Sun’iy Intellekt va Raqamli Iqtisodiyot

3. Yo‘ldoshev J.G‘., Usmonov S.A. “Pedagogik innovatsiyalar va raqamli transformatsiya”. Toshkent: TDPU nashriyoti, 2021. 224 b. 4. Karimov N.R. “Ta’limda axborot texnologiyalari va intellektual tizimlar”. Samarqand: SamDU nashriyoti, 2024. 210 b. 5. Raxmatullaev A.T. “Lingvistik modellashtirish va NLP texnologiyalari”. Toshkent: “Universitet”, 2023. 180 b. 6. Ibragimova D.Sh. “Ijtimoiy-gumanitar fanlarni o‘qitishda raqamli yondashuv”. Buxoro: BuxDU nashriyoti, 2022. 168 b. 7. O‘zbekiston Respublikasi Oliy ta’lim, fan va innovatsiyalar vazirligi. “Raqamli ta’limni rivojlantirish konsepsiyasi”. Toshkent, 2023. 54 b. SUN’IY INTELLEKT VA GUMANITAR INTEGRATSIYA ASOSIDA KADROLAR TAYYORLASH TIZIMINI RIVOJLANISH Zaynabidinov Raxmatullo Madaminjon o‘g‘li, FarDTU “Dasturiy injiniring va kiberxavfsizlik” kafedrasi assistenti, zaynabiginov@gmail.com Annotatsiya. Mazkur tezisda raqamli iqtisodiyot sharoitida sun’iy intellekt texnologiyalari asosida kadrlar tayyorlash tizimini rivojlantirishning nazariy asoslari tahlil qilinadi. Gumanitar integratsiyaning barqaror professional kompetensiyalarni shakllantirishdagi o‘rni asoslab beriladi. Shuningdek, ta’limni individuallashtirish, lingvistik tayyorgarlik va sun’iy intellektni joriy etishda ijtimoiy-etik masalalar yoritiladi. Kalit so‘zlar: sun'iy intellekt; ta'limning raqamli transformatsiyasi; kadrlar tayyorlash; gumanitar integratsiya; lingvistik kompetentsiya; raqamli etika; malakaga asoslangan yondashuv. Abstract. Ushbu dissertatsiya raqamli iqtisodiyotda sun'iy intellekt texnologiyalariga asoslangan kadrlar tayyorlash tizimini rivojlantirishning kontseptual asoslarini ko‘rib chiqadi. Bu barqaror kasbiy kompetensiyalarni rivojlantirish omili sifatida gumanitar fanlar integratsiyasi zarurligini asoslaydi. Shuningdek, u o‘rganishni shaxsiylashtirish, lingvistik tayyorgarlik va intellektual ta'lim platformalarini amalga oshirish bilan bog‘liq ijtimoiy va axloqiy mas'uliyatni o‘rganadi. Keywords: Artificial intelligence; digital transformation of education; personnel training; humanitarian integration; linguistic competence; digital ethics; competency-based approach. Аннотация. В тезисе рассматриваются концептуальные основы развития системы подготовки кадров на базе технологий искусственного интеллекта в условиях цифровой экономики. Обосновывается необходимость гуманитарной интеграции как фактора формирования устойчивых профессиональных компетенций. Анализируются вопросы персонализации обучения, лингвистической подготовки и социально-этической ответственности при внедрении интеллектуальных образовательных платформ. Ключевые слова: искусственный интеллект; цифровая трансформация образования; подготовка кадров; гуманитарная интеграция; лингвистическая компетентность; цифровая этика; компетентностный подход. Введение. Современный этап развития общества характеризуется ускоренной цифровизацией экономики, трансформацией профессиональной структуры занятости и ростом значимости интеллектуальных технологий. Искусственный интеллект становится ключевым инструментом оптимизации управленческих, производственных и образовательных процессов. В этих условиях система подготовки кадров должна соответствовать новым требованиям рынка труда, ориентированного на цифровые компетенции, 539

аналитическое мышление и способность к междисциплинарному взаимодействию. Однако технологическая модернизация образования не может рассматриваться исключительно как внедрение цифровых платформ и алгоритмов машинного обучения. Подготовка специалистов в эпоху искусственного интеллекта требует комплексного подхода, сочетающего технологические инновации с гуманитарной интеграцией. Без формирования социально-этической ответственности, развитых коммуникативных навыков и критического мышления использование интеллектуальных технологий может привести к дисбалансу между техническим прогрессом и общественными потребностями. Актуальность исследования определяется необходимостью разработки устойчивой модели подготовки кадров, обеспечивающей синтез искусственного интеллекта и гуманитарных дисциплин в образовательной среде. Целью настоящего тезиса является теоретическое обоснование направлений модернизации образовательной системы и формулирование практических рекомендаций по ее совершенствованию. Основная часть. Внедрение искусственного интеллекта в образовательные процессы способствует переходу к персонализированному обучению. Адаптивные образовательные платформы анализируют данные об академической активности обучающихся, формируют индивидуальные траектории развития и обеспечивают оперативную обратную связь. Это позволяет повысить объективность оценки знаний и оптимизировать распределение учебной нагрузки. Интеллектуальные системы применяются в автоматизированной проверке заданий, прогнозировании академической успешности, выявлении образовательных рисков и формировании рекомендаций по профессиональной ориентации. Использование аналитических алгоритмов повышает прозрачность образовательных процессов и способствует принятию управленческих решений на основе данных. Вместе с тем автоматизация не должна заменять педагогическое взаимодействие. Искусственный интеллект выступает инструментом поддержки, а не заменой преподавателя. Эффективность цифровой 540

трансформации определяется балансом между алгоритмическими механизмами и профессиональной компетентностью педагогов. Гуманитарная составляющая образования формирует ценностные ориентиры личности специалиста. В условиях цифровизации особую значимость приобретают такие качества, как социальная ответственность, этическое мышление, межкультурная коммуникация и способность к критическому анализу информации. Интеграция гуманитарных дисциплин в технические программы подготовки способствует формированию целостного профессионального мировоззрения. Лингвистическая компетентность обеспечивает участие специалистов в международном научном и профессиональном взаимодействии, а социально-гуманитарная подготовка способствует осознанию последствий внедрения технологий для общества. Особое внимание следует уделить вопросам цифровой этики, защите персональных данных и предотвращению алгоритмической дискриминации. Формирование культуры ответственного использования технологий является необходимым условием устойчивого развития цифровой экономики. Современная система подготовки кадров должна строиться на основе компетентностного подхода. В рамках интегративной модели целесообразно выделить следующие группы компетенций: • цифровые и технологические компетенции; • аналитические и исследовательские навыки; • коммуникативные и межкультурные компетенции; • управленческие и проектные способности; этико-правовые знания в сфере применения искусственного интеллекта. Искусственный интеллект может использоваться для мониторинга формирования данных компетенций и прогнозирования профессиональной траектории обучающихся. Таблица 1 Интеграция искусственного интеллекта и гуманитарных компетенций в системе подготовки кадров Направление подготовки Технические специальности Экономические направления Роль искусственного интеллекта Адаптивные обучающие системы, анализ данных Прогнозная аналитика, моделирование Педагогические кадры Интеллектуальные образовательные платформы Государственное Аналитика больших управление данных Гуманитарная составляющая Этика технологий, коммуникация Социальная ответственность бизнеса Психология и культура общения Ожидаемый результат Ответственный инженер Цифровой менеджер Право и публичная политика Эффективный управленец Цифровой педагог Представленные данные демонстрируют необходимость синхронного развития технологических и гуманитарных компетенций. Только 541

интегративный подход обеспечивает формирование специалиста, способного эффективно функционировать в цифровой среде. Однако ключевым элементом остается гуманитарное содержание образования, обеспечивающее развитие личности и социальную адаптацию. Процесс внедрения искусственного интеллекта сопровождается рядом вызовов. Среди них ‒ алгоритмическая предвзятость, цифровое неравенство, угрозы информационной безопасности и снижение уровня академической самостоятельности. Кроме того, существует риск избыточной технологизации образовательного процесса, при которой гуманитарный компонент оказывается вторичным. Для минимизации указанных рисков необходимо формирование нормативной базы, регламентирующей применение интеллектуальных технологий в образовательной сфере, а также развитие механизмов экспертной оценки цифровых решений. Развитие системы подготовки кадров на основе искусственного интеллекта и гуманитарной интеграции является стратегическим направлением модернизации образования. Эффективность данной модели определяется способностью сочетать инновационные технологические инструменты с гуманитарными ценностями и социальной ответственностью. Практические рекомендации: 1. Разработать комплексную стратегию цифровой трансформации образовательных учреждений. 2. Обеспечить интеграцию гуманитарных дисциплин в технические образовательные программы. 3. Внедрить механизмы этического аудита алгоритмов искусственного интеллекта. 4. Организовать системное повышение квалификации преподавателей в области цифровых технологий. 5. Усилить меры по защите персональных данных и информационной безопасности обучающихся. Таким образом, гармоничное сочетание искусственного интеллекта и гуманитарной интеграции формирует основу устойчивой и конкурентоспособной системы подготовки кадров в условиях цифровой экономики. Список использованной литературы: 1. Зайнабидинов, Р.М.О. (2025). Обеспечение безопасного обмена данными в производственных се-тях на основе протоколов защищенной связи. Universum: технические науки, 1(2 (131)), 27-29. 2. Akhundjanov, U., Soliyev, B., Juraev, N., Musayev, K., Norinov, M., Ermatova, Z., & Zaynabidinov, R. (2024). Off-line handwritten signature verification based on machine learning. In E3S Web of Conferences (Vol. 508, p. 03011). EDP Sciences. 3. Zulunov R., Hnatiienko H., Hnatiienko V., Myrutenko L. Mathematical Models of the Modern Educational Space: Virtual Communication, Processing of Natural Language Information, Normalization of Speech Signal. CEUR Workshop Proceedings, 2025, Vol-3991, p. 323-338. 542

4. Porubay O. “Multiscale analysis of wavelet-transformation as a solution to the problem of compression of information flows,” in 2016 Int. Conf. Inf. Sci. Commun. Technol. (ICISCT), 2016, pp. 1–4, doi: 10.1109/ICISCT.2016.7777410. 5. Зайнабидинов, Р.М. (2024). Обзор ядра linux и его роль в современных информационных системах. Universum: технические науки, 1(3 (120)), 34-37. SUN’IY INTELLEKT YORDAMIDA AKADEMIK PLAGIATNI ANIQLASHNING TAKOMILLASHTIRILGAN MODELI Abdullayev Abdubakir, Muhammad al-Xorazmiy nomidagi TATU, Elektronika va radiotexnika kefedrasi assistenti abdullayev@tuit.uz Sobirov Ro‘ziali, Muhammad al-Xorazmiy nomidagi TATU, Radio va mobil aloqa fakulteti talabasi rozialisobirov021@gmail.com Ahmedov Shoxijahon, Muhammad al-Xorazmiy nomidagi TATU, Radio va mobil aloqa fakulteti talabasi shoxijahon004@gmail.com Annotatsiya. Ushbu maqola oliy ta’lim muassasalarida akademik matnlardagi o‘xshashliklarni aniqlash jarayonini takomillashtirishga qaratilgan intellektual model ishlab chiqishga bag‘ishlangan. Taklif etilayotgan yondashuv matnning yuzaki moslik ko‘rsatkichlari bilan cheklanmay, mazmuniy va kontekstual bog‘lanishlarni ko‘p qatlamli tahlil asosida baholaydi. Kalit so‘zlar: sun’iy intellekt, akademik plagiat, oliy ta’lim, antiplagiat tizimi, semantik tahlil. Аннотация. Данная статья посвящена разработке интеллектуальной модели, направленной на совершенствование процесса выявления сходств в академических текстах в высших учебных заведениях. Предлагаемый подход не ограничивается показателями поверхностного соответствия текста, а оценивает смысловые и контекстуальные связи на основе многослойного анализа. Ключевые слова: искусственный интеллект, академический плагиат, высшее образование, система защиты от плагиата, семантический анализ. Abstract. This article focuses on the development of an intelligent model aimed at improving the process of identifying similarities in academic texts at higher education institutions. The proposed approach goes beyond superficial textual correspondence indicators and evaluates semantic and contextual relationships based on a multilayered analysis. Key words: artificial intelligence, academic plagiarism, higher education, antiplagiarism system, semantic analysis. Kirish. Raqamli texnologiyalar taraqqiyoti va generativ sun’iy intellekt tizimlarining keng qo‘llanilishi oliy ta’lim muassasalarida akademik halollikni ta’minlash mexanizmlarini qayta ko‘rib chiqishni talab qilmoqda. Matn generatsiyasi, avtomatik parafrazlash va tarjima vositalarining ommalashuvi natijasida plagiatning an’anaviy shakllari bilan bir qatorda mazmuniy transformatsiyaga asoslangan yangi ko‘rinishlari yuzaga kelmoqda. Mavjud antiplagiat tizimlari asosan leksik moslik va fragmentar taqqoslashga tayanadi, bu esa semantik jihatdan qayta ishlangan matnlarni aniqlashda cheklangan natija beradi [2,7]. Shu sababli plagiatni aniqlashda yuzaki o‘xshashlik emas, balki kontekstual va mazmuniy yaqinlikni baholovchi yondashuvlarga ehtiyoj ortmoqda. Empirik tadqiqotlar generativ Sun’iy intellekt (AI) vositalaridan foydalanish ko‘lami ortib borayotganini va bu jarayon akademik halollik ko‘rsatkichlariga ta’sir qilishi mumkinligini ko‘rsatadi. Ayrim mualliflar bunday texnologiyalarni 543

xavf omili sifatida baholasa, boshqalar esa ularni ta’lim jarayonini transformatsiya qiluvchi vosita sifatida ko‘rib, normativ va metodik mexanizmlarni takomillashtirish zarurligini ta’kidlaydi [1,4,7,8]. Ko‘rib chiqilgan ilmiy adabiyotlar tahlili natijalari AI bilan bog‘liq plagiatni aniqlash vositalari hali yagona metodologik asosga ega emasligini va ularning samaradorligi turli omillarga bog‘liq ekanini ko‘rsatadi. Asosiy qism. Texnik jihatdan qaralganda, tabiiy tilni qayta ishlash va mashinaviy o‘rganish algoritmlari asosidagi yondashuvlar plagiatni aniqlash samaradorligini oshirishi mumkinligi qayd etilgan [2,4]. Biroq AI yordamida yaratilgan yoki qayta tuzilgan matnlarni aniqlashda mavjud detektorlar ba’zan adversarial o‘zgartirishlarga nisbatan barqaror emasligi aniqlangan. Shu bilan birga, ayrim tadqiqotlarda yozuv jarayonining xulq-atvor indikatorlari, masalan, klaviatura dinamikasi asosida akademik nohalollikni aniqlash imkoniyati ko‘rsatib berilgan [5]. Elektron imtihon muhitida esa sun’iy intellektga asoslangan nazorat tizimlari an’anaviy usullarga nisbatan samaraliroq ekani ta’kidlanadi [3]. Yuqoridagi manbalar tahlili shuni ko‘rsatadiki, plagiatni aniqlash bo‘yicha mavjud tadqiqotlar alohida yo‘nalishlar - texnik algoritmlar, siyosiy-huquqiy mexanizmlar yoki pedagogik yondashuvlar - doirasida olib borilgan. Biroq semantik tahlil, kontekstual modellashtirish va ko‘p omilli baholash mezonlarini integratsiyalovchi kompleks model yetarli darajada ishlab chiqilmagan. Mazkur tadqiqotning maqsadi oliy ta’lim sharoitida akademik matnlardagi o‘xshashlikni aniqlash uchun sun’iy intellektga asoslangan, lingvistik xususiyatlar va vektorli tasvirlash usullarini uyg‘unlashtiruvchi takomillashtirilgan modelni ishlab chiqishdan iborat. Tadqiqot doirasida ilmiy manbalarni tizimli tahlil qilish, akademik matnlar korpusini shakllantirish, semantik o‘xshashlikni hisoblash algoritmlarini qo‘llash hamda natijalarni aniqlik va sezgirlik ko‘rsatkichlari asosida baholash usullaridan foydalanildi. Ushbu yondashuv plagiatni aniqlash jarayonini yanada chuqurroq, mazmuniy asosda tashkil etish imkonini beradi. Tadqiqot aralash metodologiya asosida olib borildi va nazariy tahlil hamda eksperimental modellashtirish bosqichlarini qamrab oldi. Dastlab, sun’iy intellekt va akademik plagiatga oid ilmiy manbalar tizimli tahlil qilinib, mavjud yondashuvlarning ustun va zaif jihatlari umumlashtirildi. Eksperimental bosqichda 1200 ta anonimlashtirilgan akademik matndan iborat korpus shakllantirildi va u uch toifaga ajratildi: mustaqil yozilgan matnlar, an’anaviy nusxa ko‘chirish elementlari mavjud matnlar hamda generativ AI yoki parafrazlash vositalari yordamida qayta tuzilgan matnlar [7,8]. Taklif etilgan model lingvistik tahlil, semantik vektorlashtirish va gibrid klassifikatsiya modullaridan tashkil topdi. Matnlar ko‘p o‘lchamli fazoda tasvirlanib, o‘xshashlik darajasi matematik mezonlar asosida baholandi. Qo‘shimcha ravishda yozuv dinamikasi indikatorlari sinov tariqasida qo‘llanildi [6]. Model samaradorligi aniqlik, sezgirlik, precision va F1-ko‘rsatkichlar orqali baholanib, natijalar mavjud AI-detektorlar bilan qiyosiy tahlil qilindi. Sun’iy intellekt yordamida akademik plagiatni aniqlashning takomillashtirilgan model ko‘p qatlamli (multi-layer hybrid architecture) 544

tamoyiliga asoslanadi va takomillashtirilgan modeli blok sxemasi 1-rasmda keltirilgan. Modelning matematik ifodasi soddalashtirilgan shaklda quyidagicha yozish mumkin. Umumiy plagiat ko‘rsatkichi quyidagi (1) ifoda orqali aniqlanadi: 𝑃 = 𝛼𝑆𝑙 + 𝛽𝑆𝑠 + 𝛾𝑆𝑏 . (1) Bu yerda: 𝑆𝑙 – leksik o‘xshashlik koeffitsienti; 𝑆𝑠 – semantik yaqinlik koeffitsienti; 𝑆𝑏 - xulq-atvor (xususiyatlar) indikatori; 𝛼, 𝛽, 𝛾 - og‘irlik koeffitsientlari. Bunda chegaraviy shart: 𝛼 + 𝛽 + 𝛾 = 1 qilib olingan. Tajriba natijalariga ko‘ra semantik komponentga yuqoriroq og‘irlik beriladi. 1-rasm. Sun’iy intellekt yordamida akademik plagiatni aniqlashning takomillashtirilgan modeli blok sxemasi Taklif etilgan takomillashtirilgan model an’anaviy antiplagiat tizimlariga nisbatan bir nechta ustunliklarga ega. Avvalo, u mazmuniy transformatsiyalangan matnlarni ham aniqlay oladi, ya’ni faqat leksik o‘xshashlikka emas, balki kontekstual va semantik bog‘lanishlarga asoslanadi. Shu bilan birga, generativ sun’iy intellekt yordamida yaratilgan matnlarni aniqlashga moslashgan, bu esa AI vositalarining ommalashayotgan sharoitida dolzarb ahamiyat kasb etadi. Model adversarial o‘zgartirishlarga nisbatan barqarorroq, chunki u semantik va lingvistik ko‘rsatkichlarni birgalikda tahlil qiladi. Bundan tashqari, u ko‘p omilli baholash tizimini qo‘llaydi va agar zarur bo‘lsa, HEMIS, LMS yoki elektron nazorat platformalariga integratsiya qilish imkoniyatiga ega. Mazkur modelning ilmiy yangiligi bir nechta jihatlardan iborat: birinchidan, leksik va semantik ko‘rsatkichlarni integratsiyalashgan tarzda baholashga asoslangan; ikkinchidan, diskurs va mantiqiy izchillikni tahlil qiluvchi indikatorlar joriy etilgan; uchinchidan, model plagiat turini avtomatik tasniflash imkonini beradi; to‘rtinchidan, ehtimollik asosida qaror qabul qiluvchi gibrid AI arxitekturasi qo‘llanilgan. Ushbu yondashuv oliy ta’limda akademik matnlarni baholash jarayonida yuqori aniqlik va samaradorlikni ta’minlashi mumkin. Takomillashtirilgan modelni amalda qo‘llash bir nechta bosqichda amalga oshiriladi. Avvalo, akademik matn tizimga yuklanadi va ma’lumotlarni tayyorlash 545

moduli orqali tozalash, tokenizatsiya va lingvistik xususiyatlarni ajratish jarayoni bajariladi. Keyin semantik tahlil moduli matnni vektorli fazoga o‘tkazib, kontekstual va mazmuniy o‘xshashlikni baholaydi. Agar tizim elektron imtihon yoki LMS bilan integratsiyalangan bo‘lsa, xulq-atvor moduli yozuv jarayonining dinamik ko‘rsatkichlarini tahlil qiladi. Shundan so‘ng gibrid klassifikatsiya moduli barcha ko‘rsatkichlarni birlashtirib, plagiat ehtimolligi va plagiat turini aniqlaydi. Xulosa. Mazkur tadqiqotda oliy ta’lim muassasalarida akademik plagiatni aniqlashning takomillashtirilgan modeli ishlab chiqildi va tahlil qilindi. Model an’anaviy leksik o‘xshashlikni aniqlashdan tashqari, semantik tahlil, diskurs va kontekstual bog‘lanishlar, shuningdek yozuv dinamikasi indikatorlarini integratsiyalash orqali plagiatni aniqlash samaradorligini sezilarli darajada oshirdi. Eksperimental sinovlar natijalari shuni ko‘rsatdiki, taklif etilgan model generativ AI vositalari yordamida yaratilgan yoki parafraz qilingan matnlarni aniqlashda mavjud tizimlarga nisbatan yuqori aniqlik va barqarorlikni ta’minlaydi. Shuningdek, ushbu model HEMIS, LMS bilan integratsiya qilinsa, o‘qituvchilarga talabalar ishlarini avtomatik tekshirish, plagiat darajasini foiz ko‘rinishida va turini aniqlash hamda batafsil hisobot yaratish imkonini beradi. Shu bilan birga, tizim akademik halollikni monitoring qilish va ta’lim sifatini oshirishda samarali vosita sifatida xizmat qilishi mumkin. Foydalanilgan adabiyotlar ro‘yxati: 1. Alsharefeen, R., & Al Sayari, N. (2025). Examining academic integrity policy and practice in the era of AI: A case study of faculty perspectives. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1621743 2. Anđelić, K. (2025). Artificial intelligence and plagiarism in student writing. In 1st Int. Sci. Conf. Education and Artificial Intelligence (EDAI 2024) (pp. 69–77). https://doi.org/10.46793/EDAI24.069A 3. Djimaoui, N., & Sellami, M. (2025). The use of artificial intelligence in detecting plagiarism in electronic examinations: A comparison between traditional and modern systems. International Journal of Innovative Technologies in Social Science, 1(45), 3603. https://doi.org/10.31435/ijitss.1(45).2025.3603 4. Kumar, R., Eaton, S.E., Mindzak, M., & Morrison, R. (2024). Academic integrity and artificial intelligence: An overview. In Second Handbook of Academic Integrity (pp. 1583–1596). Springer. https://doi.org/10.1007/978-3-031-54144-5_153 5. Mpolomoka, D.L., Luchembe, M., Mushibwe, C., Muvombo, M., Changala, M., & Sampa, R.L. (2025). Artificial intelligence-related plagiarism in education: A systematic review. European Journal of Education Studies, 12(4), 6029. http://dx.doi.org/10.46827/ejes.v12i4.6029 6. Sadhin, I.H., Hassan, T., & Nayim, M.A.M. (2024). Plagiarism detection using artificial intelligence. International Journal of Computer and Information System, 5(2), 170. 7. Torres-Diaz, J.C., Duart, J., Rivera, D., Beltran Flandoli, A., & … (2025). Artificial intelligence and academic integrity: Exploring plagiarism in Ecuadorian universities. International Journal for Educational Integrity, 21, Article 35. https://doi.org/10.1007/s40979025-00209-3 8. Yusuf, A., Pervin, N., & Román-González, M. (2024). Generative AI and the future of higher education: A threat to academic integrity or reformation. International Journal of Educational Technology in Higher Education, 21, 21. https://doi.org/10.1186/s41239-02400453-6 546

TRANSPORT VOSITALARIDA HAYDOVCHI HOLATINI KUZATISH ORQALI AVTOHALOKAT XAVFINI KAMAYTIRUVCHI TIZIM DASTURINING AFZALLIKLARI Abdulxayev Nodirbek Murodulloyevich, UMFT “Kommunikatsiya va axborot texnologiyalari” kafedrasi dotsenti, t.f.f.d (PhD) Allayarov Lazizbek Berdiyor oʻgʻli, UMFT “Kompyuter tizimlari va ularning dasturiy ta’minoti” mutaxassisligi 1-kurs magistranti Annotatsiya. Ushbu maqolada transport vositalarida haydovchining fiziologik va psixologik holatini real vaqt rejimida kuzatuvchi dasturiy tizimning ilmiy asoslari, tuzilishi va afzalliklari tahlil qilingan. Zamonaviy yoʻl-transport hodisalarining asosiy sabablaridan biri boʻlgan haydovchi charchoqi, uyqusizlik va diqqatsizlik holatlari kompyuter koʻrish texnologiyalari (computer vision), Sun’iy intellekt algoritmlari va mashinali oʻqitish usullari yordamida aniqlash imkoniyatlari oʻrganilgan. Tizim koʻz pirpirash tezligi, bosh holati, nazar yoʻnalishi va yuz mimikasini tahlil qilib, xavf darajasini baholaydi hamda haydovchiga ogohlantirish signallarini yuboradi. Tadqiqot natijalari shuni koʻrsatmoqdaki, ushbu turdagi intellektual monitoring tizimlari avtohalokatlar sonini 35–45 foizga kamaytirish salohiyatiga ega. Maqolada tizimning afzalliklari, amalga oshirish muammolari va kelajakdagi rivojlanish yoʻnalishlari ham koʻrib chiqilgan. Kalit soʻzlar: Haydovchi monitoring tizimi, kompyuter koʻrish (computer vision), Sun’iy intellekt, mashinali oʻqitish (machine learning), neyron tarmoq, charchoq aniqlash, koʻz pirpirash tezligi (PERCLOS), bosh holati tahlili, real vaqt qayta ishlash, yoʻl xavfsizligi, OpenCV, yuz landmarki, chuqur oʻqitish (deep learning), haydovchi xatti-harakati tahlili. Аннотация. В данной статье проанализированы научные основы, структура и преимущества программной системы, осуществляющей мониторинг физиологического и психологического состояния водителя транспортного средства в режиме реального времени. Рассматриваются возможности выявления таких состояний, как усталость водителя, сонливость и снижение внимания, которые являются одними из основных причин дорожно-транспортных происшествий. Для этого используются технологии компьютерного зрения (computer vision), алгоритмы искусственного интеллекта и методы машинного обучения. Система анализирует частоту моргания глаз, положение головы, направление взгляда и мимику лица, оценивает уровень риска и отправляет водителю предупреждающие сигналы. Результаты исследования показывают, что интеллектуальные системы мониторинга подобного типа способны снизить количество дорожно-транспортных происшествий на 35–45 процентов. В статье также рассмотрены преимущества системы, проблемы её внедрения и перспективные направления дальнейшего развития. Ключевые слова: система мониторинга водителя, компьютерное зрение (computer vision), искусственный интеллект, машинное обучение (machine learning), нейронная сеть, обнаружение усталости, частота моргания глаз (PERCLOS), анализ положения головы, обработка в реальном времени, безопасность дорожного движения, OpenCV, лицевые ориентиры (face landmarks), глубокое обучение (deep learning), анализ поведения водителя. Abstract. This article analyzes the scientific foundations, structure, and advantages of a software system designed to monitor the physiological and psychological state of a vehicle driver in real time. One of the major causes of modern road traffic accidents—driver fatigue, drowsiness, and inattentiveness—is studied through detection methods based on computer vision technologies, artificial intelligence algorithms, and machine learning techniques. The system analyzes eye blink rate, head position, gaze direction, and facial expressions to evaluate the level of risk and provide warning signals to the driver. The research results indicate that such intelligent monitoring systems have the potential to reduce the number of traffic accidents by 35– 547

45 percent. The article also discusses the advantages of the system, implementation challenges, and future development directions. Keywords: Driver Monitoring System, computer vision, artificial intelligence, machine learning, neural network, fatigue detection, eye blink rate (PERCLOS), head pose analysis, realtime processing, road safety, OpenCV, facial landmarks, deep learning, driver behavior analysis. Kirish. Yoʻl-transport hodisalari (YTH) dunyo boʻylab har yili millionlab odamning hayotiga xavf solib, ulkan iqtisodiy va ijtimoiy yoʻqotishlarga sabab boʻlmoqda. Jahon sog‘liqni saqlash tashkiloti (JSST) ma’lumotlariga koʻra, har yili 1,35 milliondan ortiq inson YTH natijasida hayotdan koʻz yumadi va 50 milliondan ziyod kishi shikastlanadi. Oʻzbekistonda ham bu muammo jiddiy boʻlib, Oʻzbekiston Respublikasi Ichki ishlar vazirligi ma’lumotlariga koʻra, 2022–2023- yillarda roʻyxatga olingan YTH larning 28,4 foizi haydovchi charchoqi va uyqusirashi bilan bog‘liq holda sodir boʻlgan [1]. Avtohalokat sabablarini tahlil qilgan koʻplab tadqiqotchilar uch asosiy omilni ajratib koʻrsatadi: haydovchi omili (inson xatosi) – 90–95 %, yoʻl va muhit omili – 3–5 % hamda transport vositasining texnik holati – 2–3 %. Bu statistika haydovchi faoliyatini kuzatuvchi intellektual tizimlarni ishlab chiqishning qanchalik dolzarb ekanligini yaqqol koʻrsatib turibdi [3]. Bugungi kunda Sun’iy intellekt (SI) va kompyuter koʻrish texnologiyalarining jadal rivojlanishi haydovchi holatini avtomatik kuzatish tizimlarini yaratish imkonini bermoqda. Driver Monitoring System (DMS) deb ataladigan bu tizimlar haydovchining koʻz holati, bosh yoʻnalishi, yuz mimikasi va boshqa biometrik koʻrsatkichlarni real vaqt rejimida tahlil qilib, xavfli vaziyatlarni oldindan aniqlashga qodir. Ushbu maqolaning maqsadi – transport vositalarida haydovchi holatini kuzatish orqali avtohalokat xavfini kamaytiruvchi dasturiy tizimning ilmiy asoslarini, texnologik tuzilishini va amaliy afzalliklarini kompleks ravishda tahlil qilishdan iborat [5]. Mavjud muammolar quyidagilardan iborat: haydovchi charchoqligini erta bosqichda aniqlashning murakkabligi; turli yoritilish sharoitlarida tizim ishlashining barqarorligi; haydovchi individual xususiyatlarini hisobga olgan holda moslashuvchan modelling; real vaqt rejimida yuqori aniqlikdagi tahlil uchun hisoblash resurslarini optimallashtirish; ma'lumotlar maxfiyligi va shaxsiy hayot daxlsizligini ta'minlash. Asosiy qism. Haydovchi holatini kuzatuvchi tizim (HHT) bir nechta oʻzaro bog‘liq modullardan tashkil topadi. Tizim kameradan ma'lumot olish, tasvirni qayta ishlash, xususiyatlarni ajratib olish, klassifikatsiya va qaror qabul qilish hamda ogohlantirish modullarini oʻz ichiga oladi. Har bir modul oʻziga xos algoritmlar va kutubxonalar asosida ishlaydi [7]. Tizimning markaziy qismi boʻlgan tasvirni qayta ishlash moduli OpenCV kutubxonasi va MediaPipe freymvorkidan foydalangan holda haydovchining yuz 548

landmarklarini aniqlaydi. 468 ta yuz nuqtasining koordinatalari asosida koʻz holati, bosh egilish burchagi va mimika oʻzgarishlari hisoblanadi [6]. 1-jadval Tizim modullari va ularning vazifalari № Modul nomi Ishlatilgan texnologiya Vazifasi 1 Tasvirni olish moduli USB/IR kamera, OpenCV Real vaqt video oqimini olish 2 Yuz landmarki aniqlash MediaPipe Face Mesh 468 ta nuqta koordinatasi 3 Koʻz holati tahlili EAR algoritmi, CNN PERCLOS koʻrsatkichini hisoblash 4 Bosh holati tahlili PnP algoritmi, 3D model Bosh egilish burchagini aniqlash 5 Klassifikatsiya moduli LSTM, Random Forest Xavf darajasini baholash 6 Ogohlantirish moduli Ovozli/vizual signal Haydovchini ogohlantirishni yuborish Koʻz holatini tahlil qilish va PERCLOS koʻrsatkichi: Haydovchi charchoqligini aniqlashda eng keng qoʻllaniladigan usullardan biri PERCLOS (Percentage of Eye Closure) koʻrsatkichidir. U ma’lum vaqt oralig‘ida koʻzning yopilgan holatda boʻlish nisbatini oʻlchaydi. Ilmiy adabiyotlarda PERCLOS > 0,15 qiymati charchoqlikning ishonchli belgisi sifatida tan olingan [9]. Koʻz aspekt nisbati (EAR – Eye Aspect Ratio) quyidagi formula boʻyicha hisoblanadi: EAR = (||p2 – p6|| + ||p3 – p5||) / (2 × ||p1 – p4||) Bu yerda p1–p6 – koʻz atrofidagi 6 ta landmarklar koordinatalari. EAR qiymati 0,2 dan past boʻlganda koʻz yopiq deb hisoblanadi. Tizimdagi sinov natijalariga koʻra, ushbu formuladan foydalanish 94,7% aniqlik bilan charchoq holatini aniqlashni ta'minlaydi. Bosh holati va nazar yoʻnalishini kuzatish: Bosh holati tahlilida PnP (Perspective-n-Point) algoritmi qoʻllaniladi. Bu algoritm 3D yuz modeli nuqtalarini kamera matritsasi va 2D tasvir koordinatalari orqali moslashtirib, bosh egilish (pitch), aylantirish (yaw) va ag‘darish (roll) burchaklarini aniq hisoblaydi. Ilmiy manbalar asosida quyidagi chegaraviy qiymatlar belgilangan: 2-jadval Bosh holati boʻyicha xavf darajalari Burch turi Normal holat Ogohlantiruv Xavfli holat Pitch (oldinga/orqaga egilish) ±15° ±15–25° > ±25° Yaw (chapga/oʻngga burilish) ±20° ±20–35° > ±35° Roll (yon tomonga egilish) ±10° ±10–20° > ±20° Sun’iy intellekt algoritmlari va ularning taqqoslanishi: 549

Tizimda haydovchi holatini klassifikatsiya qilish uchun bir nechta SI algoritmlari sinab koʻrilgan va ularning samaradorligi quyidagicha baholangan: 3-jadval SI algoritmlarini taqqoslash natijalari Algoritm Aniqlik (%) Ishlov berish tezligi (ms) Xotira talabi Moslashuvchanlik CNN (MobileNetV2) 96,3 18–25 Oʻrta Yuqori LSTM (vaqt qatori) 94,8 22–30 Oʻrta Juda yuqori Random Forest 89,2 8–12 Past Oʻrta SVM 87,5 10–15 Past Oʻrta 97,6 28–40 Yuqori Juda yuqori CNN + LSTM (gibrid) Jadval tahlilidan koʻrinadiki, CNN va LSTM ni birlashtirgan gibrid yondashuv eng yuqori aniqlik (97,6%) ni ta'minlaydi. Biroq bu holda hisoblash resurslari talabi ham ortadi. Oʻrnatilgan tizimlar (embedded systems) uchun MobileNetV2 arxitekturasi optimal tanlov hisoblanadi, chunki u 96,3% aniqlik bilan 18–25 millisekund ichida javob berish imkonini beradi [10]. Tizim samaradorligini baholash va taqqosiy tahlil: Tizimning amaliy samaradorligini baholash uchun Toshkent shahrida 120 ta haydovchi ishtirokida 6 oylik maydon sinovlari oʻtkazildi. Sinovlar davomida 3 guruh haydovchilar kuzatildi: nazorat guruhi (HHT oʻrnatilmagan), sinov guruhi-1 (faqat ogohlantirishli HHT) va sinov guruhi-2 (HHT + moslashuvchan boshqaruv). 4-jadval Maydon sinovi natijalari (6 oylik kuzatuv) Koʻrsatkich Nazorat guruhi Sinov guruhi-1 Sinov guruhi-2 YTH soni (oyiga oʻrtacha) 4,2 2,7 1,1 Charchoq holatlari aniqlash (%) – 91,4 96,8 Soxta signal berish (false positive, %) – 8,6 3,2 YTH kamaytirish samarasi (%) – 35,7 73,8 Haydovchi qoniqish darajasi (10 dan) – 7,2 8,9 Tadqiqot natijalari shuni koʻrsatmoqdaki, moslashuvchan boshqaruv funksiyasiga ega HHT oʻrnatilgan transport vositalarida YTH soni 73,8 foizga kamaygan. Bu koʻrsatkich xalqaro analoglar bilan – Mobileye, Bosch DMS, 550

Continental GuardAlert tizimlari koʻrsatkichlari (45–65%) bilan taqqoslaganda sezilarli darajada yuqori [3]. Tizimning texnologik afzalliklari: Ishlab chiqilgan tizimning asosiy afzalliklari quyidagilardan iborat: 1. Real vaqt tahlili: Tizim 25–30 kadr/soniya tezligida ishlaydi va 200 millisekund ichida ogohlantirish signalini yuboradi. Bu haydovchiga xavfli vaziyatdan chiqish uchun etarli vaqt beradi. 2. Moslashuvchanlik: Tizim haydovchining individual xususiyatlarini (koʻz shakli, yuz tuzilishi) oʻziga moslab oladi va shu asosda shaxsiy bazaviy model yaratadi. 3. Turli sharoitlarda ishlash: Infraqizil yoritish moduli tufayli tizim tungi haydash, kuchli quyosh nuri va koʻzoynakli haydovchilar holatida ham samarali ishlaydi. 4. Integratsiyalash qulayligi: Tizim mavjud avtomobil elektronikasi (CAN bus) bilan muammosiz integratsiyalashishi va bulutli xizmatlar bilan ma'lumot almashishi mumkin. 5. Arzonlik: Tizimni amalga oshirish uchun zarur boʻlgan apparat qismlari (Raspberry Pi 4 + IR kamera) narxi $85–120 atrofida boʻlib, bu xalqaro analoglardan 3–5 marta past. 6. Ma'lumotlar xavfsizligi: Barcha tahlil mahalliy (on-device) amalga oshiriladi, shaxsiy ma'lumotlar tashqi serverga uzatilmaydi. Amalga oshirishdagi texnik muammolar va yechimlar: Tizimni ishlab chiqish jarayonida bir qator texnik muammolar aniqlandi va ular hal etildi. Koʻp yuzli ochiqlik muammosi – turli etnik guruh va yosh toifalarida tizim aniqligi farq qilishi – koʻp xillik bilan boyitilgan ma'lumotlar toʻplami (augmented dataset) va transfer learning usuli orqali bartaraf etildi. Natijada barcha demografik guruhlarda aniqlik 93% dan yuqori darajaga koʻtarildi. Hisoblash yukning pasayishi muammosi esa model kvantizatsiya (INT8) va apparat tezlatgichlari (NVIDIA Jetson Nano, Google Coral TPU) qoʻllash orqali 60 %gacha kamaytirildi. Buning natijasida tizim past quvvatli qurilmalarda ham real vaqt rejimida ishlash imkoniga ega boʻldi [8]. Xulosa. Ushbu maqolada transport vositalarida haydovchi holatini kuzatuvchi intellektual tizimning ilmiy asoslari, arxitekturasi va afzalliklari kompleks ravishda oʻrganildi. Tadqiqot natijalari quyidagi asosiy xulosalar chiqarish imkonini berdi: Birinchidan, haydovchi charchoqligini aniqlashda CNN va LSTM algoritmlarini birlashtirgan gibrid yondashuv eng yuqori samaradorlikni ta'minlaydi (97,6 % aniqlik). EAR va PERCLOS koʻrsatkichlari esa koʻz holatini baholashda ilmiy jihatdan asoslangan va amalda sinab koʻrilgan usullar sifatida tasdiqlandi. Ikkinchidan, 120 haydovchi ishtirokidagi 6 oylik maydon sinovlari natijasida tizimning YTH larni 73,8 foizga kamaytirishdagi samaradorligi isbotlandi. Bu koʻrsatkich mavjud xalqaro tizimlarga qaraganda sezilarli darajada yuqori. Uchinchidan, tizimning arzonligi ($85–120) va ochiq kodli texnologiyalarga asoslanishi uni nafaqat yangi avtomobillar, balki mavjud transport vositalarida ham 551

keng qoʻllash imkonini beradi. Bu Oʻzbekiston sharoitida, ayniqsa, katta ahamiyat kasb etadi, chunki mamlakatdagi avtomobil parkning katta qismi yoshi katta modellardan iborat. Toʻrtinchidan, kelajakdagi tadqiqotlar yoʻnalishi sifatida haydovchi va yoʻlovchilar psixo-fiziologik holatini bir vaqtda kuzatish, V2X (vehicle-toeverything) kommunikatsiya protokollari bilan integratsiya va metaversal muhitda haydovchi trenirovka tizimlarini rivojlantirish istiqbolli yoʻnalish sifatida belgilandi. Xulosa oʻrnida shuni ta'kidlash lozimki, intellektual haydovchi monitoring tizimlari nafaqat texnologik innovatsiya, balki inson hayotini saqlash va yoʻl xavfsizligini oshirishning samarali vositasidir. Tizimni keng joriy etish orqali Oʻzbekistonda YTH dan keladigan iqtisodiy va ijtimoiy yoʻqotishlarni sezilarli darajada kamaytirish mumkin. Foydalanilgan adabiyotlar: 1. Ding, C., & Fan, R. (2021). Real-time driver fatigue detection system based on deep learning. IEEE Transactions on Intelligent Transportation Systems, 22(8), 4892–4901. https://doi.org/10.1109/TITS.2020.3012798 2. Guo, J., Guo, T., & Xu, Y. (2022). Driver drowsiness detection using multi-modal features and LSTM. Expert Systems with Applications, 189, 116099. 3. Wierwille, W.W., & Ellsworth, L. A. (1994). Evaluation of driver drowsiness by trained raters. Accident Analysis & Prevention, 26(5), 571–581. 4. Kim, S., & Ro, Y.M. (2020). MobileNet-based driver monitoring for embedded systems. Pattern Recognition Letters, 136, 279–285. 5. Luque, R., Barber, P., & Rozas, A. (2018). Deep learning-based drowsiness detection in real driving conditions. Sensors, 18(9), 2822. 6. Soukupová, T., & Čech, J. (2016). Real-time eye blink detection using facial landmarks. 21st Computer Vision Winter Workshop, CVWW 2016, 1–8. 7. Wang, H., Li, Y., & Kong, X. (2023). Hybrid CNN-LSTM model for driver behavior recognition. IEEE Access, 11, 23456–23470. 8. Jahon sog‘liqni saqlash tashkiloti (2023). Global status report on road safety 2023. Geneva: WHO Press. ISBN 978-92-4-008585-5. 9. Yusupov, B.A., & Mirzayev, S.K. (2022). Intelligent transport systems and road safety in Uzbekistan. Oʻzbekiston texnika universiteti axborotnomasi, 3(41), 112–119. 10. Karimov, D.F., Toshmatov, J.A., & Nazarov, A.R. (2023). Computer vision based driver fatigue detection using MediaPipe and OpenCV. Proceedings of the International Conference on AI and Smart Systems, Tashkent, 2023, 88–95. WINDOWS OPERATSION TIZIMIDA ZARARLI DASTURLARGA QARSHI HIMOYANI KUCHAYTIRUVCHI TAHLIL MEXANIZMINI TADQIQ QILISH Abdulxayev Nodirbek Murodulloyevich, UMFT “Kommunikatsiya va axborot texnologiyalari” kafedrasi dotsenti, t.f.f.d (PhD), Ergashev Oybek Gʻofirjon oʻgʻli, UMFT, “Kompyuter tizimlari va ularning dasturiy ta’minoti”mutaxassisligi 1-kurs magistranti Annotatsiya. Ushbu maqolada Windows operatsion tizimida zararli dasturlarga (malware) qarshi himoyani kuchaytiruvchi tahlil mexanizmlari ilmiy jihatdan tadqiq etilgan. Kiberhujumlarning tobora murakkablashib borishi va an'anaviy antivirus vositalarining 552

cheklanganligini hisobga olgan holda, sun'iy intellekt (SI) hamda mashinaviy oʻrganish (MO) algoritmlariga asoslangan yangi tahlil yondashuvlari ishlab chiqilgan. Tadqiqotda statik, dinamik va gibrid tahlil metodlari taqqoslab ko‘rib chiqilgan, ularning aniqlik darajasi va samaradorligi eksperimental sinovlar orqali baholangan. Neyron tarmoqlar, Random Forest va LSTM algoritmlarini qo‘llash orqali zararli dasturlarni aniqlash aniqligini 98.4% gacha oshirish mumkinligi isbotlangan. Taklif etilgan gibrid tahlil tizimi an'anaviy usullarga nisbatan noto‘g‘ri ijobiy (false positive) ko‘rsatkichini 72% kamaytirish va hujumni aniqlash vaqtini 3.8 sekundga tushirish imkonini beradi. Natijalar Windows muhitidagi kiberxavfsizlik tizimlarini modernizatsiya qilishda amaliy ahamiyat kasb etadi. Kalit soʻzlar: zararli dasturlar (malware), Windows operatsion tizimi, kiberxavfsizlik, statik tahlil, dinamik tahlil, gibrid tahlil, mashinaviy o‘rganish, neyron tarmoq, LSTM algoritmi, Random Forest, heuristic tahlil, sandbox muhiti, xulq-atvorga asoslangan aniqlash, false positive, threat intelligence. Аннотация. В данной статье научно исследуются аналитические механизмы усиления защиты от вредоносных программ (malware) в операционной системе Windows. Учитывая возрастающую сложность кибератак и ограниченные возможности традиционных антивирусных средств, разработаны новые подходы анализа, основанные на алгоритмах искусственного интеллекта (ИИ) и машинного обучения (МО). В исследовании проведено сравнительное рассмотрение статических, динамических и гибридных методов анализа, а также оценена их точность и эффективность на основе экспериментальных испытаний. Показано, что применение нейронных сетей, алгоритмов Random Forest и LSTM позволяет повысить точность обнаружения вредоносных программ до 98,4%. Предложенная гибридная система анализа по сравнению с традиционными методами позволяет снизить уровень ложных срабатываний (false positive) на 72% и сократить время обнаружения атак до 3,8 секунды. Полученные результаты имеют практическое значение для модернизации систем кибербезопасности в среде Windows. Ключевые слова: вредоносные программы (malware), операционная система Windows, кибербезопасность, статический анализ, динамический анализ, гибридный анализ, машинное обучение, нейронные сети, алгоритм LSTM, Random Forest, эвристический анализ, среда sandbox, обнаружение на основе поведения, ложные срабатывания (false positive), threat intelligence. Abstract. This article presents a scientific study of analytical mechanisms for strengthening protection against malware in the Windows operating system. Considering the increasing complexity of cyberattacks and the limitations of traditional antivirus tools, new analysis approaches based on artificial intelligence (AI) and machine learning (ML) algorithms have been developed. The study compares static, dynamic, and hybrid analysis methods, and their accuracy and efficiency are evaluated through experimental testing. It is demonstrated that the use of neural networks, Random Forest, and LSTM algorithms can increase malware detection accuracy up to 98.4%. The proposed hybrid analysis system reduces the false positive rate by 72% and decreases the attack detection time to 3.8 seconds compared to traditional methods. The results have practical significance for the modernization of cybersecurity systems in the Windows environment. Keywords: malware, Windows operating system, cybersecurity, static analysis, dynamic analysis, hybrid analysis, machine learning, neural networks, LSTM algorithm, Random Forest, heuristic analysis, sandbox environment, behavior-based detection, false positive, threat intelligence. Kirish. Zamonaviy axborot xavfsizligi sohasida zararli dasturlar (malware) eng jiddiy tahdidlardan biri bo‘lib qolmoqda. AV-TEST instituti ma'lumotlariga ko‘ra, har kuni 450,000 dan ortiq yangi zararli dastur namunalari ro‘yxatga olinmoqda, ularning katta qismi Windows operatsion tizimini nishonga oladi. 553

Microsoft Windows global foydalanuvchilar orasida 72% bozor ulushini egallashini hisobga olsak, ushbu platforma uchun kuchli himoya mexanizmlari yaratish g‘oyat dolzarb masalaga aylanadi. An’anaviy imzo asosidagi (signature-based) antivirus yechimlari faqat oldindan ma'lum bo‘lgan tahdidlarga qarshi samarali ishlaydi. Ammo polimorf, metamorf va "nol-kun" (zero-day) hujumlari ushbu usullarni samarasiz qilib qo‘ymoqda. 2024-yil Verizon Data Breach Investigations hisobotiga ko‘ra, yangi zararli dasturlarning 68 %ini an'anaviy antivirus vositalari dastlabki 24 soat ichida aniqlay olmaydi. Bu holat yangi, intellektual tahlil mexanizmlarini ishlab chiqishni taqozo etmoqda. Mavjud muammolar qatoriga quyidagilarni kiritish mumkin: birinchidan, imzo bazalariga asoslangan usullarning yangi tahdidlarga nisbatan nosamaraligisi; ikkinchidan, dinamik tahlil vaqtida zararli dasturlarning sandbox muhitini aniqlash va faoliyatini yashirish qobiliyati; uchinchidan, katta hajmli trafik sharoitida real vaqt tahlilini amalga oshirishning hisoblash resurslarini ko‘p talab etishi; to‘rtinchidan, noto‘g‘ri ijobiy (false positive) signallarning yuqori darajasi, bu tizim unumdorligini pasaytiradi. Ushbu muammolarni hal etishda sun'iy intellekt texnologiyalari, xulq-atvorga asoslangan tahlil va gibrid yondashuvlar samarali yechim sifatida ko‘rib chiqilmoqda [1]. Tadqiqotning asosiy maqsadi Windows operatsion tizimida zararli dasturlarni aniqlashning sun'iy intellektga asoslangan gibrid tahlil mexanizmini ishlab chiqish va uning samaradorligini eksperimental baholashdan iborat. Maqolada LSTM, CNN va Random Forest algoritmlarini qo‘llash asosida qurilgan ko‘p qatlamli himoya tizimi taklif etiladi. Asosiy qism. Zararli dasturlarning tasnifi va hujum vektorlari tahlili Windows muhitidagi zararli dasturlarni samarali aniqlash uchun avvalo ularning turlarini va hujum vektorlarini tushunish zarur. Zamonaviy zararli dasturlar quyidagi asosiy toifalarga ajratiladi: viruslar, troyanlar, ransomware (to‘lov talab qiluvchi dasturlar), rootkitlar, spyware (josuslik dasturlari), wormlar (tizimdan tizimga o‘tuvchi zararli kodlar) va fileless malware (fayl tizimiga yozilmasdan RAMda ishlaydigan kod). So‘nggi yillarda fileless malware va Living-off-the-Land (LotL) hujumlari ayniqsa xavfli bo‘lib qolmoqda, chunki ular Windows tizim vositalaridan (PowerShell, WMI, regedit) foydalanib an'anaviy antiviruslarni chetlab o‘tadi. 1-jadval Zararli dastur turlarining tarqalishi va xavf darajasi (2023-2024 yillar statistikasi) Zararli dastur turi Tarqalish ulushi Xavf darajasi Aniqlash qiyinligi Asosiy vektor Ransomware 28.4% Kritik O‘rta Phishing Trojan 22.7% Yuqori Yuqori Yuklamalar Fileless Malware 18.3% Kritik Juda yuqori LotL / PS Rootkit 12.1% Kritik Juda yuqori Zaifliklar 554

Spyware 10.6% O‘rta O‘rta Brauzer Worm 7.9% Yuqori Past Tarmoq Tahlil metodlarining qiyosiy ko‘rib chiqilishi Zararli dasturlarni aniqlashda uchta asosiy yondashuv qo‘llaniladi. Statik tahlil dasturni ishga tushirmasdan uning kodi va tuzilishini o‘rganadi: PE-sarlavha tahlili, import/eksport jadvallari, disassemblash va opcode ketma-ketliklarini tekshirish. Bu usul tez va resurs tejaydigan, ammo shifrlangan va paketlangan zararli dasturlarda samarasiz. Dinamik tahlil dasturni izolyatsiyalangan sandbox muhitida ishga tushirib uning xulq-atvorini kuzatadi: rejestr o‘zgarishlari, tarmoq so‘rovlari, fayl operatsiyalari. Gibrid tahlil esa ikkala usulni birlashtiradi [6]. Tadqiqotda har uch metodning samaradorligi 50,000 namunali (25,000 zararli, 25,000 xavfsiz) VirusTotal va MalwareBazaar datasetlarida sinovdan o‘tkazildi. Quyida asosiy ko‘rsatkichlar jadvalda keltirilgan: 2-jadval Tahlil metodlarining qiyosiy samaradorligi (50,000 namunali sinov) Ko‘rsatkich Statik tahlil Dinamik tahlil Gibrid tahlil SI+Gibrid (taklif) Aniqlash aniqligi 82.3% 87.6% 91.4% 98.4% False Positive darajasi 8.7% 6.2% 4.1% 1.2% False Negative darajasi 9.0% 6.2% 4.5% 1.4% O‘rtacha tahlil vaqti 1.2 s 42.5 s 18.7 s 3.8 s CPU sarfi 12% 68% 45% 23% Zero-day aniqlash Zaif O‘rta Yaxshi A'lo Sun’iy intellekt algoritmlari asosida tahlil tizimining arxitekturasi: Taklif etilgan gibrid tahlil mexanizmi uch qatlamli arxitekturaga ega. Birinchi qatlam (Statik Tahlil Qatlami) PE fayl tuzilishini tahlil qilish uchun Convolutional Neural Network (CNN) modelidan foydalanadi. CNN modeli opcodelar ketma-ketligini vizualizatsiya qilib, zararli kodni grafik naqshlar sifatida aniqlaydi. 150,000 namunada o‘qitilgan CNN modeli statik tahlilda 94.7% aniqlikni ko‘rsatdi [3]. Ikkinchi qatlam (Dinamik Tahlil Qatlami) LSTM (Long Short-Term Memory) neyron tarmog‘ini qo‘llaydi. LSTM vaqt ketma-ketligiga asoslangan xulq-atvor namunalarini tahlil qiladi: API chaqiruvlari oqimi, tizim chaqiruvlari, tarmoq paketlari ketma-ketligi. LSTM modeli sandbox muhitidan ma'lumotlarni real vaqt rejimida tahlil qilib, zararli xulq-atvorni dastlabki 3.8 soniyada aniqlash imkonini beradi. Zero-day hujumlarga nisbatan LSTM modeli 89.2 % aniqlik darajasini ko‘rsatdi [5]. 555

Uchinchi qatlam (Qaror Qabul Qilish Qatlami) Random Forest ensembl algoritmi asosida qurilgan meta-klassifikator bo‘lib, birinchi va ikkinchi qatlamlar chiqishlarini va qo‘shimcha metama'lumotlarni (fayl metadataasi, tarmoq ko‘rsatkichlari, rejestr o‘zgarishlari) birlashtirib yakuniy hukm chiqaradi. Ushbu ko‘p qatlamli yondashuv tizimning umumiy aniqligini 98.4 %ga yetkazdi [1]. 3-jadval SI algoritmlarining alohida ishlash ko‘rsatkichlari Algoritm Aniqlik (Accuracy) Precision Recall F1-Score CNN (Statik) 94.7% 95.1% 94.3% 0.947 LSTM (Dinamik) 92.3% 91.8% 92.9% 0.923 Random Forest (Meta) 96.1% 96.7% 95.4% 0.960 Gibrid (CNN+LSTM+RF) 98.4% 98.1% 98.7% 0.984 SVM (solishtirma) 86.4% 85.9% 87.0% 0.864 Naive Bayes (solishtirma) 79.2% 78.3% 80.1% 0.792 Sandbox muhitini aniqlash va anti-evasion mexanizmlari Zamonaviy zararli dasturlarning muhim qismida sandbox muhitini aniqlash imkoniyatlari mavjud. Ular virtual mashinani (VM) aniqlash uchun CPUID ko‘rsatmalarini, disk hajmini, xotira hajmini, ishlaydigan jarayonlar ro‘yxatini tekshiradi. Bundan tashqari, foydalanuvchi faolligini (sichqoncha harakati, tugmalar bosilishi) simulyatsiya qilish yoki ma'lum muddatni kutish orqali sandbox vaqt limitini charchatish kabi usullar keng qo‘llaniladi [7]. Tadqiqotda taklif etilgan tizim anti-evasion himoyasini ta'minlash uchun quyidagi texnologiyalardan foydalanadi: (1) Full-system emulation — oddiy sandbox o‘rniga to‘liq apparat emulatsiyasi qo‘llaniladi, bu VM fingerprinting hujumlarini samarali bloklaydi; (2) Stochastic timing — sandbox ichida tasodifiy kechikishlar va foydalanuvchi harakatlari simulyatsiyasi joriy etiladi; (3) Memory forensics — fayl tizimiga yozilmaydigan fileless malware uchun RAM xotirasini to‘g‘ridan-to‘g‘ri tahlil qilish moduli ishlab chiqildi; (4) Behavioral cloning — zararli dastur uzun vaqt kutsa ham, uning xulq-atvorini klonarash va tezlashtirish texnikasi qo‘llanildi. Bu mexanizmlar birgalikda sandbox evasion hujumlarga qarshi 91.6 % samaradorlikni ta'minladi [9]. 4-jadval Anti-evasion mexanizmlarining samaradorligi Himoya mexanizmi Bloklangan hujum turi Samaradorlik CPU sarfi Full-system emulation VM fingerprinting 96.3% +8% Stochastic timing Timing-based evasion 89.7% +2% Memory forensics Fileless malware 94.1% +12% 556

Behavioral cloning Time-delayed execution 87.4% +5% Umumiy gibrid tizim Barcha evasion usullari 91.6% +27% Taklif etilgan tizimning windows muhitida sinovdan o‘tkazilishi: Tajriba tizimi Windows 10 va Windows 11 operatsion tizimlari o‘rnatilgan real muhitda 90 kun davomida sinovdan o‘tkazildi. Sinov uchun 3 ta senariy tanlandi: (1) korporativ tarmoq muhiti (500 ish stantsiyasi); (2) individual foydalanuvchi tizimi; (3) bulut infratuzilmasi (Azure VM). Har bir senariyda taklif etilgan tizim Microsoft Defender, Kaspersky va CrowdStrike Falcon bilan taqqoslandi [6]. 90 kunlik monitoring davomida jami 1,247 ta real tahdid hodisasi qayd etildi. Taklif etilgan tizim ushbu tahdidlarning 1,228 tasini muvaffaqiyatli aniqladi (98.5% aniqlash darajasi). Ayniqsa e'tiborli natija: 34 ta zero-day hujumdan 31 tasini aniqladi (91.2% samaradorlik), bu raqobatchi tizimlardagi 67-74% ko‘rsatkichidan sezilarli yuqori. Noto‘g‘ri ijobiy signallar soni 90 kun davomida 47 tani tashkil etdi, bu an'anaviy tizimlar ko‘rsatkichidan (312-485 ta) ancha kam [8]. 5-jadval 90 kunlik real muhit sinov natijalari Ko‘rsatkich MS Defender Kaspersky CrowdStrike Taklif etilgan Aniqlash darajasi 91.2% 93.7% 95.1% 98.5% Zero-day aniqlash 67.4% 71.2% 74.3% 91.2% False positive (90 kun) 485 312 198 47 O‘rtacha aniqlash vaqti 12.4 s 8.7 s 5.2 s 3.8 s Tizim resurs sarfi 18% 31% 27% 23% Threat intelligence va adaptive learning tizimi: Taklif etilgan tizim statik model bo‘lib qolmaslik uchun Threat Intelligence integratsiyasi va Adaptive Learning mexanizmi bilan jihozlangan. Threat Intelligence moduli global tahdid bazalari (MISP, OpenCTI, VirusTotal) bilan real vaqt rejimida sinxronizatsiya amalga oshirib, yangi tahdid imzolari va TTPs (Tactics, Techniques and Procedures) ni to‘g‘ridan-to‘g‘ri modelga yuklab boradi. Adaptive Learning mexanizmi esa har bir yangi aniqlangan noma'lum tahdidni model o‘quv to‘plamiga avtomatik qo‘shib, modelni doimiy yangilab boradi. Ushbu federated learning yondashuvi markaziy serverga xom ma'lumotlarni yubormasdan, har bir tizimda mahalliy o‘rganishni ta'minlaydi, bu maxfiylik va xavfsizlik nuqtai nazaridan muhim afzallik hisoblanadi [10]. Xulosa. Ushbu tadqiqot Windows operatsion tizimida zararli dasturlarga qarshi sun'iy intellektga asoslangan gibrid tahlil mexanizmini ishlab chiqish va eksperimental baholashga bag‘ishlangan. Olingan natijalar quyidagi muhim xulosalarga asoslanadi: 557

Birinchidan, CNN, LSTM va Random Forest algoritmlarining ko‘p qatlamli kombinatsiyasi zararli dasturlarni aniqlashda 98.4 % aniqlikka erishadi, bu an'anaviy yondashuvlar (82-91 %) va mavjud tijorat echimlarga (91-95 %) nisbatan sezilarli yuqori natijadir. Ushbu ko‘rsatkich ayniqsa zero-day tahdidlar uchun muhim ahamiyat kasb etadi. Ikkinchidan, gibrid tahlil tizimi o‘rtacha 3.8 soniyada tahdidni aniqlash imkonini beradi. Bu real vaqt muhitlari (korporativ tarmoqlar, muhim infratuzilma) uchun juda muhim bo‘lgan tezkorlik ko‘rsatkichidir. Shu bilan birga tizim resurs sarfi 23% CPU darajasida saqlanib, foydalanuvchi ish unumdorligiga minimal ta'sir ko‘rsatadi. Uchinchidan, anti-evasion mexanizmlari (full-system emulation, memory forensics, behavioral cloning) zamonaviy zararli dasturlarning sandbox muhitini chetlab o‘tish urinishlariga 91.6% to‘siq qo‘ydi. Bu ko‘rsatkich fileless malware va LotL hujumlariga qarshi himoyada alohida ahamiyat kasb etadi. To‘rtinchidan, 90 kunlik real muhit sinovi davomida false positive ko‘rsatkichi 47 tagacha tushirildi, bu raqobatchi tizimlardagi 198-485 ta ko‘rsatkichidan 4-10 baravar kamdir. Bu operatsion xarajatlarni kamaytirish va xavfsizlik xodimlarining yukini yengillashtirish nuqtai nazaridan muhim yutuqdir. Kelajak tadqiqotlar uchun tavsiyalar: LLM (Large Language Model) asosida threat intelligence tahlilini avtomatlashtirish; edge computing (IoT qurilmalar uchun) muhitida yengil versiyasini ishlab chiqish; UEFI/BIOS darajasidagi bootkit hujumlariga qarshi himoya mexanizmlarini kengaytirish. Taklif etilgan tizim O‘zbekiston milliy kiberxavfsizlik infratuzilmasini mustahkamlashda ham amaliy tatbiq etilishi mumkin. Foydalanilgan adabiyotlar ro‘yxati 1. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, Cambridge, 2016. – 800 p. 2. Anderson B., McGrew D. Machine Learning for Encrypted Malware Traffic Classification: Accounting for Noisy Labels and Non-Stationarity // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2017. – P. 1723–1732. 3. Saxe J., Berlin K. Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features // Proceedings of the 10th International Conference on Malicious and Unwanted Software. – IEEE, 2015. – P. 11–20. 4. Raff E., Barker J., Sylvester J. et al. Malware Detection by Eating a Whole EXE // Proceedings of the AAAI Workshop on Artificial Intelligence for Cyber Security. – 2018. – P. 268–276. 5. Mikolov T., Sutskever I., Chen K. et al. Distributed Representations of Words and Phrases and their Compositionality // Advances in Neural Information Processing Systems. – 2013. – Vol. 26. – P. 3111–3119. 6. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, No. 8. – P. 1735–1780. 7. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32. 8. Kolbitsch C., Comparetti P.M., Kruegel C. et al. Effective and Efficient Malware Detection at the End Host // Proceedings of the 18th USENIX Security Symposium. – 2009. – P. 351–366. 558