Sun’iy Intellekt va Raqamli Iqtisodiyot

Protsessor, xotira, disk I/O va tarmoq resurslarining samaradorlikka ta’sirini o‘lchash va solishtirish; Olingan natijalarni tahlil qilib, qaysi platforma ma’lum sharoitlarda samaraliroq ishlashini aniqlash; Tadqiqot asosida IT-mutaxassislar uchun tavsiyalar ishlab chiqish. Shu bilan birga, tadqiqot zamonaviy virtualizatsiya yechimlarining amaliy qo‘llanilishi va resurslarni optimallashtirish strategiyalarini o‘rganish imkonini beradi. Kirish qismida ta’kidlangan dolzarblik va vazifalar maqolaning keyingi bo‘limlarida tajriba natijalari, tahlil va tavsiyalar bilan keng yoritiladi. Asosiy qism. Virtualizatsiya texnologiyalari zamonaviy IT-infratuzilmalarda samaradorlik va resurslarni optimal boshqarishning asosiy vositasi sifatida xizmat qiladi. Ular bir fizik serverda bir nechta mustaqil operatsion tizim va dasturiy muhitni yaratishga imkon berib, serverlar sonini kamaytiradi, energiya va texnik xizmat xarajatlarini tejaydi, shu bilan birga tizim barqarorligini oshiradi. Shu nuqtai nazardan, korporativ muhitlar, ma’lumot markazlari va bulut xizmatlarida virtualizatsiya platformalarini tanlash va ularning samaradorligini tahlil qilish dolzarb masala hisoblanadi, chunki resurslardan noto‘g‘ri foydalanish tizim ishlashini sekinlashtiradi va xarajatlarni oshiradi[3]. Hyper-V Microsoft korporatsiyasi tomonidan ishlab chiqilgan va Windows Server hamda Windows 10/11 muhitlariga chuqur integratsiyalashgan virtualizatsiya platformasidir. Uning samaradorligi protsessor resurslarini dinamik taqsimlash, xotirani real vaqtda boshqarish va disk operatsiyalarini optimallashtirish orqali oshiriladi. Masalan, Dynamic Memory mexanizmi yordamida virtual mashinalar faoliyatining o‘zgaruvchan xotira talablariga moslashish imkoniyati yaratiladi, bu esa tizim samaradorligini oshiradi. Shu bilan birga, Virtual Switch va VHDX fayl tizimi orqali tarmoq va disk I/O operatsiyalari nazorat qilinadi, natijada serverning ishlash qobiliyati barqaror bo‘ladi. Tajriba natijalari ko‘rsatadiki, Hyper-V kichik va o‘rta hajmdagi infratuzilmalarda samarador ishlaydi, lekin bir vaqtning o‘zida ko‘p virtual mashinalar ishga tushirilganda resurslar cheklanganligi sababli ishlash darajasi biroz pasayishi mumkin[3]. VMware platformasi, xususan vSphere va Workstation, ko‘p platformali qo‘llab-quvvatlash, ilg‘or monitoring vositalari va murakkab resurs boshqaruv algoritmlari bilan ajralib turadi. VMware virtual mashinalari protsessor va xotira resurslarini dinamik tarzda taqsimlab, Ballooning va Transparent Page Sharing kabi texnologiyalar yordamida xotira samaradorligini oshiradi, shu bilan birga disk operatsiyalarini VMFS fayl tizimi orqali tez va barqaror bajaradi. Tarmoq resurslarini boshqarish esa vNetwork Distributed Switch orqali amalga oshiriladi, bu yuqori trafikli muhitlarda paketlarni samarali taqsimlash imkonini beradi. Tajriba natijalari shuni ko‘rsatadiki, VMware katta hajmdagi server farmalarida va murakkab bulut infratuzilmalarida yuqori samaradorlik va barqarorlikni ta’minlaydi, bu esa platformani korporativ va ilmiy loyihalarda afzal qiladi. Hyper-V va VMware virtual mashinalarini solishtirish natijalari ularning ishlash mexanizmlari va resurslarni boshqarish imkoniyatlarini ochib beradi. 419

Kichik va o‘rta hajmdagi muhitlarda Hyper-V resurslarni iqtisodiy va samarali ishlatadi, Windows ekotizimi bilan mukammal integratsiyaga ega bo‘lib, oson boshqariladigan yechim sifatida afzal hisoblanadi. Shu bilan birga, VMware ko‘p VM ishlaydigan, murakkab va yuqori yuklamali server muhitlarida ustunlikka ega, chunki u ilg‘or xotira va disk boshqaruv algoritmlari, murakkab tarmoq monitoring vositalari va barqaror ishlashni ta’minlaydi. Natijalar shuni ko‘rsatadiki, platforma tanlashda virtual mashinalar soni, infratuzilma murakkabligi va maqsadli resurs talablarini hisobga olish muhimdir, chunki har bir yechim ma’lum sharoitlarda samaradorlikni maksimal darajada oshiradi[1]. Virtual mashinalar samaradorligini oshirish uchun bir qator amaliy tavsiyalar mavjud. Birinchidan, host server resurslarini optimallashtirilgan tarzda taqsimlash, virtual mashinalar soni va ulardagi ilovalarni rejalashtirish muhimdir. Ikkinchidan, Hyper-V platformasida Dynamic Memory va differencing disklar, VMware’da Ballooning va vNetwork Distributed Switch kabi ilg‘or boshqaruv texnologiyalaridan foydalanish samaradorlikni sezilarli darajada oshiradi. Uchinchidan, disk va tarmoq operatsiyalarini monitoring qilish va ortiqcha yuklamalarni bartaraf etish virtual mashinalarning barqaror ishlashini ta’minlaydi. Shu bilan birga, platforma tanlashda muhit hajmi, virtual mashinalar soni va tarmoq sharoitlari asosiy mezon sifatida hisobga olinadi, chunki samaradorlik ko‘rsatkichlari aynan shular bilan bog‘liq bo‘ladi[3]. Virtual mashinalar samaradorligini oshirishning muhim jihati ularning resurslardan foydalanish mexanizmlaridir. Hyper-V va VMware platformalari turli optimallashtirish vositalarini taqdim qiladi, jumladan, resurs zaxiralari monitoringi va avtomatik taqsimlash imkoniyatlari. Masalan, VMware’da “Distributed Resource Scheduler (DRS)” yordamida bir nechta serverlar orasida virtual mashinalarning yuklamasi dinamik ravishda muvozanatlashtiriladi, bu esa yuqori ishlash barqarorligini ta’minlaydi. Hyper-V esa “Integration Services” yordamida host va VM o‘rtasida ma’lumot almashinuvi va resurslar holatini real vaqt rejimida kuzatishga imkon beradi. Shu tarzda, samaradorlik nafaqat individual VM darajasida, balki butun virtual muhit bo‘yicha oshiriladi. Virtual mashinalarning disk resurslaridan foydalanish samaradorligi ko‘pincha tizim ishlashini belgilovchi omillardan biri hisoblanadi. Hyper-V va VMware turli disk konfiguratsiyalarini qo‘llab-quvvatlaydi: statik va dinamik disklar, differencing disklar, snapshot texnologiyalari. VMware’da VMFS fayl tizimi bir nechta VM tomonidan bir vaqtning o‘zida diskga kirishni optimallashtiradi va katta hajmdagi ma’lumotlar bilan ishlashda kechikishlarni kamaytiradi. Hyper-V esa VHDX formatini qo‘llab, 64 TB gacha bo‘lgan virtual disklarni yaratish va ularning ishlashini monitoring qilish imkoniyatini beradi[5]. Shu bilan birga, snapshotlar va backup strategiyalari samaradorlik va tizim xavfsizligini bir vaqtda ta’minlaydi. Virtual mashinalarda tarmoq resurslarining samaradorligi ularga yuklanadigan xizmatlar sifatini belgilaydi. VMware’da “vNetwork Distributed Switch” yordamida virtual mashinalar orasida tarmoq paketlari muvozanatli taqsimlanadi, bu esa katta yuklamali muhitlarda tarmoq kechikishini kamaytiradi. 420

Hyper-V platformasida esa “Virtual Network Adapter” va QoS (Quality of Service) mexanizmlari yordamida har bir VM uchun tarmoq tezligi va bandligi nazorat qilinadi. Shu bilan birga, ikki platformada ham VLAN va NAT sozlamalari yordamida virtual tarmoqlarni segmentlash mumkin, bu xavfsizlikni oshirish va tarmoq samaradorligini yaxshilashga xizmat qiladi. Samaradorlikni oshirish va tizim nosozliklarini oldini olish uchun monitoring va diagnostika muhim rol o‘ynaydi. VMware’da “vCenter Server” yordamida VMlarning CPU, xotira, disk va tarmoq ishlashi real vaqt rejimida kuzatiladi, tarixiy ma’lumotlar asosida tahlil qilinadi va resurs yetishmovchiligi aniqlanadi. Hyper-V esa “Performance Monitor” va “Resource Metering” vositalari orqali VMlarning ishlash parametrlarini aniqlash va hisobotlar tayyorlash imkonini beradi. Monitoring natijalari asosida resurslar qayta taqsimlanadi, ortiqcha yuklamalar kamaytiriladi va tizimning yuqori ishlash barqarorligi saqlanadi. Virtual mashinalarning samaradorligi faqat resurslar bilan chegaralanmaydi; ularning xavfsizligi va barqaror ishlashi ham muhim omil hisoblanadi. Hyper-V platformasida “Shielded VM” texnologiyasi yordamida virtual mashinalarni ruxsatsiz kirishlardan himoya qilish va ma’lumotlarni shifrlash mumkin. VMware esa “vSphere Security Hardening” va “VM Encryption” funksiyalari yordamida VMlarning konfiguratsiyasi va ma’lumotlari xavfsiz saqlanadi. Shu bilan birga, har ikki platforma VM snapshotlari va replikatsiya mexanizmlari orqali favqulodda holatlarda tizimni tez tiklash imkonini beradi, bu esa barqaror ishlash va uzluksiz xizmat ko‘rsatishni ta’minlaydi. Xulosa va amaliy tavsiyalar. Mazkur tadqiqot Hyper-V va VMware platformalarida virtual mashinalarning samaradorligini o‘rganishga qaratildi va ularning ishlash mexanizmlari, resurslardan foydalanish strategiyalari hamda tizim barqarorligi bo‘yicha solishtirildi. Tadqiqot natijalari shuni ko‘rsatdiki, Hyper-V kichik va o‘rta hajmdagi server muhitlarida, ayniqsa Windows ekotizimida, yuqori darajada samaradorlik ko‘rsatadi. U host server resurslarini oson boshqarish, xotira va disk operatsiyalarini optimallashtirish orqali ma’lumot markazlari va korporativ tizimlar uchun iqtisodiy va qulay yechim sifatida ishlatilishi mumkin. Shu bilan birga, VMware platformasi murakkab va katta hajmdagi virtual muhitlarda, ko‘p VM ishlaydigan bulut infratuzilmalarida yuqori barqarorlik va samaradorlikni ta’minlaydi, chunki u ilg‘or monitoring vositalari, resurslarni dinamik boshqarish mexanizmlari va tarmoq optimallashtirish imkoniyatlariga ega. Tadqiqot shuni ko‘rsatadiki, virtual mashina samaradorligi platforma tanlashda muhit hajmi, virtual mashinalar soni, tarmoq sharoitlari va resurs talablarini hisobga olish bilan bevosita bog‘liq. Virtual mashinalar samaradorligini oshirish va tizim barqarorligini ta’minlash uchun bir nechta asosiy tavsiyalar mavjud. ❖ Resurslarni boshqarish: Virtual mashinalarni yaratishda protsessor, xotira va disk resurslarini optimal taqsimlash tizim ishlashini yaxshilaydi va ortiqcha yuklamalarni kamaytiradi. 421

❖ Monitoring va nazorat: Har bir platformada mavjud monitoring vositalaridan foydalanish real vaqtda resurslardan foydalanishni kuzatish va tizim holatini aniqlash imkonini beradi. ❖ Optimallashtirish texnologiyalari: Hyper-V va VMware platformalaridagi xotira, disk va tarmoq optimallashtirish mexanizmlari samaradorlikni oshirishga xizmat qiladi. ❖ Xavfsizlik: Virtual mashinalarni ruxsatsiz kirishlardan himoya qilish va tizim barqarorligini saqlash uchun mavjud xavfsizlik funksiyalaridan foydalanish muhimdir. ❖ Favqulodda holatlarni boshqarish: Snapshotlar va replikatsiya mexanizmlarini qo‘llash tizimni tez tiklash va ma’lumotlarni saqlashni ta’minlaydi. ❖ Platforma tanlash: Muayyan muhit hajmi, virtual mashinalar soni va resurs talablariga qarab, Hyper-V yoki VMware platformasini tanlash samaradorlikni maksimal darajada oshiradi. Foydalanilgan adabiyotlar 1. Hasanov, F.G‘., & Akmuradov, B.U. (2025). Hyper-V va VMware asosida virtual mashinalar samaradorligini tadqiq qilish. 2. Ro‘zaliyev, S.A., & Musallamova, A.H. (2025). Virtual mashinalar va ulardan foydalanish. Obrazovanie nauka i innovatsionnye idei v mire, 69(5). 3. Mirzaev, O. (2022). Virtualizatsiya texnologiyalari va ularning samaradorligi. Toshkent: Fan va texnika. 4. Yo‘ldoshev, A. (2021). Hyper-V platformasida virtual mashinalarni boshqarish. Toshkent: Axborot texnologiyalari. 5. Ahmedov, S. (2022). VMware texnologiyalari va korporativ infratuzilma. Samarqand: IT soha nashrlari. TARMOQ TRAFIGINI BIG DATA ANALITIKASI ORQALI SEGMENTATSIYA QILISH ALGORITMLARINI TADQIQ QILISH Mamashov Sardor Abdirayim o‘g‘li, UMFT, Raqamli texnologiyalar fakulteti magistratranti Akmuradov B.U., PhD., UMFT "K va RT" kafedrasi mudiri msardor54321@gmail.com Qo‘ziyev Shahzod Ulug‘bek o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Telekommunikatsiya injiniringi” kafedrasi shahzod4122@gmail.com Annotatsiya. Tarmoq trafigini Big Data analitikasi asosida segmentatsiya qilish algoritmlarini o‘rganish va ularning samaradorligini tahlil qilish masalasi ko‘rib chiqiladi. Zamonaviy tarmoqlarda ma’lumotlar oqimining ortib borishi tarmoq trafigini samarali boshqarish va tahlil qilishni talab qiladi. Tadqiqot jarayonida tarmoq trafigini segmentatsiya qilishda qo‘llaniladigan klasterlash algoritmlari, xususan K-means, DBSCAN va Hierarchical clustering usullarining imkoniyatlari tahlil qilindi. Olingan natijalar Big Data texnologiyalari yordamida tarmoq ma’lumotlarini samarali segmentatsiya qilish tarmoq yuklamasini optimallashtirish, xizmat sifatini oshirish va tarmoq xavfsizligini ta’minlashda muhim ahamiyatga ega ekanligini ko‘rsatdi. Kalit so‘zlar: Big Data, tarmoq trafigi, segmentatsiya, klasterlash algoritmlari, K-means, DBSCAN, tarmoq analitikasi, ma’lumotlar tahlili. Аннотация. В данной работе рассматривается исследование алгоритмов сегментации сетевого трафика на основе аналитики Big Data и анализ их эффективности. В современных сетях постоянный рост объёма потоков данных 422

требует эффективного управления и анализа сетевого трафика. В ходе исследования были проанализированы возможности алгоритмов кластеризации, применяемых для сегментации сетевого трафика, в частности методов K-means, DBSCAN и иерархической кластеризации. Полученные результаты показали, что эффективная сегментация сетевых данных с использованием технологий Big Data играет важную роль в оптимизации сетевой нагрузки, повышении качества обслуживания и обеспечении сетевой безопасности. Ключевые слова: Big Data, сетевой трафик, сегментация, алгоритмы кластеризации, K-means, DBSCAN, сетевая аналитика, анализ данных. Abstract. This study examines the algorithms for network traffic segmentation based on Big Data analytics and analyzes their efficiency. In modern networks, the continuous growth of data flows requires effective management and analysis of network traffic. During the research, the capabilities of clustering algorithms used for network traffic segmentation were analyzed, particularly the K-means, DBSCAN, and Hierarchical clustering methods. The obtained results demonstrate that efficient segmentation of network data using Big Data technologies plays a significant role in optimizing network load, improving service quality, and ensuring network security. Key words: Big Data, network traffic, segmentation, clustering algorithms, K-means, DBSCAN, network analytics, data analysis. Kirish. Axborot texnologiyalarining jadal rivojlanishi natijasida global tarmoqlarda uzatilayotgan ma’lumotlar hajmi yildan-yilga ortib bormoqda. Internet xizmatlari, mobil qurilmalar, bulutli hisoblash tizimlari va IoT texnologiyalarining keng qo‘llanilishi natijasida tarmoq trafigi murakkab va katta hajmga ega bo‘lib bormoqda. Bunday sharoitda tarmoq ma’lumotlarini samarali boshqarish va tahlil qilish muhim vazifalardan biri hisoblanadi. Katta hajmdagi tarmoq ma’lumotlarini tahlil qilishda Big Data texnologiyalaridan foydalanish samarali natijalar beradi. Big Data analitikasi yordamida katta hajmdagi ma’lumotlarni tezkor qayta ishlash, tahlil qilish va foydali xulosalar chiqarish mumkin. Shu sababli tarmoq trafigini segmentatsiya qilish algoritmlarini tadqiq qilish dolzarb ilmiy masalalardan biri hisoblanadi. Asosiy qism. Tarmoq trafigini segmentatsiya qilish jarayoni tarmoq orqali uzatilayotgan ma’lumotlarni ma’lum mezonlar asosida guruhlarga ajratish orqali amalga oshiriladi. Ushbu jarayon tarmoq yuklamasini optimallashtirish, xizmat sifatini oshirish hamda xavfsizlikni ta’minlashda muhim rol o‘ynaydi. Zamonaviy tarmoqlarda ma’lumotlar hajmining katta bo‘lishi sababli tarmoq trafigini tahlil qilishda Big Data texnologiyalaridan foydalanish muhim hisoblanadi. Big Data analitikasi yordamida tarmoq ma’lumotlarini qayta ishlashda turli xil klasterlash algoritmlaridan foydalaniladi. Ushbu algoritmlar tarmoq paketlarini ularning xususiyatlari, masalan paket hajmi, uzatish tezligi va protokol turi asosida guruhlarga ajratadi. 1-jadval Tarmoq trafigini segmentatsiya qilishda qo‘llaniladigan algoritmlar Algoritm Ishlash prinsipi Afzalligi Ma’lumotlarni markazga yaqinligi Tez ishlaydi, katta K-means bo‘yicha klasterlash ma’lumotlarda samarali Anomaliyalarni aniqlashda DBSCAN Zichlikka asoslangan klasterlash samarali Hierarchical Ierarxik daraxt ko‘rinishida klasterlash Kichik ma’lumotlarda aniq 423

clustering natija beradi Tarmoq trafigini segmentatsiya qilishda eng keng qo‘llaniladigan algoritmlardan biri K-means hisoblanadi. Ushbu algoritm ma’lumotlarni o‘xshash xususiyatlariga ko‘ra klasterlarga ajratadi. K-means algoritmining asosiy matematik modeli quyidagi funksiyani minimallashtirishga asoslanadi: 𝑘 𝐽 = ∑ ∑ ‖𝑥 − 𝜇𝑖 ‖2 𝑖=1 𝑥∈𝐶𝑖 bu yerda: k - klasterlar soni, 𝑥 - ma’lumot nuqtasi, 𝜇𝑖 - klasterning markazi, 𝐶𝑖 klasterga tegishli ma’lumotlar to‘plami Mazkur funksiya har bir ma’lumot nuqtasining klaster markaziga bo‘lgan masofasini minimallashtirish orqali optimal klasterlash natijasini beradi. 2-jadval Tarmoq trafigini klasterlash natijalari Klaster 1 2 3 Paketlar soni O‘rtacha trafik hajmi (MB) 1200 15 850 8 430 3 Ushbu natijalarga asoslanib, tarmoq trafigi uchta asosiy segmentga ajratildi: • yuqori trafik segmenti • o‘rta trafik segmenti • past trafik segmenti 1-rasm. Tarmoq trafigining segmentlar bo‘yicha taqsimlanishi. Diagrammadan ko‘rinib turibdiki, tarmoq trafigining katta qismi birinchi klasterga to‘g‘ri keladi. Bu esa tarmoq resurslarini optimallashtirishda aynan shu segmentga ko‘proq e’tibor qaratish kerakligini ko‘rsatadi. Bundan tashqari, katta hajmdagi tarmoq ma’lumotlarini qayta ishlash uchun Hadoop va Apache Spark platformalaridan foydalanish mumkin. Ushbu platformalar yordamida taqsimlangan hisoblash muhiti yaratiladi va real vaqt rejimida tarmoq trafigini monitoring qilish imkoniyati paydo bo‘ladi. Xulosa va amaliy tavsiyalar. O‘tkazilgan tahlillar natijasida tarmoq trafigini Big Data analitikasi asosida segmentatsiya qilish tarmoqni samarali boshqarishda muhim ahamiyatga ega ekanligi aniqlandi. Klasterlash algoritmlaridan foydalanish orqali tarmoq trafigi turli segmentlarga ajratildi va har 424

bir segmentning yuklama darajasi aniqlab olindi. Tahlil natijalari yuqori trafik segmenti tarmoq resurslarining asosiy qismini egallashini ko‘rsatdi. Shuningdek, K-means algoritmining matematik modeli yordamida tarmoq paketlarini optimal klasterlarga ajratish mumkinligi tasdiqlandi. Olingan natijalar tarmoq yuklamasini optimallashtirish, anomaliyalarni aniqlash va xizmat sifatini yaxshilash imkonini beradi. Kelgusida ushbu tadqiqotni yanada rivojlantirish uchun sun’iy intellekt va chuqur o‘rganish algoritmlaridan foydalanish orqali real vaqt rejimida ishlaydigan aqlli tarmoq monitoring tizimlarini yaratish maqsadga muvofiq hisoblanadi Foydalanilgan adabiyotlar 1. Tanenbaum A., Wetherall D. Computer Networks. – 5th ed. – New Jersey: Pearson Education, 2011. 2. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. – 3rd ed. – Morgan Kaufmann, 2012. 3. Dean J., Ghemawat S. MapReduce: Simplified Data Processing on Large Clusters. – Communications of the ACM, 2008. 4. White T. Hadoop: The Definitive Guide. – 4th ed. – O‘Reilly Media, 2015. 5. Leskovec J., Rajaraman A., Ullman J. Mining of Massive Datasets. – Cambridge University Press, 2014. 6. Aggarwal C. Data Mining: The Textbook. – Springer, 2015. 7. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey. – ACM Computing Surveys, 2009. 8. Zaharia M. va boshqalar. Apache Spark: A Unified Engine for Big Data Processing. – Communications of the ACM, 2016. 9. Ahmedov, S. (2022). VMware texnologiyalari va korporativ infratuzilma. Samarqand: IT soha nashrlari. IoT TARMOQLARIDA MA’LUMOTLAR UZATISHDA KECHIKISHLARNI KAMAYTIRISH UCHUN GIBRID TARMOQ MODELINI LOYIHALASH Maxmudov Doniyorbek Ravshanovich, UMFT Raqamli texnologiyalar fakulteti magistranti Xoliqulov Sh.A., PhD, dotsent, JXU universiteti “Axborot texnologiyalari” kafedrasi o‘qituvchisi Annotatsiya. Ushbu maqola IoT tarmoqlarida ma’lumotlar uzatishda kechikishlarni kamaytirish masalalarini tahlil qiladi va gibrid tarmoq modelini loyihalashga qaratilgan. Maqolada IoT tarmoqlaridagi kechikish manbalari, tarmoq segmentlari, edge computing va dinamik resurs boshqaruvi ko‘rib chiqilgan, shuningdek, ma’lumotlar uzatish algoritmlarini optimizatsiya qilish va gibrid modelning samaradorligini baholash natijalari keltirilgan. Kalit so‘zlar: IoT, tarmoq, kechikish, gibrid, arxitektura, algoritm. Аннотация. В данной статье анализируются вопросы снижения задержек передачи данных в IoT-сетях и рассматривается проектирование гибридной сетевой модели. В статье изучены источники задержек в IoT-сетях, сетевые сегменты, edge computing и динамическое управление ресурсами, а также представлены результаты оптимизации алгоритмов передачи данных и оценки эффективности гибридной модели. Ключевые слова: IoT, сеть, задержка, гибрид, архитектура, алгоритм. Abstract. This article analyzes the issues of reducing data transmission latency in IoT networks and focuses on designing a hybrid network model. The study examines latency sources in IoT networks, network segments, edge computing, and dynamic resource management, and 425

presents the results of optimizing data transmission algorithms and evaluating the efficiency of the hybrid model. Key words: IoT, network, latency, hybrid, architecture, algorithm. Kirish. So‘nggi yillarda IoT (Internet of Things) texnologiyalari hayotimizning deyarli barcha sohalariga kirib kelgan. Sanoat, transport, tibbiyot, aqlli uylar, energetika va qishloq xo‘jaligida IoT qurilmalari orqali real vaqt rejimida ma’lumot yig‘ish va uzatish amaliyoti kengaymoqda. Shu bilan birga, IoT tarmoqlarida uzatiladigan ma’lumotlarning hajmi va tarmoqqa bo‘lgan talablar sezilarli darajada oshib bormoqda. Masalan, sanoat IoT tizimlarida yuzlab, minglab sensorlar bir vaqtning o‘zida ma’lumot yuboradi, bu esa tarmoq infratuzilmasiga katta yuk bo‘lishiga olib keladi[2]. An’anaviy tarmoq arxitekturasi ko‘pincha statik marshrutlash va markazlashgan boshqaruvga tayangan bo‘lib, bu IoT qurilmalari tomonidan yuboriladigan katta hajmdagi real vaqt ma’lumotlarini samarali uzatishda muammolar yaratadi. Natijada, kechikishlar (latency) ortadi, ma’lumotlarning yetib borish muddati oshadi va tizimning javob berish vaqti sekinlashadi. Bu esa, ayniqsa, tibbiyot, avtonom transport va sanoat jarayonlarida xavfsizlik va samaradorlikka salbiy ta’sir ko‘rsatadi[3]. Shuning uchun IoT tarmoqlarida kechikishlarni kamaytirish va tarmoq samaradorligini oshirish uchun gibrid tarmoq modellarini loyihalash dolzarb ilmiy va amaliy masala sifatida qaraladi. Gibrid tarmoq modeli turli tarmoq texnologiyalarini — masalan, markazlashgan va tarqatilgan boshqaruv, simli va simsiz aloqalarni — birlashtirib, resurslardan optimal foydalanishni va ma’lumotlarning tezkor yetkazilishini ta’minlashga mo‘ljallangan. Ushbu maqolaning asosiy maqsadi — IoT tarmoqlarida ma’lumotlar uzatishda kechikishlarni minimallashtirish uchun samarali gibrid tarmoq modelini ishlab chiqish va uning ishlash printsiplarini tahlil qilishdir. Maqsadga erishish uchun nafaqat texnologik yechimlar, balki algoritmik optimizatsiya va tarmoq arxitekturasi usullari ham ko‘rib chiqiladi. Ushbu maqolada IoT tarmoqlarida ma’lumotlar uzatish jarayonida kechikishlarni kamaytirish maqsadida quyidagi tadqiqot vazifalari belgilandi: ▪ IoT tarmoqlarida kechikish manbalarini aniqlash va ularning ta’sirini tahlil qilish; ▪ Gibrid tarmoq arxitekturasini ishlab chiqish va ma’lumotlar uzatish algoritmlarini optimizatsiya qilish orqali tarmoq resurslaridan samarali foydalanishni ta’minlash; ▪ Taklif etilgan modelning samaradorligini simulyatsiya va baholash orqali an’anaviy tarmoqlar bilan solishtirish; ▪ Amaliy tavsiyalar ishlab chiqish orqali IoT tarmoqlarida kechikishlarni minimallashtirishga yo‘naltirilgan yechimlarni taqdim etish. Asosiy qism. IoT tarmoqlarida ma’lumotlar uzatilish jarayonida kechikishlar bir necha omillarga bog‘liq bo‘ladi. Asosiy manbalar sifatida qurilmalararo signal uzatilishidagi kechikishlar, tarmoq elementlarining ishlash tezligi va marshrutlash jarayonidagi kechikishlar ko‘riladi. Shu bilan birga, IoT tarmoqlarida ma’lumotlar 426

hajmi tez sur’atlar bilan oshib borishi, sensorlar va aktuatörlarning real vaqt rejimida ishlashi, va simsiz aloqaning cheklangan bandwidthi ham kechikishlarni oshiruvchi omillar sifatida qaraladi. Bu jarayonni tahlil qilish orqali har bir tarmoq segmentining samaradorligi va zaif tomonlari aniqlanadi[3]. Gibrid tarmoq modeli IoT tarmoqlarining samaradorligini oshirishda muhim ahamiyatga ega bo‘lib, u markazlashgan va tarqatilgan boshqaruv elementlarini birlashtiradi. Markazlashgan boshqaruv tarmoqning umumiy holatini kuzatishga va resurslarni global optimizatsiya qilishga imkon beradi, tarqatilgan boshqaruv esa ma’lumotlar lokal ravishda tezkor uzatilishini ta’minlaydi. Shu tariqa, gibrid arxitektura kechikishlarni kamaytirish, tarmoq yukini muvozanatlashtirish va IoT qurilmalarining samarali ishlashini kafolatlaydi. Modelni loyihalash jarayonida marshrutlash strategiyalari, resurslarni ajratish mexanizmlari va boshqaruv algoritmlari o‘zaro uyg‘unlashtiriladi[5]. IoT tarmoqlarida ma’lumotlar tezkor va samarali uzatilishi uchun algoritmlarni optimizatsiya qilish zarur. Bunda asosiy e’tibor kechikishlarni minimallashtirish, paketlarni yo‘naltirishni optimallashtirish va tarmoq resurslaridan maksimal darajada foydalanish imkoniyatlariga qaratiladi. Shu bilan birga, prioritetlash mexanizmlari va dinamik marshrutlash algoritmlari joriy etilishi IoT qurilmalarining real vaqt talablari bilan moslashuvchanligini oshiradi. Optimallashtirish jarayoni IoT tarmog‘ining turli segmentlarida kechikishlarni kamaytirish va tarmoqning umumiy ishlash tezligini oshirishga yordam beradi. Taklif etilgan gibrid tarmoq modeli real sharoitlarda sinovdan o‘tkazilib, uning samaradorligi an’anaviy markazlashgan yoki tarqatilgan tarmoqlar bilan solishtiriladi. Simulyatsiya natijalari orqali kechikishlar darajasi, paket yo‘qotishlar va tarmoq bandligi monitoring qilinadi. Ushbu baholash jarayoni modelning real sharoitlarda qanchalik samarali ishlashini aniqlash va IoT tarmog‘ini loyihalashda tavsiyalar berish imkonini beradi. Natijalar ko‘rsatadiki, gibrid model kechikishlarni sezilarli darajada kamaytiradi va ma’lumotlar uzatilishining ishonchliligini oshiradi. Gibrid tarmoq modelini amaliyotga joriy etish orqali IoT tarmoqlarining samaradorligini oshirish va kechikishlarni minimallashtirish mumkin. Masalan, sanoat IoT tizimlarida real vaqt monitoring va avtomatlashtirilgan boshqaruv tizimlari samarali ishlaydi, shuningdek, aqlli uy va transport tizimlarida ma’lumotlar tezkor yetkaziladi. Tavsiyalar sifatida, tarmoq resurslarini dinamik boshqarish, paketlarni prioritetlash, va marshrutlash strategiyalarini optimallashtirish muhim hisoblanadi. Shu yo‘l bilan IoT tarmoqlarida kechikishlar kamayadi va tizimning barqaror ishlashi ta’minlanadi. IoT tarmoqlari odatda bir nechta segmentlardan tashkil topadi: qurilmalar (sensorlar va aktuatörlar), edge (chekka) hisoblash qurilmalari va markaziy serverlar. Har bir segmentning ishlash xususiyati tarmoq kechikishiga bevosita ta’sir qiladi. Masalan, edge segmentida ma’lumotlarni lokal qayta ishlash va filtrlash tarmoqga tushadigan yukni kamaytiradi, shu bilan birga kechikishni qisqartiradi. Shu bilan birga, markaziy serverlarga uzoq masofadan uzatiladigan katta hajmdagi ma’lumotlar kechikishlarni oshirishi mumkin, shuning uchun 427

segmentlararo balansni ta’minlash muhimdir. Gibrid model IoT tarmog‘idagi resurslarni dinamik boshqarish imkonini beradi. Bu, bir tomondan, simsiz aloqada bandwidthni optimal taqsimlash orqali paket yo‘qotishlarni kamaytirish, ikkinchi tomondan esa tarmoq qurilmalari va serverlar yukini monitoring qilib, kerak bo‘lganda yukni boshqa yo‘nalishlarga yo‘naltirishni o‘z ichiga oladi. Shu orqali tarmoq segmentlari orasidagi uzilishlar va signal cheklovlari minimal darajaga tushiriladi, bu esa IoT tizimlarida real vaqt ishlashni sezilarli darajada yaxshilaydi. Edge computing (chekka hisoblash) IoT tarmoqlarida gibrid modelning samaradorligini oshiradi, chunki ma’lumotlarning katta qismi markaziy serverga yuborilmasdan lokal ravishda qayta ishlanadi. Bu nafaqat kechikishlarni kamaytiradi, balki tarmoq resurslarini tejamkor ishlatishga imkon yaratadi. Shu bilan birga, lokal protsessing xavfsizlikni oshirish va sensorlardan keladigan ma’lumotlarning yuqori tezlikda tahlil qilinishini ta’minlaydi, bu esa sanoat avtomatizatsiyasi, avtonom transport va aqlli shahar tizimlari uchun muhim ahamiyatga ega[4]. Gibrid tarmoqda kechikishlarni kamaytirishning yana bir jihati — ma’lumotlar uzatilishidagi kechikishlarni oldindan prognoz qilish. IoT tarmog‘ida tarmoq holati, sensor signallarining chastotasi va trafik o‘zgarishlari doimiy monitoring qilinadi va algoritmik model yordamida kechikish ehtimoli aniqlanadi. Bu esa tarmoq boshqaruviga oldindan chora ko‘rish imkonini beradi va kechikishlarni oldini olishga yordam beradi. Gibrid tarmoq modelini yanada samarali qilish uchun paketlarni prioritetlash, ma’lumotlarni siqish va redundant yo‘llardan foydalanish kabi optimizatsiya usullari qo‘llanadi. Masalan, kritik ma’lumotlar yuqori prioritet bilan uzatiladi, kam muhim paketlar esa kechiktirilishi mumkin. Shu bilan birga, tarmoq algoritmlari o‘z-o‘zini moslashtiruvchi (adaptive) bo‘lib, trafik o‘zgarishiga qarab marshrutlarni yangilaydi. Bu usullar IoT tizimlarida barqaror va tezkor ishlashni ta’minlaydi[2]. Xulosa va tavsiyalar. Ushbu maqolada IoT tarmoqlarida ma’lumotlar uzatishda kechikishlarni kamaytirish maqsadida gibrid tarmoq modelining arxitekturasi va ishlash tamoyillari tahlil qilindi. Tadqiqot natijalari shuni ko‘rsatadiki, IoT tarmoqlarida kechikishlar nafaqat qurilmalar va tarmoq segmentlarining ishlash xususiyatlariga, balki uzatiladigan ma’lumotlarning hajmi, marshrutlash algoritmlari va boshqaruv mexanizmlariga ham bog‘liq. Gibrid tarmoq modeli markazlashgan va tarqatilgan boshqaruv elementlarini uyg‘unlashtirib, kechikishlarni sezilarli darajada kamaytiradi, ma’lumotlarning tezkor uzatilishini va tarmoq resurslaridan samarali foydalanishni ta’minlaydi. Edge computing, dinamik resurs boshqaruvi va ma’lumotlarni prioritetlash kabi mexanizmlar model samaradorligini oshiradi. Simulyatsiya va baholash natijalari esa gibrid modelning an’anaviy tarmoqlarga nisbatan kechikishlarni kamaytirishda yuqori samaradorligini ko‘rsatdi. IoT tarmoqlarida ma’lumotlar uzatishda kechikishlarni kamaytirish va tizim samaradorligini oshirish uchun tarmoq segmentlarini optimallashtirish, edge 428

computingni joriy etish va resurslarni dinamik boshqarish tavsiya etiladi. Shuningdek, ma’lumotlarni prioritetlash, optimizatsiya algoritmlarini qo‘llash va trafik o‘zgarishlarini oldindan prognoz qilish orqali tarmoq barqarorligini ta’minlash mumkin. Ushbu yondashuvlar IoT tizimlarida real vaqt ishlashni yaxshilaydi, tarmoq yukini muvozanatlashtiradi va kechikishlarni minimal darajaga tushiradi. Foydalanilgan adabiyotlar 1. Samandarov, B.S., Joldasbaev, D.R., & Gulmirzayeva, G. A. (2024). Internet ashyolar asosida qurilgan tizimlarda yuklamalarni muvozanatlash masalasi. 2. Maxmudov, I. A., & Najmidddinov, M. N. (2025). IOT (Internet of Things) tarmoqlarini modellashtirish va simulyatsiya qilish. Молодые ученые, 3(56), 25–27. 3. Umarov, B. A., & Ergashaliyeva, B. Z. (2024). IoT tizimlarida bulutli va chekka hisoblash (edge computing) integratsiyasi. Yangi O‘zbekiston, Yangi Tadqiqotlar jurnali. 4. Jo‘rayeva, N. (2025). Internet narsalar (IoT) va ularning kundalik hayotdagi roli. Лучшие интеллектуальные исследования, 39(2), 240–244. 5. Usmonov, J. T., & Mamirov, X. X. (2025). IoT va cloud texnologiyalariga asoslangan issiqxona monitoringi va nazorati tizimi. Свет науки, 8(43). IoT QURILMALARINING O‘ZARO UZLUKSIZ ULANISHINI TA’MINLOVCHI KOMMUNIKATSIYA PROTOKOLLARINI TADQIQ QILISH: MATEMATIK MODELLASHTIRISH VA SUN’IY INTELLEKT YONDASHUVLARI Rejabov Jaloliddin Sadiq o‘g‘li, UMFT, Raqamli texnologiyalar fakulteti magistratranti Abdumalikov A.A., PhD, O‘ZMU Jizzax filiali Ilmiy tadqiqotlar, innovatsiyalar va ilmiy pedagog kadrlar tayyorlash bo‘limi boshlig‘li Annotatsiya. Internet of Things (IoT) texnologiyalari zamonaviy axborot-kommunikatsiya tizimlarining muhim yo‘nalishlaridan biri hisoblanadi. IoT tizimlarida turli xil sensorlar, aqlli qurilmalar va hisoblash tizimlari o‘zaro bog‘langan holda ishlaydi. Ushbu qurilmalar o‘rtasida uzluksiz va ishonchli ma’lumot almashinuvi tizim samaradorligini belgilaydi. Shu sababli IoT tizimlarida samarali kommunikatsiya protokollarini tanlash muhim vazifalardan biri hisoblanadi. IoT tarmoqlarining samaradorligini oshirishda sun’iy intellekt texnologiyalaridan foydalanish imkoniyatlari ham muhokama qilinadi. Mashinali o‘rganish algoritmlari yordamida tarmoq trafikini prognoz qilish, optimal kommunikatsiya protokollarini tanlash va tarmoq resurslaridan samarali foydalanish mumkin. Tadqiqot natijalari IoT tizimlarining barqaror ishlashini ta’minlash va tarmoq samaradorligini oshirishga xizmat qiladi. Kalit so‘zlar: IoT, kommunikatsiya protokollari, sun’iy intellekt, matematik modellashtirish, sensor tarmoqlari. Аннотация. Технологии Интернета вещей (IoT) являются одним из ключевых направлений современных информационно-коммуникационных систем. Системы IoT включают различные датчики, интеллектуальные устройства и вычислительные узлы, которые работают во взаимосвязанном режиме. Непрерывный и надежный обмен данными между этими устройствами определяет общую эффективность системы. Поэтому выбор эффективных протоколов связи в системах IoT является важной задачей. Ключевые слова: IoT, протоколы связи, искусственный интеллект, математическое моделирование, сенсорные сети. 429

Annotation. Internet of Things (IoT) technologies are one of the key directions in modern information and communication systems. IoT systems consist of various sensors, smart devices, and computing units that operate in an interconnected manner. Continuous and reliable data exchange between these devices determines the overall system performance. Therefore, selecting efficient communication protocols in IoT systems is a crucial task. The possibilities of using artificial intelligence technologies to improve IoT network performance are also discussed. Using machine learning algorithms, it is possible to predict network traffic, select optimal communication protocols, and efficiently manage network resources. The results of this research contribute to ensuring stable operation of IoT systems and enhancing network efficiency. Keywords: IoT, communication protocols, artificial intelligence, mathematical modeling, sensor networks. Kirish. So‘nggi yillarda axborot-kommunikatsiya texnologiyalarining jadal rivojlanishi natijasida turli xil qurilmalarni internet tarmog‘i orqali o‘zaro bog‘lash imkoniyati paydo bo‘ldi. Ushbu konsepsiya Internet of Things (IoT) deb nomlanadi. IoT texnologiyasi real dunyodagi obyektlar, sensorlar va qurilmalarni internet orqali bog‘lash hamda ular o‘rtasida avtomatik ma’lumot almashinuvini ta’minlashga xizmat qiladi. Bugungi kunda IoT texnologiyalari ko‘plab sohalarda, jumladan sanoat avtomatlashtirish, aqlli shaharlar, transport tizimlari, sog‘liqni saqlash va qishloq xo‘jaligida keng qo‘llanilmoqda. IoT tizimlarining asosiy xususiyati ko‘plab qurilmalar o‘rtasida doimiy ravishda ma’lumot almashinuvi amalga oshirilishidir. Ushbu jarayonda qurilmalar o‘rtasidagi uzluksiz ulanish va ma’lumotlarning ishonchli uzatilishi muhim ahamiyatga ega. Agar tarmoqdagi ulanish barqaror bo‘lmasa yoki ma’lumot uzatishda kechikishlar yuzaga kelsa, IoT tizimining umumiy samaradorligi pasayadi. Shu sababli IoT tizimlarida ishlatiladigan kommunikatsiya protokollarining samaradorligini o‘rganish dolzarb masalalardan biri hisoblanadi. IoT qurilmalarining aksariyati cheklangan hisoblash resurslariga ega bo‘ladi. Masalan, sensor qurilmalari odatda kichik xotira hajmiga, past protsessor quvvatiga va cheklangan energiya manbalariga ega. Shu sababli IoT tizimlarida an’anaviy internet protokollaridan foydalanish har doim ham samarali bo‘lmaydi. Natijada IoT uchun maxsus ishlab chiqilgan yengil va samarali kommunikatsiya protokollariga ehtiyoj paydo bo‘lgan. Mazkur maqolaning asosiy maqsadi IoT qurilmalarining o‘zaro uzluksiz ulanishini ta’minlovchi kommunikatsiya protokollarini tahlil qilish, ularning ishlash mexanizmlarini o‘rganish hamda matematik modellashtirish usullari asosida ularning samaradorligini baholashdan iborat. Tadqiqot natijalari IoT tizimlarining samaradorligini oshirish va tarmoq resurslaridan oqilona foydalanish imkoniyatlarini aniqlashga yordam beradi. Asosiy qism. IoT arxitekturasi va kommunikatsiya jarayonlari Internet of Things tizimlari ko‘plab qurilmalar, sensorlar va axborot tizimlarining o‘zaro bog‘langan infratuzilmasidan iborat. Ushbu tizimlarning samarali ishlashi IoT arxitekturasining to‘g‘ri tashkil etilishiga bog‘liq. IoT arxitekturasi qurilmalar o‘rtasida ma’lumotlarni yig‘ish, uzatish, qayta ishlash va foydalanuvchiga taqdim etish jarayonlarini ta’minlaydi. 430

IoT tizimlari odatda bir necha asosiy qatlamlardan tashkil topadi. Har bir qatlam o‘ziga xos vazifalarni bajaradi va tizimning umumiy ishlashini ta’minlaydi. 1. Sensor yoki perception qatlam: Ushbu qatlam IoT tizimining eng quyi qatlami bo‘lib, real muhitdan ma’lumotlarni yig‘ish vazifasini bajaradi. Bu qatlamga turli xil sensorlar, aktuatorlar, RFID qurilmalari va boshqa aqlli qurilmalar kiradi. Sensorlar harorat, namlik, yorug‘lik, bosim va boshqa ko‘rsatkichlarni o‘lchaydi va ushbu ma’lumotlarni tarmoq orqali uzatadi. 2. Tarmoq qatlam (Network layer): Mazkur qatlam sensorlar tomonidan yig‘ilgan ma’lumotlarni boshqa qurilmalarga yoki markaziy serverlarga uzatish uchun xizmat qiladi. Ushbu qatlamda turli kommunikatsiya texnologiyalari va protokollar qo‘llaniladi. Masalan, Wi-Fi, Bluetooth, ZigBee, LoRa kabi simsiz aloqa texnologiyalari IoT qurilmalari o‘rtasida ma’lumot almashish imkonini beradi. 3. Ma’lumotlarni qayta ishlash qatlam (Processing layer): Ushbu qatlamda IoT qurilmalaridan kelgan ma’lumotlar saqlanadi, qayta ishlanadi va tahlil qilinadi. Bu jarayon ko‘pincha bulutli hisoblash (cloud computing) yoki chekka hisoblash (edge computing) texnologiyalari yordamida amalga oshiriladi. Ushbu qatlam IoT tizimlarida katta hajmdagi ma’lumotlarni tahlil qilish imkonini beradi. 4. Ilova qatlam (Application layer): Bu qatlam foydalanuvchi bilan bevosita aloqada bo‘lgan qatlam hisoblanadi. Bu yerda IoT tizimlaridan olingan ma’lumotlar foydalanuvchilarga turli xizmatlar ko‘rinishida taqdim etiladi. Masalan, aqlli uy tizimlarida foydalanuvchi mobil ilova orqali uy jihozlarini boshqarishi mumkin. IoT tizimlarida kommunikatsiya jarayoni bir necha bosqichlardan iborat bo‘ladi. Dastlab sensorlar orqali ma’lumotlar yig‘iladi. Keyinchalik ushbu ma’lumotlar tarmoq orqali boshqa qurilmalarga yoki serverlarga uzatiladi. Serverlarda ma’lumotlar qayta ishlanadi va tahlil qilinadi. Natijada foydalanuvchiga kerakli axborot yoki boshqaruv signallari taqdim etiladi. IoT tizimlarida ma’lumot uzatish jarayonining uzluksiz bo‘lishi juda muhim hisoblanadi. Shu sababli kommunikatsiya protokollari tarmoqda samarali ishlashi, kam energiya sarflashi va minimal kechikish bilan ma’lumot uzatishni ta’minlashi kerak. IoT qurilmalarining o‘zaro uzluksiz ulanishini ta’minlashda aynan kommunikatsiya protokollarining to‘g‘ri tanlanishi muhim ahamiyatga ega. IoT tarmoqlarini matematik modellashtirish IoT tizimlarining samaradorligini oshirish va ularning ishlash jarayonlarini chuqur tahlil qilish uchun matematik modellashtirish usullaridan keng foydalaniladi. Matematik modellashtirish IoT tarmoqlarida yuzaga keladigan turli jarayonlarni matematik formulalar yordamida ifodalash va tahlil qilish imkonini beradi. Ushbu yondashuv yordamida tarmoqdagi yuklama, ma’lumot uzatish tezligi, paket yo‘qotilishi va kechikish kabi muhim ko‘rsatkichlarni aniqlash mumkin. IoT tarmoqlarida eng muhim ko‘rsatkichlardan biri ma’lumot uzatish jarayonidagi kechikish hisoblanadi. Tarmoqdagi umumiy kechikish bir nechta omillarga bog‘liq bo‘ladi. Bunga ma’lumot paketining hajmi, uzatish tezligi va 431

tarmoqdagi navbatda kutish vaqti kiradi. Umumiy kechikishni quyidagi matematik model orqali ifodalash mumkin: bu yerda: D – umumiy kechikish vaqti, L – uzatilayotgan paket uzunligi, R – tarmoq uzatish tezligi, Tq – navbatda kutish vaqti. Mazkur model yordamida IoT tarmoqlarida ma’lumot uzatish samaradorligini baholash mumkin. IoT tarmoqlarida yana bir muhim ko‘rsatkich – bu tarmoqdagi trafik intensivligi hisoblanadi. Trafik intensivligi ma’lum vaqt oralig‘ida uzatilgan paketlar soni bilan belgilanadi va quyidagi formula yordamida aniqlanadi: bu yerda: λ (lambda) – tarmoq trafik intensivligi, N – uzatilgan paketlar soni, T – vaqt oralig‘i. Agar tarmoqdagi trafik intensivligi ortib ketsa, ma’lumot uzatishda kechikishlar paydo bo‘lishi mumkin. Shu sababli IoT tizimlarini loyihalashda tarmoq yuklamasini optimallashtirish muhim hisoblanadi. IoT tarmoqlarida energiya samaradorligi ham muhim omillardan biri hisoblanadi. Ko‘plab IoT qurilmalari batareya orqali ishlaydi, shuning uchun energiya sarfini kamaytirish tizim samaradorligini oshirishga yordam beradi. Energiya sarfini baholash uchun quyidagi modeldan foydalanish mumkin: bu yerda: E – sarflangan energiya, P – qurilmaning quvvati, T – ishlash vaqti. Matematik modellar IoT tizimlarini loyihalash jarayonida muhim rol o‘ynaydi. Ushbu modellar yordamida turli kommunikatsiya protokollarining samaradorligini taqqoslash va optimal yechimlarni tanlash mumkin. Natijada IoT tizimlarida ma’lumot uzatish tezligini oshirish, energiya sarfini kamaytirish va tarmoq samaradorligini yaxshilash imkoniyati paydo bo‘ladi. So‘nggi yillarda sun’iy intellekt texnologiyalarining rivojlanishi IoT tizimlarining samaradorligini oshirishda muhim ahamiyat kasb etmoqda. IoT tarmoqlarida juda katta hajmdagi ma’lumotlar hosil bo‘ladi va ushbu ma’lumotlarni tahlil qilish orqali tizim ishini optimallashtirish mumkin. Sun’iy intellekt algoritmlari yordamida IoT tarmoqlaridagi jarayonlarni avtomatik boshqarish, nosozliklarni aniqlash va tarmoq resurslaridan samarali foydalanish imkoniyati yaratiladi. Sun’iy intellekt yordamida IoT tarmoqlarini optimallashtirish IoT tizimlarida sun’iy intellektdan foydalanishning asosiy yo‘nalishlaridan biri tarmoq trafikini tahlil qilish va prognoz qilish hisoblanadi. Mashinali o‘rganish algoritmlari yordamida tarmoqdagi ma’lumot oqimini oldindan bashorat qilish mumkin. Bu esa tarmoqdagi yuklamani to‘g‘ri taqsimlash va ma’lumot uzatish jarayonida yuzaga keladigan kechikishlarni kamaytirishga yordam beradi. Bundan tashqari, sun’iy intellekt algoritmlari yordamida IoT tizimlarida optimal kommunikatsiya protokollarini tanlash mumkin. Masalan, tarmoq 432

sharoitlari o‘zgarib turadigan tizimlarda sun’iy intellekt asosidagi boshqaruv mexanizmlari tarmoq holatini tahlil qilib, eng samarali protokolni tanlash imkonini beradi. Natijada tarmoqning umumiy samaradorligi oshadi. Sun’iy intellekt IoT tizimlarida energiya samaradorligini oshirishda ham muhim rol o‘ynaydi. Mashinali o‘rganish algoritmlari yordamida qurilmalar faoliyatini optimallashtirish, ortiqcha energiya sarfini kamaytirish va qurilmalarning ishlash muddatini uzaytirish mumkin. Shuningdek, sun’iy intellekt IoT tizimlarida xavfsizlikni ta’minlashda ham qo‘llaniladi. IoT tarmoqlarida turli xil kiberxavfsizlik tahdidlari mavjud bo‘lib, sun’iy intellekt algoritmlari yordamida tarmoqdagi shubhali faoliyatni aniqlash va xavfsizlik muammolarini oldindan bartaraf etish mumkin. Shunday qilib, sun’iy intellekt texnologiyalarini IoT tizimlariga integratsiya qilish tarmoq samaradorligini oshirish, energiya sarfini kamaytirish hamda tizimning ishonchliligini ta’minlash imkonini beradi. Kelajakda IoT tizimlarini boshqarishda sun’iy intellekt texnologiyalarining roli yanada ortishi kutilmoqda. Xulosa va amaliy tavsiyalar. Mazkur maqolada IoT qurilmalarining o‘zaro uzluksiz ulanishini ta’minlovchi kommunikatsiya protokollari o‘rganildi va ularning asosiy xususiyatlari tahlil qilindi. IoT tizimlarida qurilmalar o‘rtasida samarali va ishonchli ma’lumot almashinuvini ta’minlash uchun mos kommunikatsiya protokollarini tanlash muhim ahamiyatga ega ekanligi aniqlandi. Tahlillar natijasida resurslari cheklangan IoT qurilmalari uchun yengil va energiya tejamkor protokollardan foydalanish maqsadga muvofiqligi aniqlangan. Xususan, MQTT va CoAP protokollari kam tarmoq trafigi va past energiya sarfi bilan ajralib turadi hamda sensor tarmoqlari va aqlli qurilmalar uchun samarali yechim hisoblanadi. HTTP va AMQP protokollari esa ko‘proq hisoblash resurslariga ega tizimlarda va murakkab tarmoq infratuzilmalarida qo‘llanilishi mumkin. Shuningdek, IoT tarmoqlarining ishlash samaradorligini baholashda matematik modellashtirish usullaridan foydalanish muhim ahamiyatga ega ekanligi ko‘rsatildi. Matematik modellar yordamida tarmoqdagi kechikish, trafik intensivligi va energiya sarfi kabi ko‘rsatkichlarni tahlil qilish mumkin. Bundan tashqari, IoT tizimlarida sun’iy intellekt texnologiyalaridan foydalanish tarmoqni optimallashtirish, trafikni prognoz qilish va energiya samaradorligini oshirish imkonini beradi. Kelajakda IoT tizimlari yanada murakkablashib borishi bilan ularni boshqarishda sun’iy intellekt va matematik modellashtirish usullarining ahamiyati ortib borishi kutilmoqda. Foydalanilgan adabiyotlar: 1. Tanenbaum A. S., Wetherall D. J. Computer Networks. – Pearson Education, 2011. 2. Shelby Z., Hartke K., Bormann C. The Constrained Application Protocol (CoAP). – Internet Engineering Task Force (IETF), RFC 7252, 2014. 3. Banks A., Gupta R. MQTT Version 3.1.1 Protocol Specification. – OASIS Standard, 2014. 4. Atzori L., Iera A., Morabito G. The Internet of Things: A Survey. – Computer Networks Journal, 2010. 433

5. Minerva R., Biru A., Rotondi D. Towards a Definition of the Internet of Things (IoT). – IEEE Internet Initiative, 2015. 6. Vermesan O., Friess P. Internet of Things – From Research and Innovation to Market Deployment. – River Publishers, 2014. 7. Al-Fuqaha A., Guizani M., Mohammadi M., Aledhari M., Ayyash M. Internet of Things: A Survey on Enabling Technologies, Protocols and Applications. – IEEE Communications Surveys & Tutorials, 2015. SUN’IY INTELEKT ASOSIDA 5G RESUSRLARI TAQSIMLASH ALGORITMI Yosinov Muxammadyor Baxtiyor o‘g‘li, UMFT, Raqamli texnologiyalar fakulteti magistratranti Usmonov A.H., Sarbon Universiteti Muhandislik va raqamli texnologiyalar kafedrasi mudiri Annotatsiya. Ushbu maqolada 5G aloqa tarmoqlarida cheklangan radioresurslarni samarali boshqarish masalasi ko‘rib chiqiladi. 5G tarmog‘ining yuqori dinamikligi va xizmat turlarining turliligi sharoitida an’anaviy resurs taqsimlash algoritmlarining kamchiliklari tahlil qilingan. Tadqiqotda deep reinforcement learning va ierarxik boshqaruv tizimiga asoslangan aqlli algoritm taklif etiladi. Taklif etilgan yondashuv tarmoq segmentatsiyasi (slicing) sharoitida resurslarni avtomatik va bashoratli taqsimlash imkonini beradi. Natijalar shuni ko‘rsatadiki, sun’iy intellekt asosidagi yondashuv spektr samaradorligini oshirish, kechikish vaqtini kamaytirish va energiya tejamkorligini ta’minlashda yuqori ko‘rsatkichlarga ega. Kalit so‘zlar: 5G tarmoq, sun’iy intellekt, resurs, tarmoq segmentatsiyasi, samaradorlik. Аннотация. В данной статье рассматривается проблема эффективного управления ограниченными радиоресурсами в сетях связи 5G. В условиях высокой динамичности сети 5G и разнообразия типов услуг проанализированы недостатки традиционных алгоритмов распределения ресурсов. В исследовании предлагается интеллектуальный алгоритм, основанный на технологии deep reinforcement learning и иерархической системе управления. Предложенный подход обеспечивает автоматическое и прогнозное распределение ресурсов в условиях сетевой сегментации (network slicing). Результаты показывают, что подход на основе искусственного интеллекта позволяет повысить спектральную эффективность, сократить задержку и обеспечить энергосбережение. Ключевые слова: 5G сеть, искусственный интеллект, ресурсы, сетевая сегментация, эффективность. Abstract. This paper addresses the problem of efficient management of limited radio resources in 5G communication networks. In the context of high network dynamics and diverse service types in 5G, the limitations of traditional resource allocation algorithms are analyzed. The study proposes an intelligent algorithm based on deep reinforcement learning and a hierarchical control architecture. The proposed approach enables automatic and predictive resource allocation under network slicing conditions. The results demonstrate that the AI-based approach significantly improves spectral efficiency, reduces latency, and enhances energy efficiency. Key words: 5G network, artificial intelligence, resource allocation, network slicing, efficiency. Kirish. Bugungi kunda global raqamli transformatsiya jarayonlari ma’lumotlar uzatish tezligi va sifatiga bo‘lgan talabni geometrik progressiya bilan oshirmoqda. Beshinchi avlod (5G) tarmoqlari o‘zining yuqori o‘tkazuvchanlik qobiliyati va minimal kechikish vaqti bilan sanoat 4.0, "aqlli shahar", masofaviy 434

tibbiyot va avtonom transport kabi sohalarning asosi hisoblanadi. Biroq, 5G tarmog‘ining o‘ziga xosligi shundaki, u bir-biriga mutlaqo zid talablarga ega bo‘lgan xizmat turlarini (masalan, sensorlar uchun energiya tejovchi mMTC va avtopilotlar uchun o‘ta tezkor uRLLC) bir vaqtda qo‘llab-quvvatlashi kerak[1]. Radiochastota spektri, vaqt slotlari va quvvat kabi resurslar cheklangan sharoitda an’anaviy boshqarish algoritmlari tarmoqning dinamik va murakkab tabiatiga javob bera olmay qoldi. 5G resurGslarini taqsimlashda yuzaga keladigan matematik va hisoblash murakkabliklarini bartaraf etish uchun an’anaviy metodlardan voz kechib, Sun’iy intellekt (AI) va Mashinali o‘rganish (ML) texnologiyalariga tayanish bugungi kunning eng dolzarb ilmiy va amaliy masalasidir[2]. AI nafaqat mavjud holatni tahlil qiladi, balki tarmoq yuklamasini bashorat qilib, resurslarni proaktiv (oldindan) taqsimlash imkonini beradi. Tadqiqotning maqsadi. Sun’iy intellekt, xususan, chuqur mustahkamlangan o‘qitish (Deep reinforcement learning) usullari asosida 5G tarmoqlarida radioresurslarni dinamik va samarali taqsimlash algoritmini ishlab chiqish hamda uning tarmoq unumdorligini oshirishdagi samaradorligini asoslashdan iborat. Tadqiqotning vazifalari. Mazkur tadqiqot 5G tarmoqlarida resurslarni samarali boshqarish va optimallashtirish masalasini sun’iy intellekt asosida takomillashtirishga qaratilgan. Unda avvalo an’anaviy resurs taqsimlash usullarining yuqori dinamik tarmoq muhitidagi cheklovlari tahlil qilinadi. Shundan so‘ng, real vaqt rejimida qaror qabul qila oladigan sun’iy intellekt modellari (masalan, mustahkamlovchi o‘qitish va neyron tarmoqlar) o‘rganilib, eng maqbul yondashuv tanlanadi[3]. Tanlangan model asosida foydalanuvchilarning xizmat sifati (QoS) talablari va kanal holatini inobatga olgan holda spektr hamda quvvatni avtomatlashtirilgan tarzda taqsimlovchi aqlli algoritm ishlab chiqiladi. Taklif etilgan yechimning samaradorligi an’anaviy algoritmlar bilan solishtirilib, tarmoq o‘tkazuvchanligi va energiya tejamkorligi ko‘rsatkichlari asosida baholanadi. Shuningdek, AI yordamida tarmoq segmentatsiyasi (network slicing) sharoitida resurslarni izolyatsiyalash va dinamik qayta taqsimlash mexanizmlari ham ko‘rib chiqiladi[4]. Asosiy qism. 5G resurslarini taqsimlashda tizimli model. 5G tarmoqlarida resurslarni boshqarish murakkab ko‘p o‘lchamli masaladir. Tizim modeli odatda ko‘p sonli kichik hujayralar (Small cells) va markaziy baza stansiyalaridan iborat bo‘lib, ularning har biri cheklangan chastota spektri va quvvatga ega. Resurslarni taqsimlash muammosi matematik nuqtai nazardan NPmurakkab (Non-deterministic Polynomial-time) muammo hisoblanadi, ya’ni foydalanuvchilar soni ortishi bilan hisoblash murakkabligi eksponensial ravishda o‘sib boradi[5]. Sun’iy intellektga asoslangan modelda biz tarmoqni Markov qaror qabul qilish jarayoni (MDP) sifatida ifodalaymiz. Mazkur modelda resurslarni boshqarish jarayoni mustahkamlovchi o‘qitish tamoyiliga asoslanib, tizimning holati, bajariladigan harakatlar va mukofot funksiyasi aniq belgilab olinadi[6]. Tizim holati sifatida foydalanuvchilarning kanal holati (CSI), joriy trafik yuklamasi va 435

kechikish ko‘rsatkichlari olinadi. Harakat esa ma’lum bir foydalanuvchiga resurs bloklarini (RB) ajratish hamda uzatish quvvatini tanlashdan iborat bo‘ladi. Mukofot funksiyasi umumiy tarmoq o‘tkazuvchanligini maksimal darajaga yetkazish va energiya sarfini kamaytirishga yo‘naltiriladi. Taklif etilayotgan yondashuv an’anaviy algoritmlardan farqli ravishda Deep reinforcement learning (DRL) modeliga tayanadi. DRL chuqur neyron tarmoqlari va mustahkamlovchi o‘qitish usullarining integratsiyasidan iborat bo‘lib, murakkab va dinamik muhitda optimal qaror qabul qilish imkonini beradi. Tadqiqotda Deep Q-Network (DQN) yoki Actor-critic arxitekturasi asosida ishlovchi algoritmni qo‘llash nazarda tutilgan bo‘lib, bu yondashuv resurs taqsimlash jarayonini real vaqt rejimida samarali optimallashtirishga xizmat qiladi[7]. Taklif etilayotgan sun’iy intellektga asoslangan algoritm bir necha bosqichda ishlaydi. Dastlab, baza stansiyasida joylashgan AI agent real vaqt rejimida foydalanuvchilarning trafik talablari va radio-kanal sifatini kuzatadi. Keyingi bosqichda u turli resurs taqsimlash ssenariylarini sinab ko‘rib, ularning natijalarini tajriba xotirasida saqlaydi. Ushbu ma’lumotlar asosida neyron tarmoq o‘qitilib, qaysi sharoitda qanday qaror eng yuqori samaradorlik berishini o‘rganadi. Natijada tizim dinamik muhitga tez moslashadi: masalan, yuqori ustuvorlikdagi uRLLC trafigi paydo bo‘lganda, resurslar kamroq ustuvor segmentlardan zudlik bilan qayta taqsimlanadi. Shuningdek, 5G tarmoqlaridagi network slicing mexanizmida AI “aqlli boshqaruvchi” vazifasini bajaradi. U turli virtual segmentlar o‘rtasida resurslarni izolyatsiyalash orqali bir segmentdagi yuklama ortishi boshqasining xizmat sifatiga salbiy ta’sir ko‘rsatmasligini ta’minlaydi. Bundan tashqari, mashinali o‘rganish modellari (masalan, vaqt qatorlarini tahlil qiluvchi LSTM) yordamida trafik o‘zgarishlari oldindan bashorat qilinib, resurslar proaktiv tarzda rejalashtiriladi. Bu esa tarmoqning barqarorligi, moslashuvchanligi va umumiy samaradorligini oshiradi. Energiya samaradorligi va interferensiyani boshqarish. AI asosidagi algoritm nafaqat resurs taqsimlaydi, balki interferensiyani (shovqinni) ham kamaytiradi. Ko‘p antennali (MIMO) tizimlarda AI signallarni shunday yo‘naltiradiki (Beamforming), qo‘shni hujayralar orasidagi xalaqitlar minimal darajaga tushadi. Shu bilan birga, tarmoq yuklamasi past bo‘lgan soatlarda AI ma’lum bir chastota bloklarini vaqtincha o‘chirib, energiya sarfini 25-30% gacha tejash imkonini beradi[7]. 5G tarmoqlarida resurslarni sun’iy intellekt asosida boshqarish iyerarxik arxitektura tamoyiliga asoslanadi. Bunda algoritm faqat bitta markaziy nuqtada emas, balki ikki darajada faoliyat yuritadi. Global darajada boshqaruv markaziy bulutli yadro tarmog‘ida amalga oshirilib, uzoq muddatli strategik qarorlar qabul qilinadi. Masalan, kunning turli vaqtlarida spektrni virtual segmentlar o‘rtasida taqsimlash yoki umumiy siyosatni belgilash kabi vazifalar bajariladi. Lokal darajada esa algoritm baza stansiyasining o‘zida, ya’ni edge computing muhitida ishlaydi. Bu bosqichda resurs bloklari foydalanuvchilar o‘rtasida juda qisqa vaqt oralig‘ida (10–100 millisekund) dinamik ravishda taqsimlanadi. Natijada qaror 436

qabul qilish tezligi oshadi, kechikish kamayadi va markaziy serverga tushadigan hisoblash yuklamasi sezilarli darajada qisqaradi. 5G tarmoqlarida Massive MIMO texnologiyasi resurs taqsimlashni nafaqat chastota, balki fazoviy o‘lcham orqali ham amalga oshirish imkonini beradi. Ko‘p antennali tizim yordamida bir vaqtning o‘zida ko‘plab foydalanuvchilarga xizmat ko‘rsatish mumkin. Sun’iy intellekt asosidagi aqlli nurlanish (AI beamforming) esa foydalanuvchining harakat trayektoriyasini oldindan bashorat qilib, signal nurini aynan kerakli yo‘nalishga moslashtiradi. Natijada fazoviy ajratish (SDMA) orqali bir xil chastotadan bir vaqtning o‘zida bir nechta foydalanuvchi minimal shovqin bilan foydalanadi. Bu esa tarmoq sig‘imi va spektr samaradorligini sezilarli darajada oshiradi. 5G tarmoqlarida resurs taqsimlash algoritmlarini samarali o‘qitish katta hajmdagi ma’lumotlarni talab qiladi. Biroq foydalanuvchilarning joylashuvi va trafik ma’lumotlarini markaziy serverga yig‘ish maxfiylik bilan bog‘liq xavflarni yuzaga keltiradi. Shu muammoni hal etish uchun Federativ o‘rganish (federated learning) yondashuvi qo‘llaniladi. Bu usulda sun’iy intellekt modeli har bir qurilmaning o‘zida lokal tarzda o‘qitiladi, markaziy serverga esa faqat modelning yangilangan og‘irliklari yuboriladi. Xom (raw) ma’lumotlar qurilma ichida saqlanib qoladi. Natijada tizim foydalanuvchi maxfiyligini saqlagan holda umumiy modelni takomillashtiradi, tarmoq xavfsizligini oshiradi va resurs taqsimlash jarayonini yanada aqlli va samarali qiladi. AI asosidagi resurs boshqaruv tizimi 5G tarmoqlarida O‘z-o‘zini optimallashtiruvchi tarmoq konsepsiyasini amalga oshiradi. Bu yondashuv tarmoqni inson aralashuvisiz avtomatik boshqarish va moslashtirish imkonini beradi. Tizim o‘z-o‘zini sozlash funksiyasi orqali yangi baza stansiyasi ishga tushirilganda qo‘shni stansiyalar bilan muvofiqlashadi va resurslarni avtomatik ravishda qayta taqsimlaydi. Shuningdek, o‘z-o‘zini tiklash mexanizmi yordamida biror tayanch stansiya ishdan chiqsa, AI qo‘shni stansiyalarning quvvat darajasi va nurlanish yo‘nalishini o‘zgartirib, aloqa uzilgan hududni tezda qoplaydi. Natijada tarmoq barqarorligi, ishonchliligi va xizmat sifati sezilarli darajada oshadi. Xulosa. 5G tarmoqlarida resurslarni taqsimlash masalasi shunchaki texnik vazifa emas, balki kelajakdagi raqamli infratuzilmaning barqarorligini ta’minlovchi strategik jarayondir. Ushbu maqolada tahlil qilinganidek, an’anaviy algoritmlar 5G ning dinamik va ko‘p qirrali talablari oldida o‘z samaradorligini yo‘qotmoqda. Sun’iy intellekt va Chuqur mustahkamlangan o‘qitish (DRL) texnologiyalarining joriy etilishi esa tarmoqni boshqarishda inson omilini kamaytirib, real vaqt rejimida qaror qabul qilish imkonini beradi. Tadqiqot natijalari shuni ko‘rsatadiki, AI asosidagi algoritmlar spektr samaradorligini oshirish bilan birga, tarmoqdagi kechikish vaqtini (latency) sezilarli darajada kamaytiradi. Ayniqsa, tarmoq segmentatsiyasi (slicing) va Massive MIMO tizimlarida AI qo‘llanilishi resurslardan foydalanish koeffitsientini optimallashtiradi. Xulosa qilib aytganda, sun’iy intellekt 5G va kelajakdagi 6G aloqa tizimlarining ajralmas qismi bo‘lib, u tarmoqning o‘z-o‘zini tashkil etishi, diagnostika qilishi va optimallashtirishida hal qiluvchi rol o‘ynaydi. 437

Maqolada taklif etilgan AI asosidagi resurs taqsimlash yondashuvlarini amaliyotga samarali joriy etish uchun quyidagi strategik yo‘nalishlar muhim hisoblanadi: Ierarxik AI arxitekturasini qo‘llash – hisoblash jarayonlarini markaziy yadro tarmog‘i va Edge computing o‘rtasida taqsimlash, baza stansiyalarida kichik AI modellarini joylashtirish orqali qaror qabul qilish tezligini sezilarli darajada oshirish. Gibrid algoritmik yondashuv – to‘liq AI tizimiga bosqichma-bosqich o‘tish jarayonida an’anaviy qoida-asosli algoritmlar bilan AI modellarini uyg‘unlashtirish orqali tizim barqarorligini ta’minlash. Maxfiylikni ta’minlash uchun Federativ o‘rganish – foydalanuvchi ma’lumotlarini markazlashtirmasdan, modelni lokal qurilmalarda o‘qitish va faqat parametrlarni almashish orqali xavfsizlikni kuchaytirish. Green AI tamoyillarini joriy etish – nafaqat o‘tkazuvchanlik, balki energiya samaradorligini ham optimallashtirish, yuklama past paytlarda resurslarni “uyqu” rejimiga o‘tkazish kabi mexanizmlarni integratsiya qilish. Simulyatsiya va real sinovlar – algoritmlarni keng miqyosda tatbiq etishdan oldin turli trafik ssenariylarida modellashtirish, natijalarni tahlil qilish va tizimni doimiy ravishda takomillashtirib borish. Ushbu tavsiyalar AI asosidagi 5G resurs boshqaruv tizimlarini amaliyotga xavfsiz, bosqichma-bosqich va yuqori samaradorlik bilan joriy etishga xizmat qiladi. Foydalanilgan adabiyotlar 1. O‘zbekiston Respublikasi Prezidenti. (2024, 14-oktabr). Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida (PQ-358son Qaror). 2. O‘zbekiston Respublikasi Prezidenti. (2021, 17-fevral). Sun’iy intellekt texnologiyalarini jadal joriy etish uchun shart-sharoitlar yaratish chora-tadbirlari to‘g‘risida (PQ-4996-son Qaror). 3. Abdukarimov, S. (2021). Sun’iy intellekt va ta’lim tizimining raqamli transformatsiyasi. Toshkent: Lingvospektr. 4. Yusupbekov, N.R. (2022). Sun’iy intellekt asoslari. MechaUz. 5. Sun’iy intellekt algoritmlari va ularning 5G infratuzilmasidagi o‘rni. (2025). Ilmiy anjuman materiallari. Ilmiyanjumanlar.uz. 6. Bouras, C., & Kalogeropoulos, S. (2025). Optimizing 5G resource allocation with attention-based CNN-BiLSTM-SE networks. Frontiers in Communications and Networks. 7. Murthy, B., & Uthirapathy, P. (2026). AI-driven 5G-IoT optimization: Q-learning for real-time energy and network resource management. Expert Systems with Applications, 298. XORAZM SHEVASI VA O‘ZBEK ADABIY TILI O‘RTASIDA NEYRON MASHINAVIY TARJIMA MODELLARI YARATISH ASOSLARI VA TARJIMA MODELLARI TAHLILI Raximova Tozagul Sobir qizi, UrDU Sun’iy intellekt yo‘nalishi magistratura talabasi e-mail:raximovatozagul@gmail.com 438