAR, MUAMMOLAR VA TA’LIM UCHUN TAVSIYALAR 89 Xusnidin Arzikulov; Zulfizar Orziqulova SMART GRID TIZIMLARIDA ENHAT ASOSIDAGI KOMMUNIKATSION TEXNOLOGIYALARNI JORIY ETISH 102

JOURNAL .UMFT.UZ Xaydarov Xumoyun AI-BASED PREDICTIVE CONTROL AND OPTIMIZATION OF INDUSTRIAL PUMPING STATIONS: A DATA-DRIVEN APPROACH 115 Яхшибаев Д.С.; Тургунов А.М.; Усмонов А.Х. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ЧИСЛЕННОЕ ПРИМЕНЕНИЕ ИЗМЕНЕНИЙ УРОВНЯ ПОДЗЕМНЫХ ГРУНТОВЫХ ВОД 127 Якубов Максадхон Султаниязович; Юлдашов Рахмон Хусанович ФОРМИРОВАНИЕ БИЗНЕС-МОДЕЛИ ЛАКОКРАСОЧНОГО ПРЕДПРИЯТИЯ 133 Ashrabxodjayeva N.A.; Umarov M.A.; Ramatov I. TASVIRDA OBEKTLARNI TANIB OLISHDА YUZAGA KELADIGAN MUAMMOLAR VA ULARNI BARTARAF ETISHNING ZAMONAVIY YECHIMLARI 145 Aripova M.X.; Ibragimova B.B.; Baymatova N.T. MURAKKAB REV LARINI MODELLASHTIRISH MASALALARIDA INTELLEKTUAL USLUBLAR 152 Усмонов A.Х.; Бегимов У.И. МОДЕЛИРОВАНИЕ ИНЖЕНЕРНЫХ КОММУНИКАЦИЙ И ВОДОЗАБОРОВ В ДОЛИНАХ ЗНАЧИТЕЛЬНОЙ ШИРИНЫ 158 Odiljonova Rano; Bozorov Jasurbek TASVIRLARDAN SHOVQINLARNI OLIB TASHLASHNING KLASSIK USULLARI ORQALI TASVIR SIFATINI OSHIRISH 166 Zarmasov Elbek; Elov Jamshid; Kimsanboyev Nurillo MASOFAVIY TA’LIM AXBOROT TIZIMIDA FAN KONTENTLARINI SHAKLLANTIRISHNING FUNKSIONAL IMKONIYATLARI 170 Aminov shavkatjon SUN’IY INTELLEKT TEXNOLOGIYALARI ASOSIDA IMO‑ISHORA ANIQLASHNING NAZARIY ASOSLARI 176 Qulmatov M.B.; Salimov J.I.; Ziyodullayev S.S. SIGNALLARNI SILLIQLASHDA VOLTERRA 2–TUR TENGLAMASINI QO‘LLANILISHI 182 Umarov Muhriddin; Umarov Xusniddin IMKONIYATI CHEKLANGAN INSONLAR UCHUN SUN’IY INTELLEKTGA ASOSLANGAN APPARAT-DASTURIY MAJMUA 189

JOURNAL .UMFT.UZ Raxmonov N.N.; Turapov Sh.N.; Qodirov Jahongir; Anvarov Sh.S. KORPARATIV TARMOQ TRAFIGIDA SHUBHALI PAKETLARNI ALGORITMI ANIQLASH 205 Пардабаев С.Б.; Азимова З.Н. АЛГОРИТМИЧЕСКИЙ КОД АНАЛИЗ 210 Rayimova Shaxnoza SUN’IY KO‘PAYTIRISH ALGORITMLARINING TUR VA USULLARI Oybek Mallaev , Jamoliddin Gazatov , Jaloliddin Aliyev AHOLI GEOLOKATSIYA MUROJAATLARINI GEOAXBOROT VIZUALIZATSIYA QILISH MODULI VA ALGORITMI 199 XARITALARIDA 214 Xudayberganova Nargiza, Yo'ldasheva Bibihojar, Xudayberganov Temur E’LON QILINGAN MA’LUMOTLARNING STILISTIK VA LINGVISTIK XUSUSIYATLARI ASOSIDA INTERNET FOYDALANUVCHILARINI TANIB OLISH METODLARI 221

TEXNIKA FANLARI 5

OQIMLI SHIFRLARNI KRIPTOTAHLIL QILISHDA DEEP LEARNING METODLARINING QO‘LLANILISHI Rahmatullayev Ilhom; Abduraximov Baxtiyor Raqamli texnologiyalar va sunʼiy intellektni rivojlantirish ilmiy-tadqiqot instituti doktoranti, Toshkent Kimyo xalqaro universiteti Samarqand filiali dotsenti Mirzo Ulug‘bek nomidagi O‘zbekiston milliy universiteti “Amaliy matematika va kompyuter tahlili” kafedrasi professori, f.-m.f.d. ilhom9001@gmail.com Annotatsiya: Ushbu maqolada oqimli shifrlash algoritmlarini kriptotahlil qilishda chuqur o‘rganishga (deep learning) asoslangan yangi “qora quti” (black-box) yondashuvi taklif etiladi. Mazkur metodologiya shifrlagichning ichki tuzilmasi yoki matematik modellari haqidagi ma’lumotlarga tayanmasdan, faqat “Kalit–Keystream” juftliklariga asoslangan holda statistik og‘ishlarni (bias) aniqlash imkonini beradi. Tadqiqotda RC4, RC4A, Trivium va TRIAD oqimli shifrlagichlari misolida 400 000 taga yaqin namunadan tashkil topgan katta hajmdagi dataset generatsiya qilinib, har bir keystream bayti uchun alohida chuqur o‘rganish modeli tayyorlandi. Eksperimental natijalar RC4 algoritmida ikkinchi chiqish bayti bo‘yicha bashorat ehtimoli tasodifiy qiymat (1/256 ≈ 0.0039) dan ikki baravar yuqori ekanini ko‘rsatdi, bu esa mazkur baytda mavjud bo‘lgan klassik biasning chuqur o‘rganish modeli tomonidan ham aniqlanishini tasdiqlaydi. Boshqa shifrlagichlar — RC4A, Trivium va TRIAD — bo‘yicha kuzatilgan bashorat ehtimollari tasodifiy taqsimotga yaqin bo‘lib, ularda sezilarli strukturaviy og‘ish mavjud emasligi aniqlangan. Taklif etilgan yondashuvning afzalligi shundaki, u murakkab statistik tahlillarni talab qilmaydi, avtomatlashtirilgan holda biaslarni aniqlaydi va yangi avlod oqimli shifrlagichlar xavfsizligini baholashda samarali vosita sifatida qo‘llanishi mumkin. Kalit so‘zlar: Oqimli shifrlash, Kriptotahlil, Deep Learning, RC4, RC4A, Trivium, TRIAD, Keystream, Bias, Neyron tarmoqlar, Supervised Learning, Softmax, Adam Optimizer, Dataset, Black-Box tahlil, Statistik og‘ish, Chuqur o‘rganish arxitekturasi, Machine Learning asosidagi kriptoanaliz. Kirish An’anaviy kriptoanaliz usullari odatda oddiy ma’lumot (plaintext), kalit va tegishli shifr matni (ciphertext) o‘rtasidagi murakkab chiziqsiz bog‘lanishlarni tavsiflovchi akslantirishlarni keng qamrovda tahlil qilishni talab qiladi[1]. Bunday akslantirishlarni ifodalovchi funksiyalar, qoida tariqasida, yuqori darajadagi chiziqsizlikka ega bo‘lib, ularning analitik tahlili ham matematik, ham hisoblash nuqtai nazaridan juda murakkab jarayonni tashkil etadi. Natijada kriptoanalitik hujumlarni loyihalash ko‘p hollarda chuqur nazariy bilim, ko‘p bosqichli modellash va katta hisoblash resurslarini talab qiladi[2]. So‘nggi yillarda chuqur o‘rganish (deep learning) algoritmlarining rivojlanishi va GPU/TPU kabi yuqori unumli hisoblash vositalarining ommalashuvi shifr ma’lumotlarini qayta ishlanmagan (raw) ko‘rinishda tahlil qilish uchun sifat jihatidan yangi imkoniyatlar ochib berdi. Shifrlashning asosiy tamoyillaridan biri — chiqish oqimiga maksimal darajada tasodifiylik kiritish, ya’ni keystream yoki shifr matnida kriptoanalitik foydalanishi mumkin bo‘lgan hech qanday sezilarli strukturaviy yoki statistik bog‘lanishlarning mavjud bo‘lmasligini ta’minlashdir. Shu nuqtai nazardan qaraganda, 6

xom shifr ma’lumotlarini to‘g‘ridan-to‘g‘ri tahlil qilish orqali tasodifiylikdan eng kichik og‘ishlarni aniqlash alohida ahamiyat kasb etadi[3]. Chuqur o‘rganish algoritmlarining an’anaviy mashinaviy o‘qitish usullaridan asosiy farqlaridan biri — ular uchun oldindan alohida xususiyatlarni (feature) qo‘lda tanlash yoki ajratish talab etilmaydi. Buning o‘rniga, neyron tarmoqlar kirish ma’lumotlarini qatlamma-qatlam qayta ishlash orqali kerakli tasvirlashlarni (representations) o‘zlari o‘rganadi. Shuning uchun deep learning yondashuvi shifr ma’lumotlaridagi nozik statistik tuzilmalarning avtomatik ravishda “kashf etilishi” uchun tabiiy vosita sifatida qaralishi mumkin. Ushbu g‘oya va deep learning arxitekturalarining shifr ma’lumotlariga mos kelishi haqidagi taxmin asosida oqimli shifrlarda (stream ciphers) “qora quti” (black-box) tahlil modeli doirasida bias — ya’ni tasodifiylikdan chetlanishlarni aniqlash uchun chuqur o‘rganish usullarini qo‘llash taklif etiladi. Taklif qilinayotgan yondashuvning maqsadi — oqimli shifrlagich tomonidan generatsiya qilinadigan keystream’ning ma’lum bir pozitsiyasidagi chiqish bit/baytining sodir bo‘lish ehtimolini bashorat qilishdir. Agar model tasodifiy tizim uchun kutiladigan 1/2 yoki 1/256 ehtimoldan sezilarli darajada yuqori aniqlik bilan bashorat qila olsa, ushbu pozitsiyada statistik og‘ish mavjud, deb baholanadi[4]. Mazkur yondashuv RC4 va uning yaxshilangan varianti RC4A oqimli shifrlagichlari ustida sinovdan o‘tkazildi, shuningdek, zamonaviy yengil oqimli shifrlardan bo‘lgan Trivium va TRIAD uchun ham qo‘llab ko‘rildi. Eksperimental natijalar taklif etilgan model RC4 keystream’ining ayrim baytlarida mavjud bo‘lgan biaslarni muvaffaqiyatli aniqlashini, biroq RC4A, Trivium va TRIAD oqimlari uchun bunday sezilarli og‘ishlar kuzatilmasligini ko‘rsatdi. Shu jihatdan, chuqur o‘rganishga asoslangan yondashuv RC4 ning zaif tomonlarini identifikatsiya qilishda an’anaviy statistik tahlil hamda ehtimollik modellari asosidagi ishlarga mantiqan mos keladigan, ammo tuzilish jihatidan soddaroq va avtomatlashtirilgan alternativ usul sifatida namoyon bo‘ladi[5]. Umuman olganda, deep learning asosidagi bunday “qora quti” kriptotahlil modeli oqimli shifrlagichlarning keystream sifatini baholash, yashirin biaslarni aniqlash va yangi avlod yengil kriptografik algoritmlar dizaynida xavfsizlik mezonlarini tekshirish uchun istiqbolli yo‘nalish sifatida qaralishi mumkin[6]. II.Asosiy qism Oqimli shifrlash algoritmlarini kriptotahlil qilish uchun chuqur o‘rganishga (deep learning) asoslangan metod taklif etiladi. Ushbu metodning asosiy maqsadi - oqimli shifrlar tomonidan generatsiya qilinadigan kalit oqimida (keystream) yuzaga keladigan ehtimoliy og‘ishlarni (bias) aniqlashdir. Taklif etilayotgan algoritmning bosqichma-bosqich tafsiloti quyidagicha: 0. Dastlabki parametrlar quyidagicha belgilansin: a) Boshlang‘ich kalit: K b) Boshlang‘ich holat: S c) Kalit oqimi: KS (Qora quti - black-box - ssenariysida S ning o‘zgarish jarayoni noma'lum hisoblanadi.) 1. Boshlang‘ich kalit K quyidagicha ifodalanadi: 𝐾 = (𝑘1 , 𝑘2 , … , 𝑘𝑛 ) bu yerda n - kalit uzunligi (baytlarda). 2. K ni kirish sifatida berib, oqimli shifrlash algoritmini ishga tushiriladi va natijada KS kalit oqimi hosil qilinadi. 7

3. 1- va 2-bosqichlar N ta turli qiymatdagi K uchun takrorlanadi va natijada N ta “Kalit – Keystream” juftliklari (K – KS) to‘plami hosil qilinadi. 4. Hosil qilingan barcha N ta juftlikdan iborat ma’lumotlar to‘plami (dataset) yaratiladi. 5. Dataset ikki qismga ajratiladi: O‘quv (Training) to‘plami - 80% Test to‘plami - 20% 6. Deep learning tarmog‘iga kirish sifatida K beriladi, chiqish (target) sifatida esa KS ning 1bayti olinadi. 7. O‘quv to‘plami yordamida neyron tarmoqni o‘qitib, chuqur o‘rganish modeli yaratiladi. 8. Test to‘plamida modelni tekshiriladi va modelning KS ning 1-baytini bashorat qilish ehtimolligi qayd etiladi. 9. 6–8-bosqichlar KS ning 2-, 3-, 4-, … baytlari uchun ham takrorlanadi. 10. Agar KS ning i-bayti uchun modelning bashorat ehtimoli 1/256 (≈ 0.0039) qiymatidan sezilarli darajada yuqori bo‘lsa, unda ushbu i-bayt og‘ishga ega deb baholanadi. Aks holda, u tasodifiy (random) hisoblanadi. Taklif etilgan metodologiya asosida oqimli shifrlagichlarning tahlili Yuqorida bayon etilgan eksperimental sozlamalar RC4 algoritmini kriptotahlil qilishda quyidagi parametrlar bilan qo‘llanildi: Boshlang‘ich kalit uzunligi (n) = 5 bayt Namunalar soni / juftliklar (N) = 400 000 Tajriba RC4 tomonidan hosil qilingan kalit oqimining 1-, 2-, 3-, 4-, … baytlarini bashorat qilishga qaratilgan. Ma’lumki, RC4 o‘zgaruvchan uzunlikdagi boshlang‘ich kalitdan (odatda 5–256 bayt oralig‘ida) foydalanadi va natijada baytma-bayt psevdotasodifiy keystream generatsiya qiladi. Bizning tajriba muhitimizda kirish kaliti 5 bayt qilib belgilandi va 400 000 ta “initial key – keystream” juftligi yaratildi. RC4ning holat vektori (State Vector) yoki boshlang‘ich holati (Initial State), boshlang‘ich kalit asosida tashkillashtirilib, keyinchalik muntazam yangilanishlar orqali keystream hosil qiladi. Tajribada holat vektori uzunligi 256 qilib olingan. Ta’kidlash lozimki, o‘zgaruvchan boshlang‘ich kalit - kirish, keystreamning j-bayti esa chiqish (target) sifatida qabul qilinadi. RC4 uchun chuqur o‘rganishga asoslangan bashorat modeli Birinchi bosqichda neyron tarmoq RC4 keystreamining birinchi baytini bashorat qilish uchun sozlandi. Har bir namunada: 5 baytli kalit - kirish qatlamidagi 5 ta neyron, keystreamning birinchi bayti - chiqish neyroni sifatida berildi. Misol: Agar boshlang‘ich kalit: 0xEB 9F 72 AE 1C va generatsiya qilingan keystream: 0xBB F3 16 E8 D9 40 AF 0A D3… bo‘lsa, unda: Kirish neyronlari: EB, 9F, 72, AE, 1C Chiqish (target): BB Jami 400 000 juftlikdan iborat dataset hosil qilindi. U quyidagicha ajratildi: 80% (320 000) - o‘quv to‘plami 20% (80 000) - test to‘plami 8

Model quyidagi arxitekturadan iborat bo‘ldi: 7 ta zich (dense) qatlam, har birida 10 ta neyron Aktivatsiya funksiyasi: ReLU Chiqarish qatlami: 256 neyron, aktivatsiya: Softmax Optimizer: Adam Yo‘qotish funksiyasi: categorical_crossentropy Loss - haqiqiy qiymat bilan bashorat orasidagi xatolik darajasini bildiradi. Adam optimizatori zamonaviy chuqur o‘qitish amaliyotida juda keng qo‘llaniladi. Categorical crossentropy esa ko‘p sinfli klassifikatsiya masalalarida qo‘llaniladigan standart yo‘qotish funksiyasidir. Natijalar Taklif etilgan usul uchun ishlab chiqilgan dastur Google Colab muhitida amalga oshirildi. Colaboratory (qisqacha Colab) — Google tomonidan taqdim etiluvchi bepul bulutli xizmat bo‘lib, u Jupyter Notebook muhiti asosida ishlaydi va masalalarni hal qilish uchun zarur bo‘lgan kodlarni ishlab chiqishda GPU va TPU kabi hisoblash resurslaridan foydalanish imkonini beradi. Shuningdek, u PyTorch, TensorFlow va Keras kabi mashhur kutubxonalar yordamida chuqur o‘rganish (deep learning) algoritmlarini yaratishni qo‘llab-quvvatlaydi[7-9]. Eksperimentning asosiy maqsadi - boshlang‘ich kalit ma’lum bo‘lgan sharoitda RC4 oqimli shifrining chiqish keystream baytlarini bashoratlaydigan chuqur o‘rganish modelini yaratishdan iborat. Taklif etilgan usulni tasdiqlash uchun keystreamning dastlabki 10 bayti uchun alohida 10 ta chuqur o‘rganish modeli qurildi. 1-jadvalda eksperimental natijalar keltirilgan. Har bir modelni o‘qitish uchun 400 000 ta namunadan (kirish–chiqish juftliklaridan) foydalanildi, chunki aynan shu hajmdagi ma’lumotlar bilan bashoratlash ehtimollari barqaror kuzatildi. Ushbu miqdordagi ma’lumotlar uchun Google Colab’da GPU rejimida kodning o‘rtacha bajarilish vaqti 16 soniyani tashkil etdi. Kamroq namunalar bilan ham eksperimentlar o‘tkazildi va model 30 000 ta namunagacha ma’qul bashorat ko‘rsatkichlarini saqlab qoldi. Ammo bu holatda natijalar barqaror bo‘lmadi. 1-Jadval. 5 baytli kirish kaliti uchun RC4 keystreamidagi chiqish baytlari bo‘yicha bashorat ehtimolligi RC4 kalit O‘qitish aniqligi (Trening Sinov aniqligi (Test ma’lumotlari oqimi bayt ma’lumotlari bo‘yicha bo‘yicha bashorat ehtimoli) pozitsiyasi bashorat ehtimoli) 1 0.0040 0.0040 2 0.0079 0.0073 3 0.0040 0.0040 4 0.0041 0.0040 5 0.0040 0.0039 6 0.0040 0.0042 7 0.0040 0.0039 8 0.0039 0.0042 9 0.0040 0.0040 10 0.0040 0.0040 9

Nazariy jihatdan, agar yaxshi loyihalangan oqimli shifr tasodifiy keystream hosil qilsa, u holda keystreamning istalgan chiqish bayti qiymatini tasodifdan yaxshiroq aniqlik bilan bashorat qilishning iloji bo‘lmaydi. Ya’ni, har bir qiymat (0–255 oralig‘idagi) teng ehtimollik - 1/256 (0,0039) bilan paydo bo‘lishi kerak. Shu kabi, RC4 haqiqiy tasodifiy keystream hosil qilganida, hech bir usul keystreamning biror baytini 1/256 dan sezilarli darajada yuqori ehtimollik bilan bashorat qila olmagan bo‘lardi. Eksperimental natijalar shuni ko‘rsatdiki, chuqur o‘rganish modeli uchun ikkinchi chiqish bayti sezilarli darajada yuqori ehtimollik - 1/128 (0,0073) bilan bashorat qilinmoqda. Aksincha, boshqa baytlar bo‘yicha model tasodifiy holatdagi ehtimollikdan yaxshiroq bashoratga erisha olmadi va bu ehtimollik 1/256 atrofida kuzatildi. Boshqacha aytganda, model boshlang‘ich kalit bilan keystreamning ikkinchi bayti o‘rtasidagi bog‘liqlikni aniqlab, aynan shu baytda mavjud og‘ishni (bias) o‘rganishga muvaffaq bo‘ldi. Bu holat RC4 keystreamining ikkinchi bayti uchun bias mavjudligini ko‘rsatib, ayrim qo‘llanmalarda amaliy «faqat shifrmatn asosida - ciphertext-only» hujumlarini amalga oshirishga imkon yaratishi mumkin. Eksperiment boshqacha uzunlikdagi boshlang‘ich kalitlar (8, 16, 24 va 32 bayt) bilan ham takrorlandi. Har bir holatda xuddi shunday natijalar olindi - model faqat ikkinchi bayt bo‘yicha 1/128 atrofida og‘ishlarni o‘rgana oldi, qolgan baytlar uchun bashorat ehtimoli taxminan 1/256 bo‘lib qoldi. Bu esa RC4 keystreamining ushbu baytlari uchun kutilgan tasodifiylik darajasiga mos keladi. RC4 oqimli shifri bo‘yicha umumiy eksperimental natijalar 2-jadvalda keltirilgan. Jadval 2. RC4 gammalash oqimidagi chiqish baytlari uchun bashorat ehtimolligi (turli uzunlikdagi kalit baytlari bo‘yicha) Kalit uzunli 12345678910gi bayt bayt bayt bayt bayt bayt bayt bayt bayt bayt (bayt) 0.004 0.007 0.004 0.004 0.004 0.004 0.004 0.003 0.004 0.004 5 0 9 0 1 0 0 0 9 0 0 0.003 0.007 0.004 0.003 0.004 0.003 0.004 0.003 0.003 0.004 8 9 9 1 7 6 8 1 5 8 2 0.004 0.007 0.003 0.004 0.003 0.004 0.004 0.003 0.003 0.004 16 0 7 9 2 3 2 2 8 6 2 0.004 0.007 0.004 0.004 0.004 0.004 0.003 0.004 0.003 0.004 24 1 5 2 1 0 2 6 4 5 1 0.004 0.007 0.003 0.003 0.003 0.003 0.003 0.003 0.003 0.003 32 3 5 8 8 8 8 7 9 8 6 RC4A oqimli shifri uchun ham xuddi shunday tajribalar amalga oshirildi. Ushbu tajribalar natijalari 3-jadvalda keltirilgan. Natijalar shuni ko‘rsatadiki, RC4A oqimli shifri mualliflarining da’vosi - RC4 algoritmidagi ikkinchi chiqish baytida kuzatiladigan og‘ishni bartaraf etganliklari to‘liq tasdiqlanadi. Trivium va TRIAD oqimli shifrlari bo‘yicha o‘tkazilgan tajribalarda esa olingan aniqlik darajasi tasodifiy ehtimollikka juda yaqin bo‘ldi. Ushbu ikki shifr bo‘yicha sezilarli xulosa kuzatilmagani sababli, natijalar bu yerda keltirilmadi. 10

3-jadval. 5 baytli kirish maxfiy kalitlar uchun RC4A oqimida turli chiqish baytlari pozitsiyalari bo‘yicha taxmin ehtimoli RC4A Trening aniqligi (Trening oqimida Test aniqligi (Test ma’lumotlari uchun ma’lumotlari uchun taxmin bayt taxmin ehtimoli) ehtimoli) pozitsiyasi 1 0.0040 0.0042 2 0.0044 0.0037 3 0.0041 0.0046 4 0.0042 0.0040 5 0.0048 0.0033 6 0.0049 0.0046 7 0.0041 0.0036 8 0.0044 0.0044 9 0.0039 0.0037 10 0.0044 0.0041 Mantin va Shamir tomonidan RC4 shifrining kalit oqimi bo‘yicha batafsil statistik tahlil o‘tkazilgan. Ularning natijalariga ko‘ra, agar boshlang‘ich permutatsiya tasodifiy tanlansa, RC4 keystreamining ikkinchi bayti nol bo‘lish ehtimoli nazariy kutilganga nisbatan qariyb ikki baravar yuqori. Paul va Praneel tomonidan amalga oshirilgan chuqur tahlillar natijasida RC4 keystream generatorining birinchi va ikkinchi chiqish baytlaridagi yangi statistik bias aniqlangan[10-12]. Pudovkina esa birinchi va ikkinchi baytlarning taqsimotidagi og‘ishlarni ayrim bir xillik (uniformity) taxminlari asosida analitik ravishda aniqlashga uringan. 4-jadval. RC4ning zaif tomonlarini aniqlash bo‘yicha turli usullarni yondashuv va kuzatishlar nuqtai nazaridan solishtirma tahlili Tahlil turi Statistik tahlil Statistik tahlil To‘liq ehtimollik modeli Chuqur o‘rganish (Deep learning) usuli Kuzatish RC4ning ikkinchi chiqish so‘zi 0 bo‘lish ehtimoli taxminiy ehtimoldan deyarli ikki barobar ko‘p. Boshqa chiqish so‘zlari esa bir xil taqsimlangan RC4ning birinchi ikki chiqish so‘zi teng bo‘lish ehtimoli sezilarli darajada kutilgan ehtimoldan kam RC4ning birinchi va ikkinchi chiqish qiymatlari hamda digraflar taqsimoti bir xil emas RC4ning ikkinchi chiqish so‘zi uchun taxmin ehtimoli kutilgan ehtimoldan deyarli ikki barobar ko‘p. Boshqa chiqish so‘zlari uchun taxmin ehtimoli bir xil taqsimotga mos keladi 11 Manba [26] [19] [27] Ushbu ish

Xulosa Ushbu tadqiqotchilar tomonidan qo‘llangan usullar, shuningdek bizning yondashuvimiz va ularga mos kuzatuvlar 4-jadvalda ko‘rsatilgan. RC4 va boshqa oqimli shifrlardagi biaslarni aniqlashga doir ko‘plab tadqiqotlar muayyan farazlar asosida olib borilgan bo‘lib, ular, asosan, keystreamning ehtimollik taqsimotini qo‘lda hisoblashga tayangan. Bunday yondashuvlar shifr ichki tuzilmasini juda chuqur tahlil qilishni talab etgan. Aksincha, taklif etilayotgan yondashuv biasni aniqlash uchun oldindan hech qanday farazlar, murakkab matematik yoki statistik usullarni talab qilmaydi. U faqat oqimli shifr algoritmining kirish va chiqish juftliklarini olish va ularni chuqur o‘rganish (deep learning) modeliga uzatishni talab qiladi. Shuning uchun taklif etilgan deep learning asosidagi usul biasni aniqlash nuqtai nazaridan oqimli shifrlarni kriptotahlil qilishning ancha sodda va samarali yo‘lini taqdim etadi, deb xulosa qilish mumkin. Foydalanilgan adabiyotlar ro‘yxati 1. Maghrebi, H.; Portigliatti, T. & Prouff, E. Breaking cryptographic implementations using deep learning techniques. In Proceedings of the International Conference on Security, Privacy, and Applied Cryptography Engineering, Springer, Cham, 2016, pp. 3-26. doi: 10.1007/978-3-319-49445 2. Hochreiter, S. The vanishing gradient problem during learning recurrent neural nets and problem solutions. J. of Uncertain. Fuzziness Knowl.-based Systems, 6(02), 1998, pp. 107–116. doi: 10.1142/s0218488598000094 3. Jarrett, K.; Kavukcuoglu, K.; Ranzato, M.A. & LeCun, Y., September. What is the best multi-stage architecture for object recognition?. In Proceedings of the international conference on computer vision, IEEE. 2009, pp. 2146- 2153. doi: 10.1109/iccv.2009.5459469 4. Brownlee, J. Long Short-term Memory Networks with Python: Develop Sequence Prediction Models with Deep Learning. Machine Learning Mastery, 2017. 5. Paul, S. & Preneel, B. A New Weakness in the RC4 Keystream Generator and an Approach to Improve the Security of the Cipher. In Proceedings of the International Workshop on Fast Software Encryption, 2004, February, pp. 245-259. Springer, Berlin, Heidelberg. doi: 10.1007/978-3-540-2 6. De Canniere, C. & Preneel, B. Trivium. In New stream cipher designs. 2008, pp. 244-266. Springer, Berlin, Heidelberg. 7. Isobe, S.T., Meier, W. and Zhang, B., TRIAD v1., https://csrc.nist.gov/CSRC/media/Projects/LightweightCryptography/documents/round-1/specdoc/TRIADspec.pdf, accessed on 01 Feb 2021. 8. Robshaw, M. The eSTREAM project. In New Stream Cipher Designs. 2008. pp. 1-6. Springer, Berlin, Heidelberg. 9. McKay, K., Bassham, L., Sönmez Turan, M. ^ Mouha, N. Report on lightweight cryptography (No. NIST Internal or Interagency Report (NISTIR) 8114 (Draft)). 2016, National Institute of Standards and Technology. 10. Bonner, A. Getting started with google colab. https:// towardsdatascience.com, 2019 [Accessed on 07 Aug 2020]. 11. Erickson, B.J.; Korfiatis, P.; Akkus, Z.; Kline, T. & Philbrick, K. Toolkits and libraries for deep learning. J. of Digital Imaging, 2017, 30(4), pp. 400-405. doi: 10.1007/s10278-017-9965-6 12

12. Mantin, I. & Shamir, A. A practical attack on broadcast RC4. In International workshop on fast software encryption, 2001, April, pp. 152-164. Springer, Berlin, Heidelberg. doi: 10.1007/3540-45473-x_13 13

TASVIR ORQALI INSON YUZINI ANIQLASHDA ZAMONAVIY SUN'IY INTELLEKT ALGORITMLARINI TAHLIL QILISH VA UNING QOʻLLANILISHIDAGI SAMARADORLIGINI ANIQLASH Nodirbek Abdulxayev Kommunikatsiya va axborot texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; abdulxayev.nodirbek@gmail.com Annotatsiya: Ushbu maqola tasvir orqali inson yuzini aniqlash sohasida zamonaviy sun'iy intellekt (SI) algoritmlarining tahliliga bag'ishlangan. Maqolada MTCNN, RetinaFace, YOLO Face, ArcFace (embedding) va 3D Alignment kabi algoritmlar batafsil ko'rib chiqiladi. Ularning arxitekturasi, afzalliklari, kamchiliklari, qo'llanish sohalari va birgalikda ishlatilish samaradorligi ilmiy asosda tahlil qilinadi. Kirish qismida yuz aniqlashdagi mavjud muammolar, asosiy qismida algoritmlar va ularning yechim usullari, shuningdek, solishtirish jadvali keltirilgan. Takliflar va xulosa qismlarida kelajakdagi rivojlanishlar muhokama qilinadi. Maqola ilmiy manbalar asosida tayyorlangan bo'lib, SI algoritmlarining qo'llanilishidagi samaradorligini aniqlashga yordam beradi. Kalit so‘zlar: Yuz aniqlash, sun'iy intellekt, MTCNN, RetinaFace, YOLO Face, ArcFace embedding, 3D face alignment, kompyuterli ko'rish, real-time qo'llanish, samaradorlik tahlili. Kirish Zamonaviy dunyoda tasvir orqali inson yuzini aniqlash texnologiyalari xavfsizlik, tibbiyot, marketing va ijtimoiy tarmoqlar kabi sohalarda keng qo'llanilmoqda. Biroq, bu jarayonda bir qancha muammolar mavjud. Birinchi navbatda, yorug'lik sharoitlarining o'zgarishi (masalan, quyosh nuri yoki qorong'ulik) yuzni aniqlash aniqligini pasaytirishi mumkin, chunki tasvirdagi kontrast va ranglar buziladi. Ikkinchi muammo - yuzning pozitsiyasi va burchagi: yuz frontal bo'lmaganda (masalan, profil yoki yuqori-past burchaklar) algoritmlar xato qilishi mumkin. Uchinchisi, okklyuziya (yuzning qismi yopiq bo'lishi, masalan, niqob, ko'zoynak yoki soch) va kichik yuzlar (masalan, olis masofadagi tasvirlarda) aniqlashni qiyinlashtiradi. Shuningdek, real-time qo'llanishlarda (video oqimlarida) tezlik va resurslarning cheklanganligi muammo yaratadi. Bu muammolarni hal qilish uchun zamonaviy SI algoritmlari, masalan, RetinaFace, YOLO Face, ArcFace embedding, 3D face alignment hamda konvolyutsion neyron tarmoqlar (CNN) asosidagi modellar ishlab chiqilgan. Ushbu maqola ushbu algoritmlarni tahlil qilish va ularning samaradorligini baholashga bag'ishlangan. Adabiyotlar tahlili Tasvir orqali inson yuzini aniqlash texnologiyalari bugungi kunda sun’iy intellekt va kompyuter ko‘rish sohasining eng muhim yo‘nalishlaridan biri hisoblanadi. Inson yuzi biologik jihatdan noyob bo‘lib, u shaxsni aniqlash va farqlash uchun ishonchli biometrik belgi vazifasini bajaradi. Shu sababli yuzni aniqlash texnologiyalari ko‘plab amaliy sohalarda keng qo‘llanilmoqda [1]. Avvalo, xavfsizlik va biometrik identifikatsiya tizimlarida yuzni aniqlash shaxsni tasdiqlash, noqonuniy kirishlarning oldini olish va jamoat joylarida monitoring olib borish imkonini beradi. Bank tizimlarida va raqamli to‘lov platformalarida yuz orqali autentifikatsiya firibgarlik holatlarini kamaytiradi. 14

Shuningdek, kamerada yuzni aniqlash texnologiyasi qulay va tezkor autentifikatsiya vositasi sifatida xizmat qiladi. Aqlli shaharlar, transport nazorati, aeroport va chegara punktlarida ushbu texnologiya odamlar oqimini samarali boshqarish imkonini yaratadi. Tibbiyot sohasida yuzni aniqlash bemorlarni identifikatsiya qilish, genetik yoki nevrologik kasalliklarni aniqlashda yordam beradi. Ijtimoiy tarmoqlarda esa yuzni aniqlash avtomatik belgilash, kontentni tartiblash va foydalanuvchi tajribasini yaxshilashda muhim rol o‘ynaydi[2]. Hozirgi kundagi inson yuzini aniqlashdagi kamchiliklar: Yuqori rivojlanish darajasiga qaramasdan, inson yuzini tasvir orqali aniqlash texnologiyalari hanuz bir qator muammolarga duch kelmoqda. Birinchidan, yoritilish sharoitlarining o‘zgaruvchanligi yuzni aniqlash aniqligiga sezilarli ta’sir ko‘rsatadi. Juda kuchli yoki yetarli bo‘lmagan yorug‘lik yuz xususiyatlarining yo‘qolishiga olib keladi[3]. Ikkinchidan, yuzning burilishi (pose variation) muammosi mavjud. Old tomondan qaralmagan, yon yoki yuqoridan olingan tasvirlarda algoritmlar yuzni noto‘g‘ri aniqlashi yoki umuman topa olmasligi mumkin. Uchinchi muammo - qisman yopilish (occlusion) holatlari. Tibbiy niqoblar, ko‘zoynaklar, soqol, bosh kiyimlar yoki boshqa obyektlar yuzning muhim qismlarini berkitib qo‘yadi va aniqlashni murakkablashtiradi[5]. To‘rtinchidan, mimika va yuz ifodalarining o‘zgarishi ham algoritmlar uchun muammo tug‘diradi. Kulish, jahllanish yoki boshqa ifodalar yuz geometriyasini vaqtincha o‘zgartiradi. Beshinchidan, tasvir sifati pastligi (past aniqlik, shovqin, xiralashuv) aniqlash aniqligini keskin pasaytiradi. Ayniqsa, kuzatuv kameralaridan olingan uzoq masofali tasvirlarda bu muammo yaqqol namoyon bo‘ladi. Shuningdek, real vaqt talablari va hisoblash resurslarining cheklanganligi ham muhim kamchiliklardan biridir. Yuqori aniqlikka ega algoritmlar ko‘pincha katta hisoblash quvvatini talab qiladi, bu esa mobil va IoT qurilmalarda qo‘llashni qiyinlashtiradi[4]. Yana bir muhim masala - ma’lumotlar to‘plamidagi nomutanosiblik. Ayrim irq, yosh yoki jins guruhlari yetarli darajada ifodalanmagan bo‘lsa, algoritmlar xolislikni yo‘qotishi va xatolarga yo‘l qo‘yishi mumkin. Ilmiy yechimlar sifatida quydagilarni aytishimiz mumkin ya’ni ushbu muammolarni bartaraf etish uchun zamonaviy tadqiqotlarda ko‘p model (multi-model) yondashuv, ya’ni yuzni aniqlash, hizalash va tanib olish algoritmlarini ketma-ket qo‘llash keng qo‘llanilmoqda. Bundan tashqari, 3D yuz modellashtirish, data augmentation, domain adaptation va yengil (lightweight) neyron tarmoqlar yordamida aniqlik va tezlikni bir vaqtda oshirish ustida izlanishlar olib borilmoqda[6,7]. 15

1-rasm. Linux OS uchun Visible Light Facial Recognition ilovalari ishlashining umumiy koʻrinishi. Endi bugungi kunda tasvir orqali inson yuzini aniqlashga yo’naltirilgan eng koʻp qoʻllanilayotgan suniy intelekt algoritmlarini koʻrib chiqamiz: 1. MTCNN (Multi-task Cascaded Convolutional Neural Network) - tasvir orqali inson yuzini aniqlash va yuzning muhim nuqtalarini topishga mo‘ljallangan chuqur o‘rganishga asoslangan algoritmdir. Ushbu algoritm kaskadli tuzilishga ega bo‘lib, bir nechta konvolyutsion neyron tarmoqlarning ketma-ket ishlashi orqali yuqori samaradorlikka erishadi[8]. MTCNN uch bosqichdan iborat bo‘lib, har bir bosqich ma’lum vazifani bajaradi: P-Net (Proposal Network). Ya’ni bunda Tasvir bo‘ylab skanerlash amalga oshiradi, yuz bo‘lishi mumkin bo‘lgan hududlarni aniqlaydi, past aniqlikdagi, lekin tezkor dastlabki filtr vazifasini bajaradi. R-Net (Refine Network). Bunda P-Net tomonidan topilgan hududlarni aniqlashtiradi, noto‘g‘ri aniqlangan obyektlarni chiqarib tashlaydi, yuz chegaralarini aniqroq belgilaydi. O-Net (Output Network). Bunda esa yakuniy yuzni aniqlaydi, yuzning asosiy landmark nuqtalarini (ikki ko‘z, burun uchi, og‘iz burchaklari) hisoblab beradi, yuqori aniqlikni ta’minlaydi (2rasmda keltirilgan). MTCNN algoritmining asosiy xususiyatlariga esa quydagilarni keltirishimiz mumkin: - Multi-task yondashuvi ya’ni yuzni aniqlash va landmark topish bir vaqtda bajariladi; - Kaskadli arxitektura orqali esa hisoblash tezligini oshiradi; - Turli o‘lchamdagi yuzlarni aniqlash qobiliyati mavjudligi; - Oldindan tayyorlangan (pretrained) modellar mavjudligidir. 2-rasm. MTCNN arxitekturasini uch bosqichli (P-Net, R-Net va O-Net) larni ishlashining umumiy koʻrinishi keltirilgan. 2. RetinaFace - chuqur konvolyutsion neyron tarmoqlarga asoslangan, bir bosqichli (singlestage) yuqori aniqlikdagi inson yuzini aniqlash algoritmi hisoblanadi. Ushbu algoritm yuzlarni aniqlash bilan birga ularning asosiy landmark nuqtalarini ham yuqori aniqlikda hisoblab berishi bilan ajralib turadi. RetinaFace zamonaviy biometrik va xavfsizlik tizimlarida eng kuchli yuzni aniqlash algoritmlaridan biri sifatida e’tirof etiladi[9]. 16

RetinaFace RetinaNet arxitekturasiga asoslangan bo‘lib, Feature Pyramid Network (FPN) va Anchor-based yondashuvlardan foydalanadi. Algoritm quyidagi asosiy bosqichlarda ishlaydi: 1. Backbone tarmoq - Odatda ResNet yoki MobileNet arxitekturasi qo‘llaniladi. U tasvirdan chuqur xususiyatlarni ajratib oladi. 2. Feature Pyramid Network (FPN) - Turli o‘lchamdagi yuzlarni aniqlash uchun ko‘p miqyosli (multi-scale) xususiyat xaritalarini hosil qiladi. 3. Yuzni aniqlash (Face Classification) - Har bir anchor uchun yuz mavjud yoki mavjud emasligi aniqlanadi. 4. Chegara regressiyasi (Bounding Box Regression) - Yuz chegaralari aniq hisoblanadi. 5. Landmark regressiyasi - 5 ta asosiy yuz nuqtasi (ikki ko‘z, burun uchi, ikki og‘iz burchagi) aniqlanadi. Ushbu RetinaFace algoritmining asosiy avfzalliklari sifatida quydagilarni aytishimiz mumkin. - Zamonaviy yuz aniqlash algoritmlari ichida eng yuqori aniqliklardan biri; - Yoritilish, burilish va qisman yopilish holatlarida barqaror ishlaydi; - Landmark aniqligi juda yuqori; - Yuqori darajadagi ilmiy asoslangan modeldir. Amaliy tizimlarda RetinaFace ko‘pincha yuzni aniqlashning asosiy moduli sifatida ishlatiladi. Aniqlangan yuzlar keyinchalik 3D Alignment yordamida normallashtiriladi va ArcFace algoritmi orqali tanib olinadi. Ushbu ketma-ketlik yoritilish va burilish muammolarini minimallashtiradi hamda tanib olish aniqligini maksimal darajaga olib chiqadi. 3. YOLO Face (You Only Look Once – Face Detection) algoritmi - obyektlarni aniqlashga mo‘ljallangan YOLO algoritmining inson yuzini aniqlash vazifasiga moslashtirilgan varianti bo‘lib, real vaqt rejimida yuqori tezlikda ishlashi bilan ajralib turadi. Ushbu algoritm bir bosqichli (singlestage) chuqur konvolyutsion neyron tarmoqqa asoslangan bo‘lib, butun tasvirni bir martalik ko‘rish orqali yuz joylashuvini aniqlaydi [10]. YOLO Face algoritmining ishlash prinsipi quydagichadir: YOLO Face algoritmi tasvirni panjara (grid)larga bo‘lib, har bir panjara uchun quyidagi ma’lumotlarni hisoblaydi: - Yuz mavjudligi ehtimoli (confidence score); - Yuzning chegaraviy qutisi (bounding box); - Sinf ehtimoli (face class). Amaliy tizimlarda YOLO Face odatda birlamchi yuzni aniqlash moduli sifatida ishlatiladi. Aniqlangan yuzlar keyinchalik MTCNN yoki RetinaFace yordamida aniqlashtiriladi yoki 3D Alignment orqali hizalanadi. Shundan so‘ng esa ArcFace algoritmi yordamida yuzni tanib olish amalga oshiriladi. Ushbu yondashuv real vaqt tezligi va yuqori aniqlik o‘rtasida optimal muvozanatni ta’minlaydi. XD-face ma'lumotlar to'plamida AP50 metrikasining (chapda) va metrikasining (o'ngda) aniqlash natijalari keltirishimiz mumkin. 17

3-rasm. XD-face ma'lumotlar to'plamida AP50 metrikasining (chapda) va metrikasining (o'ngda) aniqlash natijalari. 4. ArcFace (Additive Angular Margin Loss) - inson yuzini tanib olish (face recognition) uchun mo‘ljallangan zamonaviy chuqur o‘rganish algoritmi bo‘lib, yuz tasviridan yuqori aniqlikdagi embedding (raqamli vektor ifoda) hosil qiladi. Ushbu embeddinglar orqali yuzlar o‘rtasidagi o‘xshashlik burchak masofasi asosida aniqlanadi. ArcFace algoritmi yuzni aniqlashdan keyingi bosqichda ishlaydi va shaxslar orasidagi farqlarni maksimal darajada aniqlab berishga qaratilgan. 5. 3D Face Alignment - yuzni uch o‘lchamli model asosida hizalash algoritmi bo‘lib, yuzning burilishi, egilishi va yoritilishdagi farqlarni kamaytirishga qaratilgan. Ushbu yondashuv 2D tasvirlardan 3D yuz geometriyasini tiklash orqali amalga oshiriladi. Algoritm quyidagi bosqichlardan iborat: - Yuzning asosiy landmark nuqtalarini aniqlash; - 3D yuz modelini (masalan, 3D Morphable Model) moslashtirish; - Yuzni frontal holatga normallashtirish; - ArcFace kabi tanib olish algoritmlariga tayyorlash kabi vazifalarni bajaradi. Yuqoridagi algoritmlar barchasi turli xildagi texnik koʻrsatkichlarda bir biriddan farq qiladi. Aynan ularni bitta tizimga birlashtirish orqali tasvirdan inson yuzini aniqlab oslishda sezilarni aniqlikga erishishimiz mumkin. 1-jadval. Algoritmlarni solishtirish tahlili. Algoritm MTCNN RetinaFace YOLO Face ArcFace 3D Alignment Afzalliklari Yuqori aniqlik, alignment integratsiyasi Okklyuziyaga chidamli, yuqori AP Real-time tezlik, tejamkor Diskriminativ embedding Poz va okklyuziyaga chidamli Kamchiliklari Qoʻllanish sohalari Samaradorlik (Aniqlik/Tezlik) Past tezlik, resurs talabchan Yuz tanish, ifoda tahlili Aniqlik: 92% F1, Tezlik: 1-5 FPS Kuzatuv, xavfsizlik Video oqimlar, dronlar Biometriya, smartfonlar Aniqlik: 97% F1, Tezlik: 15-25 FPS Aniqlik: 98%, Tezlik: O'rtacha AR/VR, 3D tanish Aniqlik: Yuqori, Tezlik: Past CPU da sekin Past razresheniyada zaif Deteksiya emas Hisoblash qimmat Aniqlik: 95% F1, Tezlik: 20-45 FPS RetinaFace deteksiya uchun, ArcFace embedding uchun, MTCNN alignment uchun birlashtirilganda samaradorlik oshadi (yuqori aniqlik va tezlik). Masalan, RetinaFace + ArcFace pipelayn real-time + 3D Alignment tanishda samarali. 3D Alignment YOLO bilan birlashtirilganda okklyuziya muammosini 20-30% ga kamaytiradi. 18

Misol tariqasida RetinaFace, ArcFace va 3D Face Alignment algoritmlarini birgalikda qoʻllash orqali olingan natijasini 4-rasmda koʻrishimiz mumkin. a) b) 4-rasm. (a va b) Inson yuzini aniqlashda RetinaFace, ArcFace va 3D Face Alignment algoritmlarini birgalikda qoʻllash orqali olingan natijaning umumiy koʻrinishi. Yuqoridagi rasmdan koʻrinib turibdiki har uchta (RetinaFace, ArcFace va 3D Face Alignment) algoritmlari birgalikda sinxron ravishta real-time orqali tasvirdan inson yuzini aniqlash orqali qoʻllash orqali sezilarli aniqlikga erishishimiz mumkin. Bu esa albatta tizimning ishonchliligi yanada oshiradi. Xulosa Ushbu tadqiqotda inson yuzini aniqlash va tanib olish jarayonida qo‘llanilayotgan zamonaviy sun’iy intellekt algoritmlari RetinaFace, ArcFace (embedding) hamda 3D Face Alignment algoritmlarining kompleks tarzda qo‘llanishi tahlil qilindi. O‘rganishlar shuni ko‘rsatadiki, mazkur algoritmlarning har biri alohida vazifani bajaradi va ularni ketma-ket hamda uyg‘un holda qo‘llash orqali tizimning umumiy samaradorligi sezilarli darajada oshadi. 3D Face Alignment algoritmi yuzning burilishi va egilishi bilan bog‘liq muammolarni kamaytirib, yuzni normallashtirish orqali tanib olish jarayoni uchun optimal sharoit yaratadi. ArcFace embedding algoritmi esa normallashtirilgan yuz tasviridan yuqori aniqlikdagi embedding hosil qilib, shaxslar orasidagi farqlarni aniq ajratib berishga imkon beradi. Mazkur algoritmlarni birgalikda qo‘llash natijasida yuzni aniqlash aniqligi, tanib olish ishonchliligi va tizimning real sharoitlarda ishlash barqarorligi oshadi. Eng muhimi, ushbu yondashuv yoritilish, yuz burilishi, mimika, tasvir sifati pastligi kabi dolzarb muammolarni sezilarli darajada kamaytiradi. Tadqiqot natijalari shuni ko‘rsatadiki, yagona algoritmga asoslangan tizimlarga nisbatan ko‘p bosqichli va kompleks yondashuv yuqori samaradorlikka ega bo‘lib, zamonaviy biometrik xavfsizlik, identifikatsiya va aqlli kuzatuv tizimlarini yaratishda muhim ahamiyat kasb etadi. Adabiyotlar 1. Deng, J., Guo, J., Niannan, X., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4690–4699. 19