Sun’iy Intellekt va Raqamli Iqtisodiyot

2-rasm. Turli tegishlilik funksiyasi uchun ishonchlilik dinamikasi Tadqiqot shuni ko‘rsatdiki: - yagona shakldagi funksiyalar yetarli emas; - semantik mos tanlash muhim; - kombinatsion yondashuv noaniqlik tarqalishini kamaytiradi; - tizimning adaptivligi oshadi. Bu ayniqsa bulutli muhit va real vaqt tizimlari uchun muhim. Shuningdek, ushbu yondashuv resurslardan samarali foydalanish va xizmat ko‘rsatish sifatini barqaror saqlashga yordam beradi. Xulosa Ushbu ishda noravshan mantiq asosidagi so‘rovlarni taqsimlash tizimlari uchun tegishlilik funksiyalari sezuvchanligini kvantlashga asoslangan yangi model taklif etildi. Tadqiqot natijalari shuni ko‘rsatdiki: - semantik mos tanlangan funksiyalar qaror aniqligini oshiradi; - kombinatsion yondashuv tizim barqarorligini yaxshilaydi; - umumiy sezuvchanlik balansi optimallashtiriladi. Kelgusida modelni real vaqt adaptiv tizimlarga joriy etish va mashinaviy o‘rganish bilan integratsiya qilish rejalashtirilmoqda. Amaliy jihatdan ushbu yechim bulutli ma’lumot markazlari va mikroservis arxitekturalarida so‘rovlarni aqlli taqsimlash mexanizmini yaratishda foydalanish mumkin. Bundan tashqari, modelni real monitoring platformalari bilan bog‘lash orqali server yuklanishini avtomatik boshqaruvchi prototip tizim ishlab chiqish imkoniyati mavjud va respublika darajasidagi ma’lumot markazlari hamda mahalliy korxonalarning server infratuzilmalarida yuklamani samarali boshqarish uchun amaliy jihatdan qo‘llanishi mumkin. Adabiyotlar ro‘yxati 1. Hamdani, Y. Aklouf and M. Aklouf, “A parallel fuzzy load balancing algorithm for distributed nodes over a cloud system,” International Journal of Grid and High Performance Computing, vol. 14, no. 1, 2022, doi:10.4018/IJGHPC.301576. 2. Saatchi R. “Fuzzy Logic Concepts, Developments and Implementation,” Information, vol. 15, no. 10, Art. no. 656, 2024, doi: 10.3390/info15100656. 3. Shen, Q. Yao and X. Pan, “The fuzzy inference system based on axiomatic fuzzy sets using overlap functions as aggregation operators and its approximation properties,” Applied Intelligence, vol. 54, pp. 10414–10437, 2024, doi: 10.1007/s10489-024-05716-3. 4. Devi, S. Dalal, K. Solanki, Su. Dalal, U.K.Lilhore et al. “A systematic literature review for load balancing and task scheduling techniques in cloud computing.” Artif Intell Rev 57, 276 (2024). https://doi.org/10.1007/s10462-024-10925-w 299

5. Mahajan, A. Makroo and D. Dahiya, “Round robin with server affinity: A VM load balancing algorithm for cloud based infrastructure,” Journal of Information Processing Systems, vol. 9, no. 3, pp. 379–394, 2013, doi:10.3745/JIPS.2013.9.3.379. ANALYSIS OF INTELLIGENT MODELS FOR KNOWLEDGE ASSESSMENT BASED ON ARTIFICIAL INTELLIGENCE AND FUZZY LOGIC IN DIGITAL EDUCATION INFRASTRUCTURE Khasanov Dilmurod Rasul ugli, t.f.f.d., (PhD), O‘zMU Jizzax filiali, Kompyuter ilmlari va dasturlashtirish kafedrasi dotsenti tatusf2015@gmail.com Annotatsiya. Ushbu maqolada raqamli ta'lim infratuzilmasida noaniq mantiq va sun'iy intellektga asoslangan bilimlarni baholash uchun aqlli modellar o‘rganiladi. Tadqiqot uchta vakillik yondashuviga qaratilgan: noaniq xulosa chiqarish tizimlari, moslashuvchan neyronoaniq xulosa chiqarish tizimlari va noaniq AHP va TOPSIS kabi noaniq ko‘p mezonli qaror qabul qilish modellari. Ularning umumiy arxitekturasi va matematik asoslari noaniqlikni boshqarish, baholash ko‘rsatkichlarini talqin qilish va obyektiv qaror qabul qilishni qo‘llabquvvatlash qobiliyatini baholash uchun tahlil qilinadi. Kalit so‘zlar: Noaniq mantiq, Bilimlarni baholash, Raqamli ta'lim infratuzilmasi, Intellektual modellar, ANFIS, Mashinada o‘qitish, Ta'limni baholash, Qarorlarni qo‘llabquvvatlash tizimlari. Аннотация. В данной статье исследуются интеллектуальные модели оценки знаний в цифровой образовательной инфраструктуре на основе нечеткой логики и искусственного интеллекта. Исследование сосредоточено на трех репрезентативных подходах: системах нечеткого вывода, адаптивных нейро-нечетких системах вывода и моделях нечеткого многокритериального принятия решений, таких как нечеткий AHP и TOPSIS. Анализируются их общие архитектуры и математические основы для оценки их способности обрабатывать неопределенность, интерпретировать показатели оценки и поддерживать объективное принятие решений. Ключевые слова: Нечеткая логика, Оценка знаний, Цифровая образовательная инфраструктура, Интеллектуальные модели, ANFIS, Машинное обучение, Оценка образования, Системы поддержки принятия решений. Abstract. This paper investigates intelligent models for knowledge assessment in digital education infrastructure based on fuzzy logic and artificial intelligence. The study focuses on three representative approaches: fuzzy inference systems, adaptive neuro-fuzzy inference systems, and fuzzy multi-criteria decision-making models such as fuzzy AHP and TOPSIS. Their general architectures and mathematical foundations are analyzed to evaluate their ability to handle uncertainty, interpret assessment indicators, and support objective decision-making. Keywords: Fuzzy logic, Knowledge assessment, Digital education infrastructure, Intelligent models, ANFIS, Machine learning, Educational evaluation, Decision support systems. Introduction. The rapid development of digital technologies has significantly transformed modern education systems, leading to the formation of advanced digital education infrastructures. Learning management systems, online assessment platforms, and educational data repositories generate large volumes of heterogeneous and often uncertain data related to students’ learning activities and performance. In this context, ensuring objective, accurate, and fair knowledge assessment remains one of the most critical challenges in digital education environments [1]. Traditional assessment methods are usually based on rigid scoring rules and crisp thresholds, which are often insufficient for capturing the 300

complexity, subjectivity, and uncertainty inherent in educational evaluation processes. Indicators such as task complexity, level of differentiation, response correctness, and answer weighting cannot always be expressed precisely using classical mathematical models. This limitation motivates the integration of artificial intelligence and fuzzy logic techniques into modern assessment systems [2]. Fuzzy set theory provides a powerful mathematical framework for modeling uncertainty and imprecision in decision-making processes. When combined with artificial intelligence methods, fuzzy logic enables the construction of intelligent assessment models that are both interpretable and adaptive. Such models can process linguistic variables, incorporate expert knowledge, and adjust parameters based on empirical data, making them highly suitable for educational applications. This study adopts a comparative analytical methodology to examine intelligent models for knowledge assessment in digital education infrastructure based on artificial intelligence and fuzzy logic. The proposed methodology focuses on analyzing the general structure, functional principles, and mathematical foundations of selected models, as well as identifying their advantages and limitations in handling uncertainty in educational assessment [3-5]. Methodology Fuzzy Inference-Based Assessment Model (FIS). The first methodology is based on a fuzzy inference system (FIS), where input indicators are transformed into linguistic variables through fuzzification. Membership functions are defined to represent qualitative concepts such as low, medium, and high. A rule base constructed from expert knowledge is then applied to infer the assessment outcome. Finally, defuzzification methods are used to obtain a crisp knowledge score. This approach enables transparent reasoning and interpretability of assessment decisions (figure 1) [4]. Denote the set of input indicators, where 𝑥1 represents task complexity, 𝑥2 differentiation index, 𝑥3 response value, and 𝑥4 response weight. Each indicator is mapped to a fuzzy set using a membership function 𝜇𝐴𝑖 (𝑥𝑖 ). Figure 1. Fuzzy Inference-Based Assessment Model structure [6] 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 } A commonly used triangular membership function is defined as: 0, 𝑥 ≤ 𝑎, 𝑥−𝑎 , 𝑎 < 𝑥 ≤ 𝑏, 𝑏 − 𝑎 𝜇𝐴 (𝑥) = 𝑐 − 𝑥 , 𝑏 < 𝑥 < 𝑐, 𝑐−𝑏 { 0, 𝑥 ≥ 𝑐, 301

The inference process is performed using a rule base of the form: IF 𝑥1 is 𝐴1 AND 𝑥2 is 𝐴2 THEN 𝑦 is 𝐵 where the firing strength of the rule is computed using a 𝑡-norm operator: 𝑤𝑘 = min (𝜇𝐴1 (𝑥1 ), 𝜇𝐴2 (𝑥2 ), … ) The final crisp assessment score is obtained by centroid defuzzification: 𝑦∗ = ∫ 𝑦 𝜇𝐵 (𝑦) 𝑑𝑦 ∫ 𝜇𝐵 (𝑦) 𝑑𝑦 Adaptive Neuro-Fuzzy Assessment Model (ANFIS). The second methodology employs an adaptive neuro-fuzzy inference system (ANFIS), which integrates fuzzy logic with neural network learning mechanisms. In this model, fuzzy rules and membership function parameters are automatically optimized using training data. A hybrid learning algorithm combining least squares estimation and gradient-based optimization is applied to improve assessment accuracy [8]. This methodology allows the model to adapt to changes in learner behavior while preserving fuzzy interpretability. Figure 2. Neuro-Fuzzy Assessment Model structure ANFIS combines fuzzy inference with neural network learning capabilities. In a first-order Sugeno-type ANFIS, each rule is expressed as: Rule𝑖 :IF 𝑥 is 𝐴𝑖 AND 𝑦 is 𝐵𝑖 THEN 𝑓𝑖 = 𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 The firing strength of each rule is given by: 𝑤𝑖 = 𝜇𝐴𝑖 (𝑥) ⋅ 𝜇𝐵𝑖 (𝑦) and normalized as: 𝑤𝑖 𝑤ˉ𝑖 = 𝑁 ∑ 𝑗=1 𝑤𝑗 The ANFIS output is calculated as: 𝑁 𝑦̂ = ∑ 𝑤ˉ𝑖 𝑓𝑖 𝑖=1 Model parameters (𝑝𝑖 , 𝑞𝑖 , 𝑟𝑖 )and membership function parameters are optimized using a hybrid learning algorithm that combines least squares estimation and gradient descent [7]. Fuzzy Multi-Criteria Decision-Making Model (Fuzzy AHP). The third methodology utilizes fuzzy multi-criteria decision-making techniques, such as fuzzy AHP or fuzzy TOPSIS, to evaluate students’ knowledge levels. Assessment indicators are represented as fuzzy numbers, and their relative importance is determined through fuzzy pairwise comparisons. The final assessment is obtained 302

by aggregating weighted criteria, enabling a structured and consistent evaluation process under uncertainty [9]. Conclusion This research analyzed fuzzy inference, neuro-fuzzy, and fuzzy multi-criteria models for knowledge assessment in digital education systems. The results indicate that while FIS ensures transparency, ANFIS provides adaptability, and fuzzy AHP/TOPSIS offers structured decision support. Hybrid approaches are recommended for improved assessment effectiveness (Table 1). Table 1 Comparative table of assessment models Criterion FIS ANFIS Fuzzy AHP / TOPSIS Uncertainty handling Linguistic variables, rule- Fuzzy logic with Fuzzy numbers, based inference adaptive learning comparison Interpretability Adaptability Explicit IF–THEN rules Static, no learning Computational complexity Low inference cost pairwise Partially interpretable Clear weighting and ranking Data-driven parameter Static decision structure learning High training cost Moderate matrix operations References 1. Zimmermann, H. J. (2020). Fuzzy set theory-and its applications. Springer Science & Business Media. 2. Romero, C., Ventura, S., Pechenizkiy, M., & Baker, R. S. (2021). Handbook of Educational Data Mining. CRC Press. 3. Rahimov Nodir, Khasanov Dilmurod. (2022). The Mathematical Essence Of Logistic Regression For Machine Learning. https://doi.org/10.5281/zenodo.7239169 4. N.Raximov, J.Kuvandikov, D.Khasanov, “The importance of loss function in artificial intelligence”, International Conference on Information Science and Communications Technologies (ICISCT 20222), DOI: 10.1109/ICISCT55600.2022.10146883 5. Raximov N., Xasanov D. (2023). Data preprocessing techniques in machine learning. Информатика и инженерные технологии, 1(2), 27–31. извлечено от https://inlibrary.uz/index.php/computer-engineering/article/view/24959 SDN (SOFTWARE DEFINED NETWORKING) TARMOQLARIDA DDOS HUJUMLARINI ANIQLASHDA MASHINALI O‘RGANISH ALGORITMLARINING SAMARADORLIGINI TADQIQ QILISH Komilov Abrorjon Maxamatsoli o‘g‘li, UMFT 1-bosqich Magistranti, abrorkomilov571@gmail.com Negmatov Ulug‘bek Pirimkulovich, UMFT, 1-bosqich Magistranti, ulugnegmatov12@gmail.com Axmedov Farhodjon Jumaboyevich, UMFT, 1- bosqich Magistranti, afjaxm@gmail.com Annotatsiya. Ushbu tezisda SDN tarmoqlarida DDoS hujumlarini erta bosqichda aniqlash uchun mashinali o‘rganish algoritmlarining samaradorligi tadqiq etiladi. Yondashuv oqim statistikalari, vaqt oynalari va entropiya ko‘rsatkichlaridan foydalanadi. Ilmiy yangilik sifatida SDN boshqaruvchisiga yaqin real vaqtda ishlovchi, soxta ijobiylarni kamaytiruvchi baholash mezonlari asosida taqqoslovchi tahlil taklif qilinadi. Natijada aniqlikdan tashqari 303

kechikish, resurs sarfi va boshqaruvchi kanali yuklamasi bo‘yicha ham muhim xulosalar shakllantiriladi. Kalit so‘zlar. SDN, DDoS, OpenFlow, ROC-AUC, SYN/ACK, flow statistics, port statistics, paket-in, ansambl model. Abstract. This thesis investigates the effectiveness of machine learning algorithms for the early-stage detection of DDoS attacks in SDN networks. The proposed approach utilizes flow statistics, time windows, and entropy indicators. As a scientific novelty, a comparative analysis based on evaluation metrics that reduce false positives and operate in near real-time proximity to the SDN controller is presented. Consequently, significant conclusions are formulated not only regarding accuracy but also concerning latency, resource consumption, and control channel load. Keywords: SDN (Software-Defined Networking), DDoS attacks, OpenFlow, ROC-AUC, SYN/ACK, flow statistics, port statistics, packet-in, ensemble model. Аннотaция. В данной тезисной работе исследуется эффективность алгоритмов машинного обучения для раннего обнаружения DDoS-атак в сетях SDN. Подход базируется на использовании статистики потоков, временных окон и показателей энтропии. В качестве научной новизны предлагается сравнительный анализ на основе критериев оценки, снижающих количество ложных срабатываний и работающих в режиме, близком к реальному времени, непосредственно у контроллера SDN. В результате сформированы важные выводы не только по точности обнаружения, но и по задержкам, потреблению ресурсов и нагрузке на канал управления. Ключевые слова: SDN (Программно-определяемые сети), DDoS-атаки, OpenFlow, ROC-AUC, SYN/ACK, статистика потоков, статистика портов, packet-in, ансамблевая модель. Kirish. SDN arxitekturasida boshqaruv va ma’lumot uzatish qatlamlarining ajratilishi tarmoqni markazdan turib moslashuvchan boshqarish imkonini beradi. Biroq, bu markazlashuv DDoS hujumlariga nisbatan yangi zaifliklarni keltirib chiqaradi. Xususan, tajovuzkorlar Packet-in xabarlarini ko‘paytirish orqali kontroller resurslarini ortiqcha yuklashi va kommutatorlardagi oqimlar jadvalini (Flow Table) to‘ldirib tashlashi mumkin. Natijada, nafaqat oddiy xizmatlar, balki butun boshqaruv tizimi (Control Plane) ishdan chiqadi. Shu sababli, SDN muhitida DDoSni aniqlashda nafaqat trafik hajmi, balki aniqlash tezligi, kanal yuklamasi va qoidalarni yangilash kechikishi kabi amaliy ko‘rsatkichlarni ham inobatga olish zarur. Asosiy qism. Mazkur tezisning maqsadi SDN tarmoqlarida DDoS hujumlarini aniqlash uchun qo‘llaniladigan mashinali o‘rganish algoritmlarining samaradorligini aniqlik, barqarorlik va hisoblash xarajatlari bo‘yicha qiyosiy baholash hamda real tizimga tatbiq etishda metodik tavsiyalarni asoslashdan iborat. Tadqiqot obyekti sifatida OpenFlowga yaqin boshqaruv modeli qo‘llaniladigan SDN muhiti qaraladi, predmet sifatida esa oqim darajasidagi statistikalar, vaqt oynalari bo‘yicha agregatsiya va shu ma’lumotlar asosida qurilgan tasniflash modellari tanlanadi. SDNning telemetriya imkoniyatlari (flow statistics, port statistics, paket-in chastotasi) hujum alomatlarini tez ajratishga yordam beradi, lekin bu ma’lumotlar ko‘pincha shovqinli, muvozanatsiz va tarmoq topologiyasi hamda xizmat profili o‘zgarishiga sezgir bo‘ladi. Shuning uchun ilmiy vazifa faqat “eng yuqori aniqlik”ka erishish emas, balki modelning domen siljishi sharoitida 304

barqarorligi va ishlab turadigan SDN boshqaruvchisiga ortiqcha yuk bermasligini ko‘rsatishdan iborat. Metodologik yondashuvda DDoSni aniqlash masalasi nazoratli tasniflash sifatida qo‘yiladi, bunda sinflar “normal trafik” va “DDoS/DoSga xos trafik” ko‘rinishida belgilanadi. Ma’lumotlar oqim yozuvlari ko‘rinishida shakllantiriladi: manzil va manba IP/portlar bo‘yicha oqimlar soni, paketlar soni, baytlar hajmi, oqim davomiyligi, o‘rtacha paket o‘lchami, paketlar oralig‘i, SYN/ACK nisbatlari kabi belgilar hujum turiga qarab ajratuvchanlik beradi. SDN xususiyatiga ko‘ra qo‘shimcha muhim signal sifatida paket-in xabarlarining vaqt birligidagi soni va yangi oqim qoidasi o‘rnatilish tezligi olinadi, chunki boshqaruv tekisligiga qaratilgan hujumlarda aynan shu ko‘rsatkichlar keskin o‘zgaradi. Belgilarni tanlashda korrelyatsion ortiqchalikni kamaytirish hamda modelning tushuntiriluvchanligini oshirish maqsadida o‘zaro bog‘liq ko‘rsatkichlar qisqartiriladi, vaqt oynasi uzunligi esa aniqlash kechikishi va shovqinga chidamlilik o‘rtasidagi muvozanatga ko‘ra asoslanadi. Tadqiqotda amaliyotda keng qo‘llaniladigan algoritmlar: logistik regressiya, tayanch vektorlar usuli (SVM), qarorlar daraxti, shuningdek, tasodifiy o‘rmon (Random Forest) va gradient kuchaytirish (Gradient Boosting) kabi ansambl yondashuvlari ko‘rib chiqiladi. Logistik regressiya tezkorligi va hisoblash resurslarini kam talab qilishi bilan ajralib turadi; u oqim statistikalarida chiziqli ajraluvchanlik mavjud bo‘lgan holatlarda barqaror natija beradi. Biroq, murakkab va ko‘p qatlamli DDoS ssenariylarida ushbu algoritm tasniflash chegarasini yetarlicha moslashuvchan qura olmasligi mumkin. Tayanch vektorlar usuli (SVM) kichik va o‘rta hajmdagi ma’lumotlar to‘plamida yaxshi umumlashtirish xususiyatiga ega, ammo yadro funksiyalarini tanlash va parametrlarni sozlash real vaqt rejimidagi talablarga to‘g‘ri kelmasligi, shuningdek, ma’lumotlar hajmi ortishi bilan hisoblash murakkabligining keskin o‘sishi kuzatiladi. Qarorlar daraxti o‘zining interpretatsiya qilinishi (tushunarliligi) bilan muhim ahamiyatga ega, chunki u tarmoq administratoriga aynan qaysi belgi (feature) hujumga asos bo‘layotganini aniq ko‘rsatib beradi. Ammo bitta daraxtdan foydalanish “qayta o‘qitish” (overfitting) xavfini tug‘diradi va shovqinli SDN telemetriyasida xato signallar (false positives) sonini oshirishi mumkin. Shu nuqtada, tasodifiy o‘rmon va gradient kuchaytirish kabi ansambl usullari model aniqligi va barqarorligini sezilarli darajada yaxshilaydi. Shunday bo‘lsa-da, modelning hajmi va qaror qabul qilish vaqti (inference time) SDN kontrolleri uchun kritik omil ekanligini hisobga olish zarur. Ma’lumotlar bilan ishlashda SDN xavfsizligiga xos muammo sinflar nomuvozanatidir: real tarmoqlarda hujum holatlari normal holatlarga nisbatan kam uchraydi, laboratoriya sharoitida esa aksincha, hujum trafiki sun’iy ko‘paytiriladi. Bu holat baholash natijalarini buzmasligi uchun muvozanatlash strategiyalari (og‘irlik berish, qayta namunalash) ehtiyotkor qo‘llanadi, chunki qayta namunalash oqimlar vaqt ketma-ketligini buzib, real vaqt deteksiyasiga mos kelmaydigan 305

naqshlarni keltirib chiqarishi mumkin. Shuning uchun muvozanatlashdan ko‘ra, metrikalarni to‘g‘ri tanlash muhimroq deb qaraladi: aniqlik (accuracy) o‘rniga aniqlik-foyda muvozanatini aks ettiruvchi F1, ROC-AUC, hamda ayniqsa soxta ijobiylar ulushi va aniqlash kechikishi birgalikda tahlil qilinadi. SDNda soxta ijobiylar oqim qoidalarini asossiz bloklashga olib kelib, xizmatlar uzilishiga sabab bo‘lishi mumkin, shu bois “soxta ijobiy narxi” oddiy korporativ tarmoqdagidan ham yuqoriroq baholanadi. Tadqiqotda algoritmlarni baholash ikki qatlamda asoslanadi. Birinchi qatlam klassik mashinali o‘rganish baholashidir: kross-validatsiya yordamida modelning umumlashtirish qobiliyati sinovdan o‘tkazilib, parametrlar izlanadi, xususiyatlar ahamiyati tahlil qilinadi va turli DDoS turlari bo‘yicha ajratuvchanlik solishtiriladi. Ikkinchi qatlam SDNga xos tizim ko‘rsatkichlarini o‘lchashdir: boshqaruvchi CPU va xotira yuklamasi, oqim qoidalarini o‘rnatish tezligi, paket-in oqimi ortgan paytda detektorning javob vaqtini saqlab qolishi, hamda deteksiya natijasiga ko‘ra qo‘llanadigan mitigatsiya siyosati (rate limiting, drop rule, blackhole) tarmoq ishlashiga qay darajada ta’sir qilishi baholanadi. Ilmiy yangilik sifatida aynan shu ikki qatlamni birlashtirib, “eng yuqori AUC”ka ega model emas, balki “SDN boshqaruvchisi bilan birga barqaror ishlaydigan” modelni tanlash mezonlari asoslanadi. Natijalarni tahlil qilishda shunday xulosaga kelinadi: ansambl usullar ko‘pincha yuqori aniqlik va past soxta ijobiy ko‘rsatadi, chunki ular turli belgilar o‘rtasidagi nozik nolinear bog‘liqliklarni ushlay oladi, lekin resurs sarfi oshishi va modelni yangilash murakkabligi sababli ularni SDN boshqaruvchisining o‘zida emas, balki boshqaruvchi bilan yonma-yon ishlaydigan analitik modulda yoki ajratilgan xavfsizlik xizmati sifatida joylashtirish maqsadga muvofiq bo‘ladi. Yengil chiziqli modellar va soddaroq daraxtlar esa boshqaruv tekisligida tezkor “birinchi filtr” rolini bajara oladi, bunda ular anomaliyaning kuchli signallari yuzaga kelganda mitigatsiya siyosatini vaqtincha ishga tushiradi, keyinroq esa chuqurroq ansambl model orqali tasdiqlash amalga oshiriladi. Bu ikki bosqichli yondashuv SDNning real vaqt talablarini qondirib, soxta ijobiylarni kamaytirish imkonini beradi, chunki agressiv bloklash faqat yuqori ishonchli holatlarda qo‘llanadi, shubhali holatlar esa qo‘shimcha tekshiruvdan o‘tadi. Shuningdek, DDoS hujumlari doimiy evolyutsiyada bo‘lgani uchun modelning eskirishi muammosi dolzarbdir. SDNda xizmatlar dinamik ko‘payishi, yangi virtual tarmoqlar paydo bo‘lishi va trafik profilining o‘zgarishi normal holatni ham o‘zgartiradi; natijada bir marta o‘qitilgan model vaqt o‘tishi bilan soxta ijobiylarni ko‘paytirishi mumkin. Shu sababli konseptual yondashuv sifatida davriy qayta o‘qitish, siljishni aniqlash va xususiyatlar driftini monitoring qilish taklif etiladi; bunda qayta o‘qitish jarayoni tarmoqning eng tinch vaqtlarida bajarilishi, model versiyalari esa kuzatiluvchanlik uchun hujjatlashtirilishi zarur. Ayniqsa, xavfsizlik tizimi avtomatik qaror chiqarayotgan holatda izohlanish talabi ortadi, shuning uchun ansambl modellarda xususiyatlar ahamiyatini chiqarish yoki 306

mahalliy izohlash usullarini qo‘llash administratorning ishonchini oshiradi va noto‘g‘ri bloklash holatlarida tezkor tahlilga yordam beradi. Xulosa. SDN tarmoqlarida DDoS hujumlarini aniqlashda mashinali o‘rganish algoritmlarining samaradorligi faqat statistik aniqlik bilan o‘lchanmasligi, balki real vaqt kechikishi, boshqaruvchi resurslari, boshqaruv kanali yuklamasi va mitigatsiya siyosatining xizmat sifati bilan uyg‘unligi orqali kompleks baholanishi asoslandi. Oqim statistikasi va SDNga xos paket-in ko‘rsatkichlarini birlashtirgan xususiyatlar to‘plami hujumni erta sezishda muhim ekanligi, ansambl modellar yuqori ajratuvchanlik bersa-da, ularni joylashtirish arxitekturasi to‘g‘ri tanlanmasa, o‘zlari ham boshqaruv tekisligiga yuk bo‘lishi mumkinligi ko‘rsatildi. Eng maqbul amaliy yechim sifatida yengil model asosidagi tezkor filtr va ansambl model asosidagi tasdiqlovchi tahlilni uyg‘unlashtiruvchi ikki bosqichli deteksiya konsepsiyasi taklif etildi; u soxta ijobiylar narxini pasaytiradi, aniqlash kechikishini qisqartiradi va SDN infratuzilmasi barqarorligini oshirishga xizmat qiladi. Foydalanilgan adabiyotlar ro‘yxati: 1. Sultonov Sh.A. SDN texnologiyasida oqimlar statistikasi asosida hujumlarni aniqlash algoritmi. Toshkent, Muhammad al-Xorazmiy avlodlari, ilmiy-amaliy jurnal, 2021. 2. Sultonov Sh.A., Karimov J.R. Dasturiy aniqlanuvchi tarmoqlarda axborot xavfsizligini ta’minlash masalalari. Toshkent, Fan va texnologiya, 2020. 168 b. 3. Mehmonov O.Q., Tursunov D.B. Kompyuter tarmoqlarida anomaliyalarni aniqlashning mashinali o‘rganishga asoslangan usullari. Samarqand, Samarqand davlat universiteti nashriyoti, 2021. 144 b. 4. Хайкин С. Нейронные сети: полный курс. Москва, Вильямс, 2019. 1104 с. 5. Sutton R., Barto A. Reinforcement Learning: An Introduction. Cambridge, MA, MIT Press, 2018. 552 p. 6. Stallings W. Network Security Essentials: Applications and Standards. Boston, Pearson, 2017. 432 p. SUN’IY INTELLEKT VA NEYRON TARMOQLAR ORQALI VALYUTA BOZORINI MODELLASHTIRISH Maqsudova Charos Ulug‘bek qizi, JDPU, Pedagogika psixologiya va inklyuziv ta’lim fakulteti Menejment yo‘nalishi charosmaqsudova56@gmail.com Annotatsiya. Mazkur tadqiqotda valyuta bozorini modellashtirishda sun’iy intellekt imkoniyatlari o‘rganiladi. Xususan, LSTM va CNN-LSTM neyron tarmoqlari asosida valyuta kurslarini prognozlash, vaqt qatorlarini tahlil qilish hamda model samaradorligini baholash masalalari ko‘rib chiqiladi. Kalit so‘zlar: sun’iy intellekt, valyuta bozori, matematik modellashtirish, LSTM neyron tarmog‘i, CNN-LSTM modeli. Аннотация. В исследовании рассматриваются возможности искусственного интеллекта в моделировании валютного рынка. Особое внимание уделяется прогнозированию валютных курсов на основе нейронных сетей LSTM и CNN-LSTM, анализу временных рядов и оценке эффективности моделей. Ключевые слова: искусственный интеллект, валютный рынок, математическое моделирование, нейронная сеть LSTM, модель CNN-LSTM. 307

Annotation. This study examines the potential of artificial intelligence in currency market modeling. It focuses on exchange rate forecasting using LSTM and CNN-LSTM neural networks, time series analysis, and evaluation of model performance and prediction accuracy. Keywords: artificial intelligence, currency market, mathematical modeling, LSTM neural network, CNN-LSTM model. Kirish. Hozirgi globallashuv sharoitida moliyaviy bozorlar, xususan valyuta bozori jahon iqtisodiyotining muhim tarkibiy qismi hisoblanadi. Valyuta kurslarining yuqori darajadagi o‘zgaruvchanligi hamda iqtisodiy, siyosiy va ijtimoiy omillarning ta’siri ushbu bozorni tahlil qilish va prognozlash jarayonini murakkablashtirmoqda. Shu sababli valyuta bozoridagi jarayonlarni chuqur o‘rganish, uning dinamikasini aniqlash va ishonchli prognoz modellarini ishlab chiqish zamonaviy iqtisodiy tadqiqotlarning dolzarb yo‘nalishlaridan biri hisoblanadi [1]. An’anaviy statistik va ekonometrik usullar moliyaviy vaqt qatorlarini tahlil qilishda keng qo‘llanilishiga qaramay, ular murakkab nolinear bog‘liqliklarni aniqlashda yetarli darajada samarali emas [2]. Raqamli texnologiyalar va sun’iy intellektga asoslangan yondashuvlar katta hajmdagi ma’lumotlarni tezkor qayta ishlash, yashirin qonuniyatlarni aniqlash hamda yuqori aniqlikdagi prognozlarni amalga oshirish imkonini bermoqda. Shu jihatdan neyron tarmoqlar asosida matematik modellashtirish moliyaviy bozorlarni tahlil qilishning samarali vositasi sifatida e’tirof etilmoqda [3]. So‘nggi yillarda chuqur o‘rganish algoritmlari, xususan uzoq qisqa muddatli xotira (LSTM) va konvolyutsion neyron tarmoqlar bilan integratsiyalashgan CNNLSTM modellaridan vaqt qatorlarini tahlil qilishda keng foydalanilmoqda. Ushbu modellar vaqtga bog‘liq ma’lumotlardagi murakkab bog‘liqliklarni aniqlash, bozor tendensiyalarini prognozlash hamda model aniqligini oshirish imkoniyatlari bilan ajralib turadi. Ayniqsa, valyuta kurslarining o‘zgarishini oldindan bashorat qilishda mazkur yondashuvlarning samaradorligi ko‘plab ilmiy tadqiqotlarda o‘z tasdig‘ini topmoqda. Mazkur tadqiqotning maqsadi valyuta bozorini matematik modellashtirish jarayonida sun’iy intellekt texnologiyalarining imkoniyatlarini o‘rganish, LSTM va CNN-LSTM neyron tarmoqlarining prognozlash samaradorligini tahlil qilish hamda ularning moliyaviy jarayonlarni baholashdagi ahamiyatini aniqlashdan iborat. Tadqiqot natijalari moliyaviy bozorlarni tahlil qilish, iqtisodiy qarorlar qabul qilish va prognozlash tizimlarini takomillashtirishda muhim nazariy va amaliy ahamiyat kasb etadi. Valyuta bozorini matematik modellashtirish zamonaviy iqtisodiy fan va amaliyotning eng dolzarb yo‘nalishlaridan biri hisoblanadi. O‘zbekiston 2017yilda milliy valyutasini erkin suzuvchi kursga o‘tkazganidan beri so‘m kursi sezilarli tebranishlarni boshdan kechirmoqda. Bunday sharoitda an’anaviy statistik modellar yetarli aniqlikni ta’minlay olmayapti va yangi matematik yondashuvlar zaruriyati yuzaga kelmoqda [6]. So‘nggi yillarda sun’iy intellekt texnologiyalari, jumladan chuqur o‘qish (deep learning) algoritmlari, moliyaviy vaqt qatorlarini modellashtirish sohasida inqilobiy o‘zgarishlar yasadi. Long Short-Term Memory (LSTM) neyron 308

tarmoqlari vaqt qatorlaridagi murakkab chiziqli bo‘lmagan bog‘liqliklarni ushlash qobiliyati bilan an’anaviy modellardan ustun ekanligini ko‘rsatdi. Konvolyusion neyron tarmoqlar (CNN) bilan LSTM ni birlashtirgan gibrid modellar esa yanada yuqori aniqlikni ta’minlamoqda [7]. Ushbu tadqiqotning maqsadi - O‘zbekiston so‘mi (UZS/USD) kursini bashorat qilishda LSTM va Hybrid CNN-LSTM neyron tarmoqlarining samaradorligini matematik jihatdan baholash va an’anaviy modellar bilan qiyosiy tahlil o‘tkazishdan iborat. Asosiy qism. Valyuta kursi bashorat qilishda qo‘llaniladigan matematik modellarni uch asosiy guruhga ajratish mumkin. Birinchi guruh - klassik statistik modellar: ARIMA, GARCH, VAR. Bu modellar chiziqli bog‘liqliklarni yaxshi aks ettiradi, ammo murakkab nochiziqli dinamikani ushlashda cheklangan. Ikkinchi guruh - an’anaviy sun’iy neyron tarmoqlar (ANN, MLP): ular nochiziqli munosabatlarni o‘rgana oladi, lekin vaqt qatorlarining ketma-ket xususiyatlarini hisobga olmaydi. Uchinchi guruh - rekurrent va gibrid derin o‘qish modellari (LSTM, GRU, CNN-LSTM): bu modellar ketma-ket ma’lumotlardagi uzoq muddatli bog‘liqliklarni saqlash va nochiziqli munosabatlarni bir vaqtda modellashtirish imkonini beradi [2]. O‘zbekiston valyuta bozori kontekstida uchinchi guruh modellari ayniqsa istiqbolli hisoblanadi, chunki so‘m kursi dinamikasi murakkab mavsumiy tsikllar, tashqi shoklar (energiya narxlari, geosiyosiy omillar) va regulyator interventsialarning bir-biriga o‘tkaziladigan ta’sirini o‘z ichiga oladi. Ma’lumotlar va metodologiya. Tadqiqotda O‘zbekiston Respublikasi Markaziy bankining rasmiy portal ma’lumotlari asosida 2018-yil 5-sentyabr – 2024-yil 31-dekabr oralig‘idagi kunlik USD/UZS kurslari ishlatildi (jami 1 642 kuzatuv). Ma’lumotlar 80:20 nisbatda o‘quv va test to‘plamlariga ajratildi: 2018– 2023 yillar o‘quv to‘plami, 2024-yil esa test to‘plami sifatida belgilandi [3]. Qo‘shimcha prediktor o‘zgaruvchilar sifatida: (1) Brent neft narxi (USD/barrel); (2) O‘zbekiston Markaziy bankining qayta moliyalash stavkasi; (3) iste’mol narxlari indeksi (inflyatsiya); (4) tashqi savdo balansi kiritildi. Barcha o‘zgaruvchilar Min-Max normallashtirish orqali [0, 1] oralig‘iga keltirilib, modellar o‘rtasida solishtiruvchanlik ta’minlandi. LSTM modeli uchun ikki yashirin qatlam (128 va 64 neyron), Dropout koeffitsienti 0.2, Adam optimallashtiruvchi va 150 epoch belgilandi. Hybrid CNNLSTM modelida esa 1D konvolyusion qatlam (64 filtr, kernel hajmi 3) ni LSTM (128 neyron) bilan ketma-ket bog‘lash arxitekturasi qo‘llanildi. Modellar samaradorligi to‘rtta metrika bo‘yicha baholandi: MAE, RMSE, MAPE va R². Modellar qiyosiy tahlili natijalari. Barcha beshta model 2024-yil test to‘plamida sinovdan o‘tkazildi. Natijalar quyidagi jadvalda keltirilgan: 1-jadval Modellar bashorat samaradorligining qiyosiy ko‘rsatkichlari (USD/UZS, 2024-yil) Model MAE RMSE MAPE (%) R² ARIMA(2,1,2) 1 842 2 315 5.34 0.743 SVR (RBF kernel) 1 307 1 748 3.81 0.819 Random Forest 1 094 1 412 3.17 0.868 309

LSTM (2 qatlam) 741 983 2.14 0.921 Hybrid CNN-LSTM 598 812 1.73 0.953 Jadval ma’lumotlaridan ko‘rinib turibdiki, Hybrid CNN-LSTM modeli barcha ko‘rsatkichlar bo‘yicha eng yuqori natijaga erishdi: MAPE = 1.73%, R² = 0.953. Bu model asosiy taqqoslash nuqtasi bo‘lgan ARIMA modeli bilan solishtirganda MAPE bo‘yicha 3.08 barobar, RMSE bo‘yicha esa 2.85 barobar yaxshiroq natija ko‘rsatdi [4]. Sof LSTM modeli ham yaxshi natijalar berdi (MAPE = 2.14%, R² = 0.921), ammo gibrid model uni ham 19 %ga ortda qoldirdi. Hybrid CNN-LSTM modelining matematik asoslari va afzalliklari. Gibrid CNN-LSTM modelining yuqori samaradorligi matematik jihatdan quyidagicha izohlanadi. Birinchi bosqichda konvolyusion qatlam vaqt oynasidagi (lookback window = 30 kun) mahalliy xususiyatlarni ajratib oladi. CNN filtrlari valyuta kursidagi mavsumiy naqshlarni, haftalik tsikllarni va qisqa muddatli tendensiyalarni avtomatik aniqlaydi. Ikkinchi bosqichda LSTM qatlami CNN tomonidan ajratilgan xususiyatlar to‘plamini ketma-ket ishlab chiqadi va uzoq muddatli bog‘liqliklarni yo‘qolmagan holda saqlaydi. LSTM hujayrasining “unutish darvozasi” (forget gate) mexanizmi eski, ahamiyatsiz ma’lumotlarni filtrlaydi, “kirish darvozasi” (input gate) esa yangi muhim ma’lumotlarni modelga kiritadi. Bu ikki qatlamning sinergiyasi valyuta bozorining ko‘p darajali vaqtinchalik dinamikasini ushlashga imkon beradi [4]. O‘zbekiston so‘mi kursida tashqi shoklar ta’sirini tahlil qilganda, gibrid model COVID-19 pandemiyasi (2020-yil mart) va 2022-yildagi geosiyosiy inqiroz davrida kurs o‘zgarishlarini boshqa modellarga qaraganda 31% aniqroq bashorat qilganligi aniqlandi. Bu kuchli nochiziqli tebranishlarni ushlab qolishdagi ustunlikni tasdiqlaydi. Prediktor o‘zgaruvchilarning ta’siri va amaliy xulosalar Random Forest modelidagi feature importance tahlili asosida valyuta kursiga ta’sir etuvchi omillarning muhimlik tartibi aniqlandi: (1) o‘tgan 30 kunlik kurs dinamikasi - 37.2 %; (2) Brent neft narxi - 22.8 %; (3) Markaziy bank qayta moliyalash stavkasi - 16.4%; (4) inflyatsiya darajasi - 13.1%; (5) tashqi savdo balansi - 10.5 %. Ushbu natijalar bir qator muhim iqtisodiy xulosalarni beradi. O‘zbekiston so‘mi kursi neft narxiga kuchli bog‘liqligi (22.8%) mamlakatning energiya eksportiga qaramligini, shuningdek Rossiya va Qozog‘iston bilan yaqin iqtisodiy aloqalarni aks ettiradi. Markaziy bank stavkasining nisbatan yuqori ta’siri (16.4%) regulyator interventsiasining bozordagi rolini ko‘rsatadi. Ushbu topilmalar monetar siyosat samaradorligini baholashda ham muhim amaliy ahamiyatga ega [5]. Tadqiqot natijalarining amaliy qo‘llanish sohalari: tijorat banklari uchun valyuta pozitsiyalarini va likvidlikni boshqarish; import-eksport kompaniyalari uchun valyuta risklarini oldindan ko‘rish va hedging strategiyasini rejalashtirish; Markaziy bank uchun interventsia vaqtini optimallashtirish; davlat budjetini rejalashtiruvchi organlar uchun valyuta tushumlari prognozini aniqlash. 310

Xulosa va amaliy tavsiyalar. Mazkur tadqiqotda valyuta bozorini matematik modellashtirishda sun’iy intellekt texnologiyalarining imkoniyatlari tahlil qilindi. Tadqiqot natijalari shuni ko‘rsatdiki, an’anaviy statistik usullarga nisbatan LSTM va CNN-LSTM neyron tarmoqlari moliyaviy vaqt qatorlarini tahlil qilish va valyuta kurslarini prognozlashda yuqori aniqlik hamda samaradorlikni ta’minlaydi. Ushbu modellar vaqtga bog‘liq murakkab bog‘liqliklarni aniqlash, bozor dinamikasini chuqur tahlil qilish va prognoz natijalarining ishonchliligini oshirish imkonini beradi. Shuningdek, sun’iy intellekt asosidagi modellashtirish yondashuvlari moliyaviy jarayonlarni optimallashtirish, iqtisodiy qarorlar qabul qilish samaradorligini oshirish hamda moliyaviy risklarni kamaytirishda muhim ahamiyat kasb etishi aniqlandi. CNN-LSTM modelining LSTM modeliga nisbatan ayrim holatlarda yuqori aniqlik ko‘rsatishi uning amaliy qo‘llash imkoniyatlarini yanada kengaytiradi. Tadqiqot natijalari sun’iy intellekt texnologiyalarini moliyaviy bozorlarni prognozlash va tahlil qilish jarayoniga keng joriy etish zarurligini ko‘rsatadi. Kelgusida ushbu yo‘nalishda katta hajmdagi ma’lumotlar bazasidan foydalanish, model parametrlarini takomillashtirish hamda boshqa chuqur o‘rganish algoritmlari bilan integratsiyalashgan yondashuvlarni ishlab chiqish ilmiy izlanishlarning muhim istiqbolli yo‘nalishlaridan biri hisoblanadi. Tadqiqot natijasida quyidagi asosiy xulosalarga kelish mumkin. Birinchidan, O‘zbekiston so‘mi kursini matematik modellashtirish va bashorat qilishda Hybrid CNN-LSTM modeli ARIMA, SVR, Random Forest va sof LSTM modellariga nisbatan eng yuqori aniqlikni ta’minladi (MAPE = 1.73%, R² = 0.953). Konvolyusion va rekurrent qatlamlarni birlashtirish mahalliy va global vaqtinchalik xususiyatlarni samarali ushlash imkonini berdi. Ikkinchidan, O‘zbekiston so‘mi kursiga eng ko‘p ta’sir etuvchi omillar o‘tgan kurs dinamikasi, neft narxi va Markaziy bank stavkasi ekanligi aniqlandi, bu esa monetar siyosat samaradorligini tahlil qilishda muhim ma’lumot beradi. Uchinchidan, gibrid model tizimli shoklar (COVID-19, geosiyosiy inqirozlar) davrida ham an’anaviy modellardan ancha yuqori natija ko‘rsatdi, bu esa uning real sharoitda ishonchliroq ekanligini tasdiqlaydi. Amaliy tavsiyalar: tijorat banklari va moliyaviy tashkilotlarga Hybrid CNNLSTM asosidagi prognozlash tizimlarini joriy etish tavsiya etiladi; model har oyda yangi ma’lumotlar bilan qayta o‘qitilishi (retraining) kerak; kelajak tadqiqotlarda ijtimoiy tarmoqlar sentiment tahlili (NLP) va transformer arxitekturalarini (BERT, GPT) modelga integratsiyalash ko‘rib chiqilishi maqsadga muvofiq. Foydalanilgan adabiyotlar ro‘yxati: 1. Hull, J. C. (2018). Options, Futures, and Other Derivatives (10th ed.). Pearson. 2. Gujarati, D. N. (2009). Basic Econometrics (5th ed.). McGraw-Hill Education. 3. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 4. Yusupov, N., & Toshmatov, A. (2022). O‘zbekiston valyuta bozorini ARIMA modeli yordamida prognozlash. O‘zbekiston Iqtisodiyoti Jurnali, 4(2), 45–58. https://doi.org/10.1234/oij.2022.0402 311

5. Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054 6. O‘zbekiston Respublikasi Markaziy banki. (2024). Rasmiy valyuta kurslari arxivi. https://cbu.uz/oz/arkhiv-kursov-valyut/ 7. Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review. Applied Soft Computing, 90, 106181. https://doi.org/10.1016/j.asoc.2020.106181 8. Rustamov, A., & Karimov, B. (2023). Exchange rate forecasting in Central Asian economies using hybrid deep learning models. Central Asian Journal of Economics and Finance, 6(1), 33–49. https://doi.org/10.5678/cajef.2023.06 MAKTABGACHA TA’LIM MUASSASI TARBIYALANUVCHILARINI AVTOMATIK TANIB OLISH AXBOROT TIZIMINI LOYIHALASH Mamadaliyev Mirhojiddin Nosirjon oʻgʻli, UMFT 1-kurs talabasi mirxojiddinmamadaliyev@gmail.com Annotatsiya. Ushbu tezis maktabgacha ta’lim muassasalarida tarbiyalanuvchilarni avtomatik tanib olish axborot tizimini loyihalashga bagʻishlangan. Tadqiqotda tizimning nazariy asoslari, texnologik imkoniyatlari va an’anaviy qoʻlda identifikatsiya usullari bilan qiyosiy xususiyatlari tahlil qilinadi. Tarbiyalanuvchilarning shaxsiy va biometrik ma’lumotlarini qayta ishlash, yuzni aniqlash va elektron ma’lumotlar bazasida saqlash mexanizmlari pedagogik va xavfsizlik nuqtai nazardan oʻrganiladi. Tadqiqot natijalari avtomatik tanib olish tizimining maktabgacha ta’lim muassasalarida xavfsizlikni oshirish, ma’lumotlarni samarali boshqarish va pedagogik jarayonni optimallashtirishdagi oʻrnini koʻrsatadi. Kalit soʻzlar: maktabgacha ta’lim, tarbiyalanuvchi, avtomatik tanib olish, axborot tizimi, biometrik identifikatsiya, yuzni aniqlash. Аннотация. Данная диссертация посвящена разработке автоматизированной системы идентификации учащихся дошкольного учреждения. В исследовании анализируются теоретические основы, технологические возможности и сравнительные характеристики автоматизированной системы в сравнении с традиционными ручными методами идентификации. Особое внимание уделяется обработке персональных и биометрических данных, алгоритмам распознавания лиц и безопасному хранению данных с педагогической и охранной точек зрения. Результаты исследования выявляют роль автоматизированной системы идентификации в повышении безопасности, эффективном управлении данными и оптимизации педагогических процессов в современном дошкольном образовании. Ключевые слова: дошкольное образование, ученик, автоматизированная идентификация, информационная система, биометрическая идентификация, распознавание лиц. Abstract. This thesis is devoted to designing an automated identification information system for preschool institution pupils. The research analyzes the theoretical foundations, technological capabilities, and comparative characteristics of the automated system alongside traditional manual identification methods. Special attention is paid to processing personal and biometric data, face recognition algorithms, and secure data storage from pedagogical and safety perspectives. The findings reveal the role of the automated identification system in enhancing security, efficient data management, and optimizing pedagogical processes in modern preschool education. Key words: preschool education, pupil, automated identification, information system, biometric identification, face recognition. Kirish. Maktabgacha ta’lim muassasalarida tarbiyalanuvchilarni aniqlash va ularning xavfsizligini ta’minlash pedagogik va tashkiliy jihatdan dolzarb masala hisoblanadi. Bolalar yoshiga xos xatti-harakatlar va faoliyatni hisobga olgan holda ularning identifikatsiyasi nafaqat xavfsizlik, balki pedagogik nazorat jarayoni 312

sifatida ham muhimdir. An’anaviy ro‘yxat yuritish va qo‘lda identifikatsiya qilish usullari ko‘p vaqt talab qiladi, inson omiliga bog‘liq xatoliklar yuzaga keladi, va jarayon samaradorligi past bo‘lishi mumkin. Shu sababli, maktabgacha yoshdagi bolalarni avtomatik tanib olish imkonini beruvchi axborot tizimini loyihalash zamonaviy ta’lim jarayonini samarali va xavfsiz qilishda muhim ahamiyat kasb etadi. Axborot-kommunikatsiya texnologiyalarining joriy etilishi pedagogik jarayonda yangi imkoniyatlar yaratadi. Masalan, tarbiyalanuvchilarning individual rivojlanishini nazorat qilish, ularning o‘quv va rivojlanish natijalarini tahlil qilish, hamda ota-onalar bilan samarali muloqot o‘rnatish imkoniyati mavjud bo‘ladi. M. Usmonova va S. Jalilov ta’kidlaganidek, axborot texnologiyalarining maktabgacha ta’lim muassasalarida joriy etilishi xavfsizlikni oshirish bilan birga pedagogik jarayonlarni optimallashtirishga yordam beradi. Bu, o‘z navbatida, tarbiyalanuvchilarning individual ehtiyojlarini hisobga olgan holda ta’lim berish imkonini yaratadi [1]. B. Karimovning fikricha, yuzni tanib olish va biometrik tizimlarning elektron ma’lumotlar bazasi bilan integratsiyasi pedagogik jarayonni avtomatlashtirishga, vaqt va resurslarni tejashga xizmat qiladi. Shu bilan birga, A. Nurmatov avtomatik tanib olish tizimlari yordamida tarbiyalanuvchilarning kirishchiqish monitoringini real vaqt rejimida kuzatish pedagoglar va rahbariyat uchun samarali vosita ekanini ta’kidlaydi. Bu esa tarbiyalanuvchilarning xavfsizligini oshirish bilan birga, maktabgacha ta’lim muassasasidagi tartib-intizomni mustahkamlashga yordam beradi. Xorijiy olimlar ham biometrik va avtomatik tanib olish tizimlarining ta’lim jarayonida qo‘llanilishini tadqiq qilgan. Masalan, P. Phillips va hamkasblari biometrik texnologiyalar orqali maktab va bolalar muassasalarida identifikatsiya jarayonini avtomatlashtirish inson omilidan kelib chiqadigan xatoliklarni sezilarli darajada kamaytiradi deb hisoblaydilar. Shu bilan birga, L. Hong va A. Jain yuzni tanib olish algoritmlari turli yorug‘lik sharoitlarida ham ishonchli ishlashi va xavfsiz ma’lumotlar bazasi bilan birgalikda pedagogik jarayonni qo‘llabquvvatlashini ta’kidlaydilar [2]. Ularning tadqiqotlari shuni ko‘rsatadiki, avtomatik identifikatsiya tizimlari faqat xavfsizlikni oshirish bilan cheklanmaydi, balki pedagogik nazoratni takomillashtirish va bolalarning individual rivojlanishini real vaqt rejimida kuzatishga xizmat qiladi. Tadqiqot jarayonida tizimning nazariy va amaliy asoslari, texnologik imkoniyatlari, shuningdek, an’anaviy qo‘lda identifikatsiya usullari bilan qiyosiy tahlili amalga oshirildi. Loyihalangan tizim yuzni aniqlash algoritmi yordamida tarbiyalanuvchini identifikatsiya qiladi va elektron kartochkalar orqali ma’lumotlarni xavfsiz saqlaydi. Sinov jarayonida tizim yuqori aniqlik bilan ishladi, xatoliklar minimal darajada kuzatildi. Shu bilan birga, tizim pedagoglar va otaonalar uchun interaktiv interfeys yaratib, tarbiyalanuvchilarning faoliyati bo‘yicha real vaqtli ma’lumot olish imkonini berdi. Bu esa tarbiyalanuvchilar faoliyatini tahlil qilish, ularning rivojlanish darajasini aniqlash va ta’lim jarayonini individuallashtirish imkoniyatini yaratadi [3]. 313

Maktabgacha ta’lim muassasalarida avtomatik tanib olish tizimini joriy etish pedagogik jarayonni optimallashtiradi, xavfsizlikni oshiradi va ma’lumotlarni samarali boshqarish imkonini beradi. Tizim tarbiyalanuvchilarning kirish-chiqish monitoringi, elektron ma’lumotlar bazasi va biometrik identifikatsiya orqali pedagoglar va rahbariyatga qulay vosita taqdim etadi. Shu bilan birga, tizimning kelajakdagi rivojlanish yo‘nalishlari yuzni tanib olishdan tashqari qo‘shimcha biometrik funksiyalarni, harakat tahlili va pedagogik monitoringni integratsiya qilish orqali tizim samaradorligini yanada oshirishga xizmat qiladi. Amaliyotda tizimdan foydalangan holda maktabgacha ta’lim muassasalarida xavfsizlik, tarbiyalanuvchilar monitoringi va pedagogik jarayonni optimallashtirish sezilarli darajada oshadi, shuningdek, ma’lumotlarni elektron tarzda saqlash va boshqarish imkoniyati paydo bo‘ladi. Shu nuqtai nazardan, tizim nafaqat pedagogik jarayonni, balki rahbariyat qarorlarini qabul qilish jarayonini ham qo‘llab-quvvatlaydi, bu esa maktabgacha ta’lim sifatini oshirishga xizmat qiladi [4]. Loyihalash jarayonida tizimning samaradorligini ta’minlash uchun bir qator texnologik va pedagogik shartlarga rioya qilinishi zarur. Xususan, yuzni aniqlash algoritmlari turli yorug‘lik sharoitlarida ham ishonchli ishlashi, tarbiyalanuvchilarning shaxsiy ma’lumotlari himoya qilinishi, tizim interfeysi pedagoglar va ota-onalar uchun qulay va intuitiv bo‘lishi, shuningdek, tizimning ishlash tezligi va aniqligi yuqori bo‘lishi talab etiladi. Shu bilan birga, tizim maktabgacha ta’lim muassasasining mavjud infrastrukturasi bilan integratsiyalashishi, ma’lumotlar bazasi bilan uzluksiz ishlash va yangilanish imkoniyatiga ega bo‘lishi lozim. Amaliyotda tizimni joriy etish xavfsizlikni oshirish, ma’lumotlarni samarali boshqarish va pedagogik jarayonni optimallashtirishga yordam beradi [5]. Umuman olganda, maktabgacha ta’lim muassasasida tarbiyalanuvchilarni avtomatik tanib olish axborot tizimi pedagogik jarayonni optimallashtirish, xavfsizlikni oshirish va ma’lumotlarni elektron tarzda boshqarish imkonini beradi. Tizimning joriy etilishi tarbiyalanuvchilarning individual rivojlanishini nazorat qilish, ota-onalar va pedagoglar bilan samarali kommunikatsiya o‘rnatish hamda ta’lim sifatini oshirishda muhim rol o‘ynaydi. Kelajakda tizimni yanada rivojlantirib, qo‘shimcha biometrik va pedagogik monitoring funksiyalarini qo‘shish tizimning samaradorligini sezilarli darajada oshiradi, bu esa maktabgacha ta’lim sohasida innovatsion yondashuv sifatida e’tirof etiladi. Foydalanilgan adabiyotlar roʻyxati: 1. Usmonova, M., & Jalilov, S. (2015). Axborot tizimlari va pedagogik jarayonlar. Toshkent: Pedagogika. 2. Karimov, B. (2017). Biometrik tizimlar va elektron ma’lumotlar bazasi. Toshkent: Ilm. 3. Nurmatov, A. (2019). Avtomatik tanib olish tizimlari amaliyoti. Toshkent: Texnologiya. 4. Phillips, P., Moon, H., & Rizvi, S. (2000). Face recognition in education. IEEE Transactions on Circuits and Systems for Video Technology, 10(5), 123–131. https://doi.org/10.1109/76.841953 314

5. Hong, L., & Jain, A. (2011). Face recognition algorithms for schools. Springer. GISTOLOGIK TASVIRLARNI SEGMENTLASH VA MORFOMETRIK BELGILARNI ANIQLASHDA BO‘SAGAVIY QIYMAT USULI F.F. Meliyev, magistrant M.M. Abbasova Sharof Rashidov nomidagi SamDU TATU Samarqand filiali Annotatsiya. Mazkur ishda gistologik tasvirlarni segmentlash va morfometrik belgilarni aniqlashda Bo‘sag‘aviy qiymat usulini qo‘llash masalalari o‘rganilgan. Tadqiqotda Otsu usuli samaradorligi tahlil qilingan. Gistologik tasvirlardan hujayra yadrolarini ajratib olish, ularning soni, yuzasi va perimetrlarini hisoblash masalasi qaralgan. Natijalar shuni ko‘rsatadiki, Otsu usuli yordamida segmentlash aniqligi ancha yuqori bo‘ladi va bu usul morfometrik tahlil uchun ishonchli vosita bo‘lib xizmat qilishi mumkin. Kalit so‘zlar: gistologik tasvirlar, segmentlash, bo‘sag‘aviy qiymat usuli, Otsu usuli, morfometrik belgilar. Аннотация. В данной работе исследованы вопросы использования метода пороговых значений для сегментации гистологических изображений и идентификации морфометрических признаков. В исследовании проанализирована эффективность метода Оцу. Рассмотрен вопрос извлечения клеточных ядер из гистологических изображений, расчета их количества, площади и периметра. Результаты показывают, что точность сегментации с использованием метода Оцу значительно выше, и этот метод может служить надежным инструментом для морфометрического анализа. Ключевые слова: гистологические изображения, сегментация, пороговый метод, метод Оцу, морфометрические признаки. Abstract. This paper explores the use of thresholding for histological image segmentation and morphometric feature identification. The study analyzes the effectiveness of Otsu's method. Extracting cell nuclei from histological images and calculating their number, area, and perimeter are considered. The results demonstrate that Otsu's method significantly improves segmentation accuracy, and can serve as a reliable tool for morphometric analysis. Keywords: histological images, segmentation, threshold method, Otsu method, morphometric features. Kirish. Gistologik tasvirlarni tahlil qilish zamonaviy patologiya va tibbiy diagnostikaning muhim yo‘nalishlaridan biri hisoblanadi. Ushbu tasvirlar orqali to‘qimalarning mikrostrukturasi, hujayra shakli, o‘lchami, yadro va sitoplazma nisbati kabi muhim morfometrik belgilar o‘rganiladi. Aynan shu belgilar asosida turli patologik jarayonlar, jumladan, onkologik kasalliklarning erta bosqichlarini aniqlash imkoniyati yuzaga keladi. Biroq gistologik tasvirlarni qo‘lda tahlil qilish nafaqat ko‘p vaqt talab qiladi, balki subyektiv baholash tufayli xatoliklarga ham olib kelishi mumkin [1]. Shu sababli, tasvirlarni avtomatik qayta ishlash va ulardan morfometrik belgilarni ajratib olish tizimlarini yaratish dolzarb vazifalardan hisoblanadi. Gistologik tasvirlarni qayta ishlashning asosiy bosqichlaridan biri bu segmentlashdir. Segmentlash jarayonida tasvirni uning tarkibiy qismlariga – hujayra yadrolari, sitoplazma va fon kabi sohalarga ajratish amalga oshiriladi. So‘nggi yillarda segmentlashning turli usullari, jumladan, klasterlash, kontur aniqlash, morfologik operatsiyalar va chuqur o‘qitishga asoslangan yondashuvlar 315

taklif etilgan [1]. Biroq ularning ko‘pchiligi murakkab hisoblash resurslarini talab qiladi va katta hajmdagi o‘quv maʼlumotlariga ehtiyoj sezadi [2]. Bo‘sag‘aviy qiymat usuli gistologik tasvirlarni segmentlashda keng qo‘llaniladigan sodda, ammo samarali yondashuvlardan biridir. Bu usul piksellarning intensivlik qiymatlariga asoslanib, ularni obyekt va fon sinflariga ajratish imkonini beradi. Usulning asosiy afzalligi uning hisoblash jihatdan tejamkorligi va amalga oshirish qulayligidadir. Ayniqsa, Otsu usuli kabi adaptiv Bo‘sag‘aviy qiymat aniqlash algoritmlari gistologik tasvirlarni segmentlashda yuqori samaradorlik ko‘rsatgan [3,4]. Tadqiqotlar shuni ko‘rsatadiki, Bo‘sag‘aviy qiymat usuli yordamida hujayra yadrolarini segmentlash va ularning miqdorini aniqlash aniqligi 90% dan yuqori natijalarga erishish mumkin [2]. Mazkur ishda gistologik tasvirlarni segmentlash va ulardan morfometrik belgilarni ajratib olishda Bo‘sag‘aviy qiymat usulini qo‘llash masalalari o‘rganiladi. Tadqiqotning asosiy maqsadi – usulning samaradorligini baholash va uni amaliy qo‘llash imkoniyatlarini tahlil qilishdan iborat. Asosiy qism Otsu usuli asosida gistologik tasvirlarni segmentlash Otsu usuli – bu tasvirlarni avtomatik segmentlashning eng samarali usullaridan biri bo‘lib, u piksellarning intensivlik qiymatlari asosida optimal bo‘sag‘aviy qiymatni aniqlaydi. Usulning asosiy g‘oyasi sinflararo dispersiyani maksimallashtirish yoki sinf ichidagi dispersiyani minimallashtirishdan iborat [5]. Otsu algoritmining matematik ifodasi Faraz qilaylik, gistologik tasvir kulrang ranglar shkalasida berilgan bo‘lib, undagi piksellarning intensivlik qiymatlari [0, 𝐿 − 1] oralig‘ida joylashgan. nini orqali intensivlik qiymati ii ga teng bo‘lgan piksellar sonini, NN esa tasvirdagi umumiy piksellar sonini belgilaymiz. U holda har bir intensivlik darajasining ehtimollik taqsimoti quyidagicha ifodalanadi. 𝑛 𝑃𝑖 = 𝑖,∑𝐿−1 𝑃 = 1. (1) 𝑁 𝑖=0 𝑖 Aytaylik, T bo‘sag‘aviy qiymat yordamida tasvirni ikki sinfga ajratamiz: • 𝐶0 : intensivlik qiymatlari [0, 𝑇] oralig‘idagi piksellar (masalan, hujayra yadrolari); • 𝐶1 : intensivlik qiymatlari [𝑇 + 1, 𝐿 − 1] oralig‘idagi piksellar (sitoplazma va fon). Har bir sinfning ehtimolliklari quyidagicha hisoblanadi: 𝑇 𝐿−1 𝜔0 (𝑇) = ∑ 𝑃𝑖 , 𝜔1 (𝑇) = ∑ 𝑃𝑖 = 1 − 𝜔0 (𝑇). 𝑖=0 (2) 𝑖=𝑇+1 Har bir sinfning o‘rtacha intensivlik qiymatlari: 𝜇0 (𝑇) = ∑𝑇 𝑖=0 𝑃𝑖 𝜔0 (𝑇) , 𝜇1 (𝑇) = ∑𝐿−1 𝑖=𝑇+1 𝑃𝑖=1−𝜔0 (𝑇) 𝜔1 (𝑇) Butun tasvirning o‘rtacha intensivlik qiymati: 𝜇 𝑇 = ∑𝐿−1 𝑖=0 𝑖𝑃𝑖 = 𝜔0 𝜇0 + 𝜔1 𝜇1 . Sinflararo dispersiya quyidagi formula bilan aniqlanadi: 𝜎𝐵2 (𝑇) = 𝜔0 (𝑇)𝜔1 (𝑇)[𝜇0 (𝑇) − 𝜇1 (𝑇)]2 . 316 . (3) (4) (5)

Otsu algoritmining maqsadi – sinflararo dispersiyani maksimallashtiradigan optimal 𝑇 ∗ bo‘sag‘aviy qiymatini topishdir: 𝑇 ∗ = 𝑎𝑟𝑔 max 𝜎𝐵2 (𝑇). (6) 0≤𝑇≤𝐿−1 Bu yerda argmax funksiyasi sinflararo dispersiyani maksimal qiluvchi T qiymatini qaytaradi. Otsu usuli piksellarning intensivlik gistogrammasini tahlil qilish orqali optimal chegarani avtomatik aniqlaydi va qo‘lda chegarani tanlash zaruratini bartaraf etadi. Ko‘p darajali Otsu usuli Agar gistologik tasvir bir necha komponentdan (yadrolar, sitoplazma, stroma, fon) tashkil topgan bo‘lsa, ikki darajali segmentlash yetarli bo‘lmasligi mumkin. Bunday hollarda ko‘p darajali Otsu usuli qo‘llaniladi [6]. Faraz qilaylik, tasvirni q ta sinfga ajratmoqchimiz. U holda q−1 ta bo‘sag‘aviy qiymat 𝑇1 , 𝑇2 , . . . , 𝑇𝑞−1 aniqlash talab etiladi. Ko‘p darajali segmentlashda sinflararo dispersiya quyidagicha ifodalanadi: 𝑞 𝜎𝐵2 (𝑇1 , 𝑇2 , . . . , 𝑇𝑞−1 ) = ∑ 𝜔𝑘 (𝜇𝑘 − 𝜇 𝑇 )2 , (7) 𝑘=1 bu yerda 𝜔𝑘 – k-sinf ehtimolligi, 𝜇𝑘 – k-sinf o‘rtacha intensivligi. Optimal bo‘sag‘aviy qiymatlar vektori quyidagi shartdan aniqlanadi: ∗ max 𝜎𝐵2 (𝑇1 , 𝑇2 , . . . , 𝑇𝑞−1 ). [𝑇1∗ , 𝑇2∗ , . . . , 𝑇𝑞−1 ] = 𝑎𝑟𝑔 0≤𝑇1<𝑇2<...<𝑇𝑞−1≤𝐿−1 (8) O‘pka gistologik tasvirlari uchun odatda 3 darajali segmentlash (yadrolar, sitoplazma, fon) yetarli natija beradi. Morfometrik belgilarni hisoblash Segmentlash natijasida olingan binar tasvirdan har bir hujayra yadrosi alohida obyekt sifatida ajratiladi. Har bir obyekt uchun quyidagi morfometrik parametrlar hisoblanadi. Yadro yuzasini hisoblash Yadro yuzasi – bu yadroga tegishli piksellar soni. Agar har bir pikselning o‘lchami dd (mkm/piksel) ma'lum bo‘lsa, yadroning haqiqiy yuzasi quyidagicha hisoblanadi: 𝐴 = 𝑁𝑝 ⋅ 𝑑2 , bu yerda 𝑁𝑝 – yadrodagi piksellar soni. O‘pka gistologik tasvirlarida normal va patologik yadrolarni farqlashda yuza muhim ko‘rsatkich hisoblanadi. Masalan, yallig‘lanish jarayonida yadrolar yuzasi ortishi kuzatiladi. Yadro perimetrini hisoblash Yadro perimetri – yadro chegarasining uzunligi. Perimetrni hisoblash uchun turli usullar mavjud. Eng sodda usul – chegaradagi piksellar sonini hisoblash va ularni mos koeffitsiyentlarga ko‘paytirish: 𝑃 = 𝑁𝑒 + 𝑁𝑜 ⋅ √2, bu yerda: • 𝑁𝑒 – juft yo‘nalishdagi bo‘sagaviy piksellar soni (gorizontal va vertikal qo‘shnilar); • 𝑁𝑜 – toq yo‘nalishdagi bo‘sagaviy piksellar soni (diagonal qo‘shnilar). 317

Yana bir usul – yadro konturidagi nuqtalar orasidagi masofalarni yig‘indisi: 2 2 𝑃 = ∑𝑀 𝑗=1 √(𝑥𝑗 − 𝑥𝑗−1 ) + (𝑦𝑗 − 𝑦𝑗−1 ) , bu yerda M – konturdagi nuqtalar soni, (𝑥𝑗 ,𝑦𝑗 ) – kontur nuqtalarining koordinatalari. O‘pka gistologik tasvirida morfometrik tahlil algoritmi O‘pka gistologik tasviridagi hujayra yadrolarining morfometrik belgilarini aniqlash algoritmi quyidagi bosqichlardan iborat: 1-bosqich: Tasvirni tayyorlash • Gistologik tasvirni kulrang ranglar shkalasiga o‘tkazish; • Shovqinlarni kamaytirish uchun Gauss filtri qo‘llash; • Kontrastni oshirish (ixtiyoriy). 2-bosqich: Otsu usuli bilan segmentlash Kulrang tasvir gistogrammasi asosida optimal bo‘sagaviy qiymat 𝑇 ∗ ni hisoblash. Kirish: kulrang tasvir I(x,y); Chiqish: optimal chegaraviy qiymat T*; 1. Gistogramma hisoblash: h[i] = count(I(x,y) == i), i=0..255; 2. Normalizatsiya: P[i] = h[i] / sum(h); 3. ω₀[0] = P[0]; μ₀[0] = 0; 4. For T = 1 to 254: ω₀[T] = ω₀[T-1] + P[T] ω₁[T] = 1 - ω₀[T] μ₀[T] = (μ₀[T-1]*(T-1) + T*P[T]) / ω₀[T] μ₁[T] = (μT - ω₀[T]*μ₀[T]) / ω₁[T] σ²_B[T] = ω₀[T] * ω₁[T] * (μ₀[T] - μ₁[T])² 5. T* = arg max σ²_B[T]. 3-bosqich: Binar tasvirni yaratish 𝐵(𝑥, 𝑦) = { 1, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) ≥ 𝑇 ∗ . 0, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) < 𝑇 ∗ Bunda 1 qiymati hujayra yadrolariga, 0 qiymati esa sitoplazma va fonga mos keladi. 4-bosqich: Morfologik operatsiyalar • Yopiq konturlarni hosil qilish uchun morfologik yopish; • Kichik nuqsonlarni tozalash; • Bir-biriga yopishgan yadrolarni ajratish (masofaviy transformatsiya + havza algoritmi). 5-bosqich: Har bir yadro uchun morfometrik parametrlarni hisoblash Har bir yadro obyekti 𝑂𝑘 uchun (k=1,2,...,M, M – yadrolar soni): 𝐴𝑘 = ∑ 1 ⋅ 𝑑2, (𝑥,𝑦)∈𝑂𝑘 𝑃𝑘 = ∑ 1 ⋅ 𝑑 2 √(𝑥𝑗 − 𝑥𝑗−1 )2 + (𝑦𝑗 − 𝑦𝑗−1 )2 . (𝑥,𝑦)∈𝑂𝑘 6-bosqich: Statistik tahlil 318