Sun’iy Intellekt va Raqamli Iqtisodiyot

2-jadval So‘rovnoma natijalari Ko‘rsatkich Phishingni aniqlay oladigan foydalanuvchilar Bir xil paroldan foydalanadiganlar 2 bosqichli autentifikatsiyadan foydalanadiganlar Kiberxavfsizlik bo‘yicha treningda qatnashganlar Foiz 38% 46% 32% 27% Jadval natijalaridan ko‘rinib turibdiki, foydalanuvchilarning katta qismi kiberxavfsizlik bo‘yicha yetarli bilimga ega emas.[3] Ayniqsa phishing xabarlarini aniqlash ko‘nikmasining pastligi axborot tizimlari xavfsizligiga jiddiy tahdid tug‘dirishi mumkin. ➢ Phishingni aniqlay oladigan foydalanuvchilar foizining pastligi soxta xabarlar orqali ma’lumot o‘g‘irlanish xavfini oshiradi. ➢ Bir xil paroldan foydalanish foydalanuvchi akkauntlarini bir nechta platformalarda xavf ostiga qo‘yadi. ➢ Kam foydalanuvchilar ikki bosqichli autentifikatsiyani ishlatishi tizim xavfsizligini sezilarli darajada pasaytiradi. ➢ Kiberxavfsizlik bo‘yicha treninglarda qatnashishning past foizi foydalanuvchilarning amaliy ko‘nikmalarini yetarlicha oshirmasligini ko‘rsatadi. Shuningdek, foydalanuvchilar orasida kiberhujumlarga nisbatan ogohlantirish va xavfsiz internet qoidalari haqida yetarlicha ma’lumot berilmaganligi kuzatildi. 1-rasm. Kberxavfsizlik bo‘yicha so‘rovnoma natijalari Tadqiqot natijalariga ko‘ra ta’lim muassasalarida kiberxavfsizlik savodxonligini oshirish uchun muntazam seminarlar, treninglar va amaliy mashg‘ulotlarni tashkil etish zarur.[4] Shuningdek, foydalanuvchilarni phishing hujumlarini aniqlash, xavfsiz parol yaratish hamda internetdan xavfsiz foydalanish qoidalariga o‘rgatish muhim ahamiyatga ega. Tadqiqot natijalari shuni ko‘rsatdiki, ta’lim muassasalarida o‘qituvchi va talabalar orasida kiberxavfsizlik savodxonligi yetarli darajada emas. Respondentlarning aksariyati phishing xabarlarini aniqlashda qiyinchiliklarga duch 619

keladi, ko‘plab foydalanuvchilar bir xil paroldan bir nechta platformalarda foydalanadi va ikki bosqichli autentifikatsiya imkoniyatidan samarali foydalanmaydi. Shu sababli ta’lim muassasalarida kiberxavfsizlikni oshirish uchun muntazam seminarlar, treninglar va amaliy mashg‘ulotlarni tashkil etish, phishing va sotsial muhandislik hujumlarini aniqlash bo‘yicha maxsus kurslar o‘tkazish, xavfsiz parol yaratish va bir xil paroldan foydalanmaslik bo‘yicha ko‘rsatmalar berish, ikki bosqichli autentifikatsiya va boshqa xavfsizlik mexanizmlarini joriy etish, shuningdek axborot xavfsizligi bo‘yicha targ‘ibot ishlarini kuchaytirish muhim hisoblanadi. Foydalanilgan Adabiyotlar 1. Hadnagy, C. (2018). Social Engineering: The Science of Human Hacking. Wiley. 2. Mitnick, K. D., & Simon, W. L. (2011). The Art of Deception: Controlling the Human Element of Security. Wiley. 3. Rasulov, S. (2019). Kiberxavfsizlik asoslari va raqamli savodxonlik. Toshkent: Fan. 4. Islomov, A. (2020). Axborot xavfsizligini ta’lim muassasalarida tashkil etish. Toshkent: O‘qituvchi. CHUQUR O‘QITISH ARXITEKTURALARI VA ULARNING TURLARI (CNN – CONVOLUTIONAL NEURAL NETWORKS) Giyasova Gulnoza Alisher qizi, UMFT magistranti, Email giyasovagulnoza09@gmail.com, Bozorov Jasurbek Sadillayevich, UMFT magistranti Email justify@gmail.com Annotatsiya. Ushbu maqolada chuqur o‘qitish arxitekturalarining muhim yo‘nalishlaridan biri bo‘lgan konvolyutsion neyron tarmoqlar (CNN) ning nazariy asoslari va ishlash prinsiplari yoritilgan. CNN arxitekturasi, uning asosiy qatlamlari - konvolyutsiya, pooling va to‘liq bog‘langan qatlamlarning vazifalari sodda va tushunarli tarzda bayon etilgan. Shuningdek, tasvir va video ma’lumotlarni qayta ishlashdagi samaradorligi, afzalliklari hamda amaliy qo‘llanilish sohalari haqida umumiy ma’lumotlar keltirilgan. Mazkur maqola sun’iy intellekt va mashinaviy o‘rganish yo‘nalishida ta’lim olayotgan talabalar hamda ushbu sohada dastlabki bilimga ega bo‘lishni istagan tadqiqotchilar uchun mo‘ljallangan. Kalit so‘zlar: Chuqur o‘qitish, konvolyutsion neyron tarmoqlar, CNN, sun’iy neyron tarmoq, tasvirlarni aniqlash, mashinaviy o‘rganish. Annotation.This article discusses the theoretical foundations and working principles of Convolutional Neural Networks (CNNs), one of the key directions in deep learning architectures. The CNN architecture and its main layers—convolutional, pooling, and fully connected layers— are explained in a simple and understandable manner. In addition, general information is provided about their efficiency in image and video data processing, as well as their advantages and practical application areas. This article is intended for students studying artificial intelligence and machine learning, as well as researchers who wish to gain foundational knowledge in this field. Keywords: Deep learning, convolutional neural networks, CNN, artificial neural network, image recognition, machine learning. Аннотация. В данной статье рассматриваются теоретические основы и принципы работы сверточных нейронных сетей (CNN), являющихся одним из ключевых направлений архитектур глубокого обучения. Архитектура CNN и её основные слои — сверточный, слой подвыборки (pooling) и полносвязный слой — изложены простым и понятным языком. Также приведена общая информация об эффективности обработки 620

изображений и видеоданных, преимуществах и практических областях применения. Статья предназначена для студентов, обучающихся в области искусственного интеллекта и машинного обучения, а также для исследователей, желающих получить базовые знания в данной сфере. Ключевые слова: глубокое обучение, сверточные нейронные сети, CNN, искусственная нейронная сеть, распознавание изображений, машинное обучение. Bugungi kunda sun’iy intellekt va mashinaviy o‘rganish texnologiyalari jamiyat hayotining turli sohalarida keng qo‘llanilmoqda. Ayniqsa, katta hajmdagi murakkab ma’lumotlarni tahlil qilishda chuqur o‘qitish usullari muhim ahamiyat kasb etmoqda. Chuqur o‘qitish asosida yaratilgan modellar tasvir, video, nutq va matnli ma’lumotlar bilan ishlashda yuqori aniqlikni ta’minlaydi.Chuqur o‘qitish arxitekturalari orasida konvolyutsion neyron tarmoqlar (Convolutional Neural Networks) tasvirlarni qayta ishlash va obyektlarni aniqlash masalalarida eng samarali yondashuvlardan biri hisoblanadi. CNN’ning asosiy ustunligi - fazoviy tuzilishga ega bo‘lgan ma’lumotlardan muhim belgilarni avtomatik ravishda ajratib olish imkoniyatidir. Shu sababli ushbu arxitektura yuzni tanish, tibbiy tasvirlarni tahlil qilish, videokuzatuv va sanoat avtomatlashtirish tizimlarida keng qo‘llanilmoqda. Chuqur o‘qitish (Deep Learning) ‒ bu sun’iy intellektning muhim yo‘nalishi bo‘lib, ko‘p qatlamli sun’iy neyron tarmoqlar asosida ma’lumotlardan murakkab qonuniyatlarni avtomatik aniqlash va o‘rganishga xizmat qiladi. U mashinaviy o‘qitishning rivojlangan shakli hisoblanadi va inson miyasi faoliyatiga o‘xshash tarzda ishlovchi neyronlar qatlamlari orqali axborotni qayta ishlaydi. 1-jadval. Chuqur o‘qitish (Deep Learning). Chuqur o‘qitish usullari tasvirni tanish, nutqni aniqlash, matnni tahlil qilish, yuzni aniqlash, tibbiy diagnostika, avtonom transport vositalari va tavsiya tizimlarida keng qo‘llaniladi. Ushbu yondashuvning asosiy afzalligi shundaki, u katta hajmdagi ma’lumotlar bilan ishlashda yuqori aniqlik va samaradorlikni ta’minlaydi hamda qo‘lda belgilangan xususiyatlarsiz o‘rganish imkonini beradi [1]. CNN (Convolutional Neural Network) arxitekturasi ‒ asosan tasvir va fazoviy ma’lumotlarni tahlil qilish uchun mo‘ljallangan chuqur o‘qitish modeli bo‘lib, kiruvchi ma’lumotdagi lokal belgilarni avtomatik aniqlash va ularni ierarxik tarzda o‘rganishga asoslanadi. CNN arxitekturasi tasvirning piksel tuzilishini saqlagan holda, muhim xususiyatlarni bosqichma-bosqich ajratib boradi. 621

2-rasm CNN arxitekturasi CNN ning asosiy tarkibiy qismlari: konvolyutsion qatlam (filtrlar yordamida qirra, burchak, tekstura kabi belgilarni aniqlaydi), faollashtirish funksiyasi (odatda ReLU, modelga nolinearlik kiritadi), pooling qatlam (o‘lchamni kamaytirib, hisoblashni tezlashtiradi va shovqinga chidamlilikni oshiradi), to‘liq bog‘langan qatlamlar (Fully Connected) esa yakuniy tasniflash yoki bashoratni amalga oshiradi.Kirish qatlami orqali modelga tasvir uzatiladi va u piksel matritsasi ko‘rinishida qabul qilinadi, konvolyutsion qatlamda filtrlar tasvir bo‘ylab harakatlanib qirra, burchak va tekstura kabi lokal xususiyatlarni aniqlaydi hamda xususiyat xaritalarini hosil qiladi, faollashtirish funksiyasi (odatda ReLU) qo‘llanilib modelga nolinearlik kiritiladi va muhim belgilar kuchaytiriladi, pooling qatlami xususiyat xaritalarining o‘lchamini kamaytirib hisoblash tezligini oshiradi va ortiqcha ma’lumotlarni qisqartiradi, keyingi bosqichlarda chuqurroq qatlamlar orqali yanada murakkab va abstrakt belgilar o‘rganiladi, so‘ng to‘liq bog‘langan qatlamlar yordamida olingan xususiyatlar umumlashtirilib tasniflash yoki bashorat amalga oshiriladi, chiqish qatlamida esa softmax yoki sigmoid funksiyasi orqali yakuniy natija hosil qilinadi.[2]. CNN tasvir va fazoviy ma’lumotlardan xususiyatlarni avtomatik ajratib oladi va qo‘lda belgi tanlashga ehtiyojni kamaytiradi, parametrlar soni kamroq bo‘lgani sababli klassik to‘liq bog‘langan tarmoqlarga nisbatan samaraliroq ishlaydi va yuqori aniqlikka erishadi, lokal bog‘lanish va vaznlarni bo‘lishish tamoyili hisoblash resurslarini tejaydi, shovqin va kichik o‘zgarishlarga nisbatan barqaror bo‘lib yuzni aniqlash, obyektlarni tanish va tibbiy tasvir tahlilida keng qo‘llaniladi, ammo CNN modellarini o‘qitish uchun katta hajmdagi belgilangan ma’lumotlar talab etiladi, hisoblash jarayoni resurs talabchan bo‘lib kuchli GPU yoki maxsus apparat vositalariga ehtiyoj tug‘iladi, model ichki ishlash mexanizmini tushuntirish qiyinligi sababli interpretatsiya muammosi mavjud, shuningdek tasvir aylanishi yoki masshtab o‘zgarishlariga nisbatan ba’zan sezgir bo‘lib qo‘shimcha ma’lumotni kengaytirish (data augmentation) usullarini talab qiladi. tasvir tahlilida - yuzni aniqlash, obyektlarni tanish, suratni segmentatsiya qilish; video tahlilida – harakatni aniqlash, harakatli obyektlarni kuzatish, video kuzatuv tizimlarida ishlatish; tibbiyotda - tibbiy tasvirlarni (rentgen, MRI, CT) diagnostik maqsadda tahlil qilish, kasalliklarni aniqlash; avtomatlashtirilgan transportda - yo‘l belgilari va piyodalarni tanish, avtonom boshqaruv; sanoatda – nuqsonli mahsulotlarni aniqlash, sifat nazorati; tabiiy til va nutqni qayta ishlashda - tasvir va matnni birlashtirib tavsiyalar berish yoki multimodal tizimlarda qo‘llash.[3]. 622

Xulosa. Chuqur o‘qitish va ayniqsa CNN arxitekturasi zamonaviy sun’iy intellektning eng samarali vositalaridan biri bo‘lib, tasvir, video, tibbiyot va boshqa ko‘plab sohalarda murakkab ma’lumotlardan avtomatik xususiyatlarni ajratib, yuqori aniqlikdagi natijalar beradi. CNN modellari parametrlar samaradorligi, shovqin va kichik o‘zgarishlarga bardoshliligi bilan ajralib turadi, ammo katta ma’lumotlar va hisoblash resurslarini talab qiladi hamda tushuntirish qiyinchiligi mavjud. Shu bilan birga, u real hayotdagi amaliy vazifalarni muvaffaqiyatli bajarish orqali texnologiya va tadqiqot sohasida keng qo‘llanilmoqda. Foydalanilgan adabiyotlar ro‘yhati: 1. Jamshidbek Anvarbekov Akmaljon o‘g‘li (2024). Sun’iy intellektni o‘qitish texnologiyalari va usullari. Pedagogs International Research Journal, 60(1), 99–103. 2. Urinov Elmurod Murodjonovich (2022). Chuqur o‘qitish texnologiyalari va ularning amaliy qo‘llanilishi. Ilmiy Maqola, 45(3), 56–61. 3. Nasimov R.H., Mo‘minova M.N. (2022). Ta’lim jarayonida sun’iy intellekt texnologiyalaridan foydalanish usullari va algoritmlari. Kalejak Ovozi Jurnali, 103–108. 4. Nurmurodov J.N. (2021). Kompyuter ko‘rish bilan tanishish, tasvirlarga ishlov berish va chuqur o‘qitish. Ilmiy Maqola, 12(2), 34–40. SUN’IY INTELLEKT VA RAQAMLI TEXNOLOGIYALARNING MATEMATIK MODELLASHTIRISH MUAMMOLARI VA YECHIMLARI Hasanboyev Humoyun Abdumajid o‘g‘li, Turan International University talabasi Husainov Ilyos, Turan International University o‘qtuvchisi humoyunemailru@gmail.com Annotatsiya. Mazkur maqolada sun’iy intellekt va raqamli texnologiyalar sohasida qo‘llaniladigan matematik modellashtirish jarayonining nazariy asoslari, amaliy ahamiyati hamda ushbu jarayonda yuzaga keladigan asosiy muammolar tahlil qilinadi. Shuningdek, matematik modellashtirish jarayonida uchraydigan murakkabliklar, katta hajmdagi ma’lumotlar bilan ishlash muammolari, modellarni o‘qitish jarayonidagi ortiqcha moslashuv muammosi va hisoblash resurslarining yetishmasligi kabi omillar ko‘rib chiqiladi. Kalit so‘zlar: sun’iy intellekt, matematik modellashtirish, raqamli texnologiyalar, algoritmlar, mashinaviy o‘qitish, neyron tarmoqlar, optimallashtirish, katta ma’lumotlar. Аннотация. В данной статье анализируются теоретические основы и практическое значение процесса математического моделирования, применяемого в сфере искусственного интеллекта и цифровых технологий, а также рассматриваются основные проблемы, возникающие в ходе данного процесса. Кроме того, исследуются сложности, возникающие при математическом моделировании, проблемы работы с большими объёмами данных, проблема переобучения моделей в процессе обучения, а также такие факторы, как недостаточность вычислительных ресурсов. Ключевые слова: искусственный интеллект, математическое моделирование, цифровые технологии, алгоритмы, машинное обучение, нейронные сети, оптимизация, большие данные. Annotation. This article analyzes the theoretical foundations and practical significance of the mathematical modeling process used in the field of artificial intelligence and digital technologies. It also examines the main problems that arise during this process. In addition, the study considers the complexities encountered in mathematical modeling, issues related to 623

working with large volumes of data, the problem of overfitting during model training, and factors such as the lack of sufficient computational resources. Keywords: artificial intelligence, mathematical modeling, digital technologies, algorithms, machine learning, neural networks, optimization, big data. Kirish. Hozirgi davrda axborot texnologiyalarining jadal rivojlanishi natijasida sun’iy intellekt va raqamli texnologiyalar inson faoliyatining deyarli barcha sohalarida keng qo‘llanila boshladi. Tibbiyot, sanoat, iqtisodiyot, transport, ta’lim hamda axborot xavfsizligi kabi ko‘plab sohalarda sun’iy intellekt tizimlaridan foydalanish samaradorlikni oshirishga, jarayonlarni avtomatlashtirishga hamda murakkab muammolarni tezkor hal qilishga yordam bermoqda. Asosiy qism. Sun’iy intellekt tizimlarining samarali ishlashi ko‘p jihatdan ularning matematik asoslariga bog‘liq. Ayniqsa, matematik modellashtirish ushbu tizimlarni yaratish va rivojlantirish jarayonida muhim vosita hisoblanadi. Matematik modellashtirish yordamida real jarayonlar va tizimlar matematik ifodalar orqali tasvirlanadi, ularning ishlash mexanizmi o‘rganiladi va kelajakdagi holati prognoz qilinadi. Shu bilan birga, sun’iy intellekt tizimlarini matematik modellashtirish jarayonida bir qator ilmiy va texnik muammolar ham yuzaga keladi. Ushbu maqolaning asosiy maqsadi sun’iy intellekt va raqamli texnologiyalar sohasida matematik modellashtirishning ahamiyatini tahlil qilish, mavjud muammolarni aniqlash hamda ularni bartaraf etishning samarali usullarini ko‘rsatib berishdan iborat. Matematik modellashtirish — bu real obyektlar, jarayonlar yoki tizimlarni matematik formulalar, tenglamalar, algoritmlar va statistik modellar yordamida ifodalash jarayonidir. Bu usul yordamida murakkab tizimlarning xatti-harakatlarini o‘rganish, ularning ishlashini tahlil qilish va turli sharoitlarda qanday natijalar berishini oldindan aniqlash mumkin. Sun’iy intellekt tizimlari asosan matematik modellar asosida ishlaydi. Mashinaviy o‘qitish algoritmlari ehtimollar nazariyasi, statistik tahlil, chiziqli algebra va optimallashtirish metodlariga tayanadi. Masalan, neyron tarmoqlar katta hajmdagi ma’lumotlarni tahlil qilish orqali muayyan qonuniyatlarni aniqlaydi va ular asosida prognoz yoki qarorlar ishlab chiqadi. Matematik modellashtirish nafaqat sun’iy intellekt tizimlarining nazariy asosini tashkil etadi, balki ularning amaliy qo‘llanishida ham muhim rol o‘ynaydi. Masalan, logistika tizimlarida optimal marshrutlarni aniqlash, iqtisodiy jarayonlarni prognoz qilish yoki tibbiyotda kasalliklarni erta aniqlash jarayonlarida matematik modellar keng qo‘llaniladi. Sun’iy intellekt va raqamli texnologiyalarni matematik modellashtirish jarayonida bir qator murakkab muammolar mavjud. ➢ Birinchi muammo — real tizimlarning murakkabligidir. Ko‘plab tizimlar juda ko‘p omillar va o‘zgaruvchilarga bog‘liq bo‘ladi. Ushbu omillarning barchasini matematik modelga kiritish ko‘pincha imkonsiz yoki juda murakkab hisoblanadi. Natijada model real tizimni to‘liq aks ettirmasligi mumkin. ➢ Ikkinchi muammo — katta hajmdagi ma’lumotlar bilan ishlashdir. Zamonaviy sun’iy intellekt tizimlari katta ma’lumotlar (Big Data) bilan ishlaydi. 624

Bunday ma’lumotlarni saqlash, qayta ishlash va tahlil qilish katta hisoblash quvvati va samarali algoritmlarni talab qiladi. Yana bir muhim muammo modellarni o‘qitish jarayonida yuzaga keladigan ortiqcha moslashuv (overfitting) muammosidir. Bu holatda model o‘qitish ma’lumotlariga haddan tashqari moslashib qoladi va yangi ma’lumotlar bilan ishlaganda aniq natija bermaydi. Bundan tashqari, ayrim sun’iy intellekt algoritmlari katta miqdordagi hisoblash resurslari va energiya sarfini talab qiladi. Bu esa iqtisodiy va texnik cheklovlarni yuzaga keltiradi. Yuqorida keltirilgan muammolarni bartaraf etish uchun bir qator zamonaviy ilmiy yondashuvlar ishlab chiqilmoqda. ➢ Birinchidan, samarali algoritmlar yaratish muhim ahamiyatga ega. Optimallashtirish algoritmlarini takomillashtirish orqali modellarni tezroq va aniqroq o‘qitish mumkin. ➢ Ikkinchidan, parallel hisoblash texnologiyalaridan foydalanish katta hajmdagi ma’lumotlarni qayta ishlash jarayonini tezlashtiradi. Zamonaviy grafik protsessorlar (GPU) va bulutli hisoblash tizimlari sun’iy intellekt modellarini samarali ishlashini ta’minlaydi. ➢ Uchinchidan, modellarni soddalashtirish va ularni moslashuvchan qilish ham muhim yondashuv hisoblanadi. Ba’zi hollarda modelga faqat eng muhim omillarni kiritish orqali hisoblash xarajatlarini kamaytirish mumkin. Shuningdek, chuqur o‘rganish (deep learning) texnologiyalarining rivojlanishi ham matematik modellashtirish muammolarini hal etishda muhim rol o‘ynamoqda. Neyron tarmoqlar katta hajmdagi ma’lumotlar asosida murakkab bog‘lanishlarni aniqlash imkonini beradi. Xulosa va amaliy tavsiyalar. Xulosa qilib aytganda, sun’iy intellekt va raqamli texnologiyalarni rivojlantirishda matematik modellashtirish muhim o‘rin tutadi. Matematik modellar yordamida murakkab tizimlarni tahlil qilish, prognozlash hamda optimallashtirish mumkin. Shu bilan birga, real tizimlarning murakkabligi, katta hajmdagi ma’lumotlar bilan ishlash, ortiqcha moslashuv muammosi hamda hisoblash resurslarining cheklanganligi kabi qator muammolar mavjud. Kelajakda sun’iy intellekt va raqamli texnologiyalar yanada rivojlanib borishi bilan matematik modellashtirish usullari ham takomillashadi. Bu esa ilmfan, iqtisodiyot va texnologiya sohalarida yangi imkoniyatlar yaratadi hamda innovatsion texnologiyalarni joriy etishga xizmat qiladi. Foydalanilgan adabiyotlar ro‘yxati: 1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson Education, 2021. 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 3. Bishop C. Pattern Recognition and Machine Learning. Springer, 2006. 4. Haykin S. Neural Networks and Learning Machines. Pearson Education, 2009. 5. Kalenikov S. Mathematical Modeling in Science and Engineering. Springer, 2019. 6. Abdurahmonov Q. Axborot texnologiyalari asoslari. Toshkent, 2020. 7. Mirzaev A. Sun’iy intellekt asoslari. Toshkent, 2022. 8. Sommerville I. Software Engineering. Pearson, 2016. 625

IOT UCHUN BULUT PLATFORMALARI (THINGSPEAK, AWS IOT, BLYNK VA BOSHQALAR) Fazliddinov Xolmurod Dilmurod o‘g‘li, FarDU Axborot tizimlari va texnologiyalari yo‘nalishi 3-kurs talabasi, xolmurodfazliddinov@gmail.com Toshboltayev Faxriddin O‘rinboyevich, FarDU Axborot texnologiyalari kafedrasi katta o‘qituvchisi p.f.b.f.d (PhD), toshboltayevfaxriddin88@gmail.com Annotatsiya. Bulut platformalari (Thingspeak, AWS IoT, Blynk va boshqalar) IoT qurilmalari uchun markaziy “miya” vazifasini bajaradi: ma’lumotlarni yig‘ish, real vaqt monitoringi, tahlil (ML va prognoz), masofadan boshqaruv, yangilanishlarni ta’minlaydi. Xavfsizlik (shifrlash, zaifliklar), standartlashtirish va kelajak rivojlanish muhim masalalar sanaladi. Kalit so‘zlar: IoT, Bulut platformalari, Real vaqt monitoringi, Xavfsizlik, Mashinaviy o‘rganish. Аннотация. Облачные платформы (Thingspeak, AWS IoT, Blynk и др.) выступают в роли центрального «мозга» для IoT-устройств: они обеспечивают сбор данных, мониторинг в реальном времени, аналитику (машинное обучение и прогнозирование), удаленное управление и обновления. Безопасность (шифрование, уязвимости), стандартизация и дальнейшее развитие являются важными вопросами. Ключевые слова: IoT, Облачные платформы, Мониторинг в реальном времени, Безопасность, Машинное обучение. Annotation. Cloud platforms (Thingspeak, AWS IoT, Blynk, etc.) act as the central “brain” for IoT devices: they provide data collection, real-time monitoring, analytics (ML and prediction), remote management, and updates. Security (encryption, vulnerabilities), standardization, and future development are important issues. Keywords: IoT, Cloud platforms, Real-time monitoring, Security, Machine learning. Kirish. Bugungi kunda dunyoning barcha davlatlarining nigohi bizning yurtimizga qaratilgan, chunki yurtimizda barcha sohalar bo‘yicha jadallik bilan rivojlanib bormoqda. Misol tariqasida oliy ta’lim tzimini oladigan bo‘lsak juda katta islohatlar olib borilmoqda bu borada O‘zbekiston Respublikasi Prezidentining 2019-yil 8-oktyabrdagi PF-5847-son Farmoniga binoan O‘zbekiston Respublikasi oliy ta’lim tizimini 2030-yilgacha rivojlantirish konsepsiyasi oliy ta’lim tizimini rivojlantirishga yaqqol misoldir. “Bulitli texnologiyalar” fani talabalarga tashkilot boshqaruvida xisoblash resurslarini yanada samarali ishlatish mumkinligi; AT infratuzulmani boshqarishni takomillashtirish (shu jumladan geografik jihatdan); ish boshqaruvida doimiy soddalashtirish va qulaylashtirish, tizim konsepsiyasini zaxira tarzda saqlash va virtual mashinani migratsiyalash; AT infratuzilma chiqimini kamaytirish, xisoblash resurslarini, elektr quvvatlarini tejash haqida axborot berish, elektron ko‘rinishdagi ma’lumotlarni saqlash va kerak bo‘lganda ulardan har qanday sharoitda foydalanish evaziga ta’lim berishning sifat darajasini oshirish mumkinligi kabi masalalarni qamrab olgan. “Bulut” so‘zi axborot texnologiyalar tarafidan ishlatilganda xizmatlarni internet orqali taqdim etuvchi texnologiya, infratuzilma tushuniladi. Maʻlumotni bir kompyuterdan boshqa joyda, boshqa mamlakatda joylashgan kompyuterga yuborilganda, u maʻlumot yetib borishi uchun juda ko‘p tarmoqlarni bosib o‘tadi. Bunda maʻlumot yuboruvchining kompyuteridan chiqib uning provayderi tomon, 626

provayderdan uning tarmoqlari bo‘ylab boshqa tarmoqlardan o‘tib ulkan internet tarmog‘i bo‘ylab yo‘l bosib o‘tadi va mo‘ljallangan kompyuterga yetib boradi. Bulut infratuzilmasi bir-biri bilan ulangan juda ko‘p, har xil tarmoqlar qurilmalaridan, kommututorlar, marshrutizatorlar, serverlar va boshqa har xil qurilmalardan tashkil topgan bo‘ladi. Mana shu butun boshli infratuzilmani umumiylashtirib bulut deb ataladi. Bulutdan faqatgina maʻlumot yuborish uchun foydalanilmaydi, balki maʻlumot almashinuvi bulutdan foydalanish imkoniyatlaridan biri xolos. Bundan tashqari bulutda, yaʻni infratuzilmada joylashgan serverlarda ishlovchi maxsus dasturlar bo‘ladi. Ular bulutda joylashgan dastur xizmatlarini taklif etadi. Bulutli servislarning eng keng tarqalgani bu Dropbox – fayllarni saqlash xizmati, GoogleDocs – ofis ilovalari, SalesForce – CRM hamda ERP tizimlaridir. Bulutli servislardan foydalanish uchun ko‘p hollarda foydalanuvchida internet tarmog‘i va brauzer bo‘lsa bas, baʻzida esa foydalanuvchi qurilmasiga ushbu servisni ishlatishda qulay bo‘lishi uchun maxsus dastur ilovalar o‘rnatiladi. Masalan, Word, Excel dasturlarida qilinadigan ishlarni GoogleDocs orqali bemalol bajarish mumkin, buning uchun kompyuterda ofis ilovalari bo‘lishi shart emas. Bugungi kunda Google Docs kabi xizmat ommaviy iste’molchiga tanish va bu Apple tomonidan ishlab chiqarilgan iCloud bilan birgalikda eng keng tarqalgan bulutli texnologiyalar mahsulotlaridir. Ammo eng shuhratparast, albatta, Microsoft loyihasi edi - kompaniya nafaqat dasturiy ta’minot va qayta ishlangan ma’lumotlarni saqlash joyi, balki platforma va infratuzilmani ham xizmat sifatida taklif qilishga qaror qildi. Windows Azure deb nomlangan loyiha allaqachon bulutga asoslangan operatsion tizimga o‘xshash narsa bo‘lsa ham, foydalanuvchining o‘z muhitida to‘g‘ridan-to‘g‘ri ishlashi uchun mo‘ljallanmagan. Bu IaaS va PaaS modellaridan foydalanadigan mahsulot (yuqorida muhokama qilingan). Google ham xuddi shu yo‘nalishda fikr yuritmoqda, uning kelajakdagi rivojlanishi Chrome OS ham bulutga asoslangan operatsion tizim, ammo Microsoft mahsulotidan juda farq qiladi. Agar Azure turli xil xizmatlarni (xususan, boshqa taniqli bulut xizmati - iCloud) xizmatlarni taqdim qilish uchun yaratilgan bo‘lsa, unda Chrome OS kam quvvatli jihozlardan foydalanishga yo‘naltirilgan foydalanuvchi operatsion tizimidir. SaaS bulutli hisoblashning oldingi prinsipidan ushbu OT paydo bo‘lishi tufayli yangi - DaaS ajratilgan (xizmat sifatida ish stoli). Shunday qilib, ikkala x86-ga asoslangan va ARM-ga asoslangan tizimlar harakat qilishi mumkin. Chrome OS bilan jihozlangan noutbuklar 2012 yil kuzida sotila boshlandi. Bir tomondan, bulutli texnologiyalar hali ham rivojlanishining dastlabki bosqichida. Ko‘plab ulug‘vor loyihalar hanuzgacha oxirgi versiyalardan yiroqda, foydalanuvchilar va ishlab chiquvchilar hali oldinda bo‘lgan yangi imkoniyatlarga ishonishga odatlanmagan. Bundan tashqari, bulutli texnologiyalar oldida keng miqyosli va juda muhim vazifa turibdi - turli xizmatlar orasida ma’lum standartlashtirish va universallikka erishish. Shuning uchun yondosh signallarni va elektromagnit tasirlarni aniqlashda 627

doyimiy monitoring olib boriladi. Bunday holatlarda aniq metodlar bilan signallar tadqiqoti va tashqi ta’sirdan himoya olib boriladi. Bunday harakatlardan foydalanish asosan analog xolatlarda, bulutli hisoblash tizimlarida ijtimoiy kirish orqali bajariladi. Bulutli texnologiyalar - bu model iste’molchiga ATni servis sifatida internet orqali namoyon qiladi. Bulutli hisoblashlarning yuzaga kelishida “virtualizatsiya” texnologiyalarining ahamiyati juda katta hisoblanadi. Birinchi bo‘lib 1960-yilda virtualizatsiya texnologiyalari IBM taklif qilingan ammo qimmat meynfreym kompyuter texnologiyalarini arzon x86 protsesorli kompyuter serverlariga o‘tgandan so‘ng virtualizatsiya termini ancha vaqtgacha esdan chiqarildi. 2000-yildan boshlanib holat o‘zgara boshladi, shu yillarga qadar WMware x86 razryadli virtualizatsiyada monopoliyani qo‘lga kiritdi. 2005-yilda WMware kompaniyasi virtual mashinalarni DTdan foydalangan xolda bepul tadbiq qildi. 2006-yilda Microsoft kompaniyasi “Microsoft virtual PC” Windows versiyasini ishga tushirildi. 2006-yilda Amazon kompaniyasi o‘z qurilmalarida virtual serverlarni kengaytirish orqali “Amazon Elastic Compute Cloud” yuzaga keldi buning yana asosiy sabablaridan biri virtual serverlarni boshqa qurilmalarga (iste’molchilarga) ijaraga berish orqali bulutli texnologiyalarni kelib chiqishiga turtki bo‘ldi. Ishlash prinspi ikkita asosiy metodlarga qaratilgan: IP - paketlarni apparat va dasturiy ta’minotlar yordamida shifrlash, yoki odiygina ochiq trafik orqali. Deyarli har doim kompaniyalar korparativ tarmoqlarida ishlov berilgan shaxsiy konfidensial ma’lumotlar IP - tarmoq orqali kirish imkoniyati mavjud bo‘lishligi uchun saqlanadi. Barcha paketlarni kodirovka qilish tizimda resurslarni ko‘p qismi sariflanishiga sabab bo‘ladi. Shifrlash pog‘onasini pasayishi ochiq trafiklarni ko‘payishiga sabab bo‘ladi va bu konfedensial axborotlar himoya pog‘onasi susayishiga olib keladi. Inson faoliyati soxalarida bunday holat nomaqbul xisoblanadi. Bunung yechimi IP - shifrlash tezligini oshirish orqali xal etsa bo‘ladi. Iste’molchilarning apparat va dasturiy ta’minot bilan ta’minlash. Hozirgi kunlarga kelib, is’temolchi ish joyida IP - oqimlarni SSL protokoli orqali shifrlash dasturiy va apparat vositalari yondashishda xech qanday muomolarni keltirib chiqarmaydi. Tezlik qayta ishlashsiz 1 Mbit/t ga chiqishi mumkin. Hozirgi kunlarda bunday xizmatlar ko‘rsatadigan sertifikatsiyalashgan firmalar yetarlicha xisoblanadi. Iste’molchilar operatsion tizimlaridagi kalitlar va korparativ bulutdagi shaxsiy axborotlar himoyasi axborot xavfsizligini taminlashda katta muomolardan biri xisoblanadi. Is’temolchining shaxsiy kompyuterlarda elektron quluf o‘rnatiladi. Bunday blakirovkani nafaqat is’temolchi balki, kompaniya axborot xavfsizligi xizmati ham nazorat qilish imkoniyatiga ega. Lekin bularning hammasi faqat shaxsiy bulutda mavjud bo‘lib ijtimoiy bulutda bu imkoniyatlar yo‘q. Gipervizor, dasturiy vosita sifatida apparat resurslarini boshqarishda va resurslarni mexmon operatsion tizimlar o‘rtasida taqsimlaydi, shuning uchun virtual muxitda eng zaif qismi xisoblanadi. uning har qanday buzilgan xolati, mexmon operatsion tizimida nosozlikni yuzaga kelib chiqaradi. Gipervizordan foydalana olish o‘z o‘rnida yovuz niyatdagi shaxslarga turli xil imkoniyatlar kelib 628

chiqaradi. Fakt jixatdan bunday kirish imkoniyati gipervizor orqali o‘tadigan barcha axborot oqimlarini nazorat qilishga imkoniyat beradi. Bunday imkoniyatlar virtual muxitdan umumfoydalanish xuquqini beradi yani: virtual struktura admistratori cheklovsiz har qanday ma’lumotlardan foydalana olish xuquqiga ega bo‘ladi. Bulut - AT- infratuzilma tashkilotlarining innavatsion modeli (konsepsiya) xisoblanib, u alohida ajratilgan va taqsimlangan konfiguratsiyalangan apparat va tarmoq resurslaridan, dasturiy ta’minotdan tashkil topgan va ular masofadagi provayderlarni ma’lumotlar markazida yotadi. Model yagona puldagi tarmoqdan qulay va bir vaqtning o‘zida konfiguratsiyalangan hisoblash resurslaridan birgalikda foydalanish imkoniyatini yaratadi (misol uchun, tarmoqlar, serverlar,ma’lumotlar bazasi, ilovalar va servislar) shu bilan birga minimal boshqarishda ham oparativ va erkin ishlash imkoniyatini taqdim etadi. Bulutning bu modeli 5 ta asosiy harakteristika, 3 ta servis model va 4 ta taqdimlash modellaridan iboratdir. Aloqa protokollari ko‘plab ilovalar uchun yetarli darajada abstraktsiyani ta’minlamasligi mumkin. IoT tizimlari ko‘p bosqichli, uchidan uchigacha bo‘lgan aloqaga muhtoj. Ular, shuningdek, ma’lumotlar manbalari va axlat qutilari o‘rtasida murakkab munosabatlarni namoyish etishlari mumkin. Yuqori darajadagi protokollar IoT tizimlarining ehtiyojlarini yanada aniqroq modellashtiradigan xizmatlarni taqdim etishi mumkin. Ko‘pgina IoT tizimlarining geterogen va uzoq muddatli tabiatini hisobga olgan holda, standartlar ko‘pincha maxsus protokollar o‘rniga ishlatiladi. Bir nechta turli protokollar taklif qilingan va turli darajalarda IoT tizimlari uchun qo‘llaniladi. Foydalanuvchi maydoni hali IoT aloqa xizmatlari uchun yagona standartga moslashmagan. IoT uchun bulut platformalari o‘zaro bog‘langan IoT tizimlari taqsimlangan ilovalar va xizmatlar uchun infratuzilmani ta’minlaydi. Hozirgi vaqtda joylashtirilgan va yangi paydo bo‘layotgan ilovalarning aksariyati mijoz-server modeliga amal qiladi, bu yerda masofaviy qurilmalar (mijozlar) to‘plangan ma’lumotlar, signalizatsiya va boshqa ma’lumotlarni yetkazib berish uchun bulut platformalariga ulanadi. Bulut platformalari odatda ma’lumotlarni markazlashgan holda to‘playdi, IoT ulangan qurilmalarning ishlashi va jarayonlarini real vaqt rejimida kuzatib boradi, tahlil qiladi hamda qurilmalarga boshqaruv buyruqlari, yangilangan dasturiy ta’minot yoki konfiguratsiya ma’lumotlarini yuboradi. Bu ularning ishlashini mos ravishda moslashtirish imkonini beradi. Masalan, tibbiy asbob kuzatilayotgan bemor haqida ma’lumot to‘plashi, uni bulut platformasiga yetkazib berishi va platformadan uning ishlashini moslashtirish uchun sozlash ma’lumotlarini olishi mumkin (masalan, ma’lumotlar chastotasini o‘zgartirish, mahalliy qayta ishlash algoritmini yangilash yoki yangi diagnostika qoidalarini yuklash). Ulangan avtomobil dvigatel holati, sensor ko‘rsatkichlari va signalizatsiyalarni bulutga yuborishi mumkin, agar shubhali holat aniqlansa, bulut platformasi batafsil diagnostika sinovlari o‘tkazish yoki avtomatik ravishda texnik xizmat ko‘rsatish buyruqlarini qaytarishi mumkin. 629

Rivojlanayotgan dastur va xizmat ko‘rsatish modellarini hisobga olgan holda, IoT tizimlari muvofiqlashtirilgan jarayonlarni bajaradigan taqsimlangan tizimlar ekanligi ayon bo‘ladi. Bunda har bir jarayon odatda boshqaruv tsikli (sensor ma’lumotlarini qabul qilish va aktuator buyruqlarini uzatish) shaklida ishlaydi. Mijoz-server modeli qo‘llanilganda IoT qurilmalari sodda boshqaruv tsikllarini bajaradi, bulut platformalari esa yuqori darajadagi operatsiyalarni – ma’lumotlar tahlili, mashinaviy o‘rganish, prognozlash, qurilmalarni masofadan boshqarish va butun tizimni ierarxik muvofiqlashtirishni amalga oshiradi. Xulosa: IoT uchun bulut platformalari (Thingspeak, AWS IoT, Blynk va boshqalar) zamonaviy ulangan qurilmalar tizimlarining asosiy infratuzilmasi hisoblanadi. Ular sensorlardan katta hajmdagi ma’lumotlarni yig‘ish, real vaqt rejimida monitoring qilish, tahlil qilish (shu jumladan mashinaviy o‘rganish va prognozlash) hamda qurilmalarga masofadan boshqaruv buyruqlari, yangilanishlar va konfiguratsiyalarni yuborish imkonini beradi. IoT qurilmalari odatda oddiy vazifalarni bajaradi, murakkab hisoblash va intellektual qaror qabul qilish esa bulut platformalarida amalga oshiriladi. Bu yondashuv tibbiyot, transport, sanoat kabi sohalarda samarali monitoring va avtomatik boshqaruvni ta’minlaydi. Shu bilan birga, xavfsizlik (shifrlash, gipervizor zaifliklari), standartlashtirish va protokollarning mos kelmasligi kabi muammolar hali ham dolzarb bo‘lib qolmoqda. Natijada, bulut platformalari IoT tizimlarining “miyasi” sifatida ularning ishonchli, moslashuvchan va samarali ishlashini ta’minlovchi markaziy elementga aylanmoqda. Foydanilgan adabyotlar: 1. 2017–2021- yillarda O‘zbekiston Respublikasini rivojlantirishning beshta ustuvor yo‘nalishi bo‘yicha Harakatlar stratgeiyasi //O‘zbekiston Respublikasi Qonun hujjatlari to‘plami. – T., 2017. – B.38 2. O‘zbekiston Respublikasi Prezidentining 2019-yil 8-oktyabrdagi PF-5847son Farmoni // O‘zbekiston Respublikasi oliy ta’lim tizimini 2030- yilgacha rivojlantirish konsepsiyasi. – 2019. 3. O‘zbekiston Respublikasi Prezidentining «Axborot-kommunikatsiya texnologiyalarini yanada rivojlantirishga oid qo‘shimcha chora tadbirlar to‘g‘risida»gi qarori. 19.02.2018y. №Pq5349 4. Bulutli texnologiyalar. O‘quv qo‘llanma. T.E.Delov. –T., 2020 -217 b 5. Internet-of-things (IoT) Systems: Architectures and Methodologies Internet saytlar 1. https://ieeexplore.ieee.org 2. www.iopscience.iop.org 3. https://whatis.techtarget.com REAL VAQT REJIMIDA SIGNALLARNI QAYTA ISHLASH ALGORITMLARI FPV DRONLARDA KENG QO‘LLANILAYOTGA QABUL QILGICH VA UZATGICH OBYEKTI SIFATIDA J.A. Abdusamadov, O‘R HX va MU Axborot kommunikatsiya texnologiyalari va harbiy aloqa instituti 630

Annotatsiya. Ushbu maqolada FPV dronlarda qo‘llaniladigan real vaqt rejimidagi signallarni qayta ishlash algoritmlari tahlil qilinadi. Tadqiqot obyekti sifatida inson – uzatgich – radiokanal – qabul qilgich – mikrokontroller – FPV dron zanjiri yagona real vaqt tizimi sifatida ko‘rib chiqiladi. Amaliy misol sifatida RadioMaster TX12 uzatgichi, SpeedyBee Nano RX qabul qilgichi hamda 2.4 GHz diapazonda ishlovchi ExpressLRS aloqa protokoli asosida qurilgan boshqaruv tizimi tanlangan. Maqolada boshqaruv signallarining shakllanishi, raqamlashtirilishi, radiokanal orqali uzatilishi va qabul qilgich hamda mikrokontrollerda real vaqt cheklovlari ostida qayta ishlanish jarayonlari tahlil qilinadi. Shuningdek, tizimdagi kechikish (latency), ishonchlilik va barqarorlikka ta’sir etuvchi omillar ko‘rib chiqiladi. Olingan natijalar FPV dronlar uchun samarali va past kechikishga ega boshqaruv tizimlarini loyihalashda qo‘llanilishi mumkin. Kalit so‘zlar: real vaqt tizimlari, signallarni qayta ishlash, FPV dron, radioaloqa, uzatgich va qabul qilgich, ExpressLRS protokoli, kechikish (latency), radiokanal, mikrokontroller, boshqaruv algoritmlari. Аннотация. В данной статье анализируются алгоритмы обработки сигналов в режиме реального времени, используемые в FPV-дронах. Объектом исследования является цепь человек - передатчик - радиоканал - приемник - микроконтроллер беспилотник FPV, рассматриваемая как единая система реального времени. В качестве практического примера были выбраны передатчик RadioMaster TX12, приёмник SpeedyBee Nano RX и система управления, построенная на основе протокола связи ExpressLRS, работающего в диапазоне 2.4 ГГц. В статье анализируются процессы формирования, оцифровки, передачи по радиоканалу и обработки управляющих сигналов в режиме реального времени на приемнике и микроконтроллере. Также рассматриваются факторы, влияющие на латентность, надежность и стабильность системы. Полученные результаты могут быть использованы при проектировании эффективных и низкозамедленных систем управления для беспилотников FPV. Основные слова: системы реального времени, обработка сигналов, дроны FPV, радиосвязь, передатчик и приемник, протокол ExpressLRS, латентность, радиоканал, микроконтроллер, алгоритмы управления. Abstract. This article analyzes real-time signal processing algorithms used in FPV drones. The object of the research is the human-transmitter-radio channel-receivermicrokontroller-drone FPV circuit, considered as a single real-time system. As a practical example, the RadioMaster TX12 transmitter, the SpeedyBee Nano RX receiver, and the control system built on the basis of the ExpressLRS communication protocol operating in the 2.4 GHz range were selected. The article analyzes the processes of forming, digitizing, transmitting over a radio channel, and processing control signals in real-time on a receiver and microcontroller. Factors influencing the latency, reliability, and stability of the system are also considered. The obtained results can be used in the design of efficient and low-deceleration control systems for FPV drones. Keywords: real-time systems, signal processing, FPV drones, radio communication, transmitter and receiver, ExpressLRS protocol, latency, radio channel, microcontroller, control algorithms. FPV (First Person View) dronlar zamonaviy real vaqt tizimlarining yorqin namunasidir. Ularning samarali va xavfsiz ishlashi inson operatori tomonidan yuborilgan boshqaruv signallarining minimal kechikish bilan dronga yetib borishiga bevosita bog‘liq. Shu sababli FPV dronlarda qo‘llaniladigan signalni real vaqt rejimida qayta ishlash algoritmlari muhim ilmiy-amaliy ahamiyatga ega [4]. Boshqaruv signallarining shakllanishi FPV dronlarni boshqarish jarayonida signallar inson operatori tomonidan uzatgich boshqaruv elementlari 631

orqali shakllantiriladi. Operator tomonidan joysticklar, tugmalar va aylanuvchi regulyatorlarga berilgan mexanik ta’sirlar uzatgich ichidagi sensorlar yordamida elektr signallariga aylantiriladi. Ushbu signallar odatda analog ko‘rinishda bo‘lib, ularning amplitudasi va o‘zgarish tezligi operator harakatiga bevosita bog‘liq [1]. Matematik model (formulalar) Operator tomonidan boshqaruv organlariga (joystick) berilgan mexanik ta’sir vaqt bo‘yicha uzluksiz analog signal sifatida ifodalanadi: 𝑥(𝑡) ∈ [𝑥𝑚𝑖𝑛, 𝑥𝑚𝑎𝑥 ] Bu signal uzatgichdagi ARO‘ yordamida diskretlashtiriladi. Diskretlash jarayoni: 𝑥[𝑛] = 𝑥(𝑡)|𝑡=𝑛𝑇𝑠 , 𝑛 = 0, 1, 2, 3, 4 … bu yerda: 𝑇𝑠 – namunalash davri, 1 𝑓𝑠 = – namunalash chastotasi. 𝑇𝑠 ARO‘ chiqishidagi raqamli signal kvantlash orqali aniqlanadi: 𝑥[𝑛] − 𝑥𝑚𝑖𝑛 𝑥𝑞 [𝑛] = 𝑟𝑜𝑢𝑛𝑑 ( ∙ (2𝑁 − 1)) 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 bu yerda: N — ARO‘ razryadlar soni (odatda 10–12 bit). Keyingi bosqichda signal normallashtiriladi: 𝑥𝑞 [𝑛] 𝑢[𝑛] = 𝑁 , 𝑢[𝑛] ∈ [0,1] 2 −1 Natijada real vaqt rejimida uzatilishga tayyor bo‘lgan boshqaruv signali hosil bo‘ladi [2]. Uzatgich (RadioMaster TX12) tarkibidagi analog-raqamli o‘zgartirgichlar (ARO‘) yordamida analog boshqaruv signallari diskret vaqt oralig‘ida namunalab olinadi va raqamli ko‘rinishga keltiriladi. Diskretlashtirish chastotasi va razryadlar soni boshqaruv aniqligi hamda tizimning umumiy kechikishiga ta’sir etuvchi muhim omillardan biridir [3]. Raqamlashtirilgan boshqaruv signallari keyingi bosqichda normallashtiriladi va protokol talablariga mos formatga keltiriladi. ExpressLRS aloqa protokolida ushbu ma’lumotlar paketlarga yig‘ilib, ularga sinxronlash, identifikatsiya va xatolarni aniqlash uchun zarur bo‘lgan xizmat maydonlari qo‘shiladi. Natijada, real vaqt rejimida uzatilishga tayyor bo‘lgan raqamli boshqaruv paketlari hosil qilinadi. Shakllantirilgan boshqaruv signallarining asosiy xususiyatlari quyidagilardan iborat: - past kechikish bilan shakllanishi; - yuqori aniqlik va barqarorlik; - real vaqt tizimlari uchun mos bo‘lgan qat’iy vaqt cheklovlariga rioya qilinishi. Real vaqt cheklovlari boshqaruv signali shakllanishining umumiy kechikishi quyidagicha ifodalanadi: 𝑇𝒕𝒐𝒕𝒂𝒍 = 𝑇𝐴𝑅𝑂‘ + 𝑇𝑝𝑟𝑜𝑐 + 𝑇𝑝𝑜𝑐𝑘𝑒𝑡 bu yerda: 632

𝑇𝐴𝑅𝑂‘ – diskretlash va kvantlash vaqti, 𝑇𝑝𝑟𝑜𝑐 — ichki qayta ishlash vaqti, 𝑇𝑝𝑜𝑐𝑘𝑒𝑡 — paketlash va uzatishga tayyorlash vaqti. Mazkur bosqichda signalni shakllantirish algoritmlarining samaradorligi FPV dronning javob tezligi va uchish barqarorligiga bevosita ta’sir ko‘rsatadi. Shu sababli uzatgichda bajariladigan signalni qayta ishlash jarayonlari real vaqt tizimlari uchun optimallashtirilgan bo‘lishi talab etiladi. Signallarning raqamlashtirilishi FPV dronlarni boshqarish tizimida signallarning raqamlashtirilishi uzatgich tomonidan shakllantirilgan analog boshqaruv signallarini raqamli ko‘rinishga o‘tkazish jarayonini ifodalaydi. Ushbu jarayon real vaqt tizimlari uchun muhim bo‘lib, u boshqaruv signallarining aniqligi, barqarorligi va umumiy kechikishiga bevosita ta’sir ko‘rsatadi. 1-jadval Signallarning raqamlashtirilish bosqichlari Bosqich 1 2 3 Jarayon nomi Namunalash Kvantlash Kodlash Kirish signali Analog 𝑥(𝑡) Diskret signal Kvantlangan signal Chiqish signali Diskret 𝑥[𝑛] Raqamli 𝑥𝑞 [𝑛] Ikkilik kod Izoh Vaqt bo‘yicha Amplitude bo‘yicha Ma’lumot shakli Real vaqt cheklovlari signallarning raqamlashtirilishiga ketadigan umumiy vaqt quyidagicha ifodalanadi: 𝑇𝐴𝑅𝑂‘ = 𝑇𝑠𝑎𝑚𝑝𝑙𝑒‘ + 𝑇𝑞𝑢𝑎𝑛𝑡 + 𝑇𝑡𝑛𝑐𝑜𝑑𝑒 FPV dronlarda ushbu jarayon bir necha millisekunddan kam vaqt ichida bajarilishi talab etiladi, chunki umumiy boshqaruv kechikishi minimal bo‘lishi lozim. Radiokanal orqali uzatish jarayoni boshqaruv tizimida radiokanal orqali uzatish jarayoni uzatgichda shakllantirilgan va raqamlashtirilgan boshqaruv signallarini simsiz aloqa muhiti orqali qabul qilgichga yetkazib berishni ta’minlaydi. Ushbu bosqich real vaqt tizimining eng muhim qismlaridan biri bo‘lib, signal kechikishi, paket yo‘qolishi va shovqin ta’siriga eng sezgir hisoblanadi. Amaliy tizim sifatida 2.4 GHz chastota diapazonida ishlovchi ExpressLRS aloqa protokoli qo‘llanildi. Ushbu protokol past kechikish va yuqori yangilanish chastotasini ta’minlashga yo‘naltirilgan. Radiokanal orqali uzatilayotgan signal quyidagi umumiy model bilan ifodalanadi: 𝑟(𝑡) = 𝑠(𝑡) ∗ ℎ(𝑡) + 𝑛(𝑡) bu yerda: 𝑠(𝑡) − 𝑢𝑧𝑎𝑡𝑖𝑙𝑎𝑦𝑜𝑡𝑔𝑎𝑛 𝑚𝑜𝑑𝑢𝑙𝑦𝑎𝑡𝑠𝑖𝑦𝑎𝑙𝑎𝑛𝑔𝑎𝑛 𝑠𝑖𝑔𝑛𝑎𝑙, ℎ(𝑡) − 𝑟𝑎𝑑𝑖𝑜𝑘𝑎𝑛𝑎𝑙𝑛𝑖𝑛𝑔 𝑖𝑚𝑝𝑢𝑙𝑠 𝑥𝑎𝑟𝑎𝑘𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑘𝑎𝑠𝑖, 𝑛(𝑡) − 𝑡𝑎𝑠ℎ𝑞𝑖 𝑠ℎ𝑜𝑣𝑞𝑖𝑛 (𝑜𝑑𝑎𝑡𝑑𝑎 𝑜𝑞 𝐺𝑎𝑢𝑠𝑠 𝑠ℎ𝑜𝑣𝑞𝑖𝑛𝑖). Modulyatsiya va uzatish raqamli boshqaruv paketlari uzatishdan oldin modulyatsiya qilinadi. ExpressLRS protokolida past quvvatda uzoq masofaga uzatish imkonini beruvchi spektral samarali modulyatsiya usullari qo‘llaniladi. Modulyatsiya jarayoni quyidagi ifoda bilan umumlashtiriladi: 𝑠(𝑡) = 𝐴 ∙ 𝑚(𝑡)𝑐𝑜𝑠(2𝜋𝑓𝑐 𝑡) 633

bu yerda: 𝑚(𝑡) − 𝑟𝑎𝑞𝑎𝑚𝑙𝑖 𝑎𝑥𝑏𝑜𝑟𝑜𝑡 𝑠𝑖𝑔𝑛𝑎𝑙𝑖, 𝑓𝑐 − 𝑡𝑎𝑠ℎ𝑢𝑣𝑐ℎ𝑖 𝑐ℎ𝑎𝑠𝑡𝑜𝑡𝑎 (2.4 𝐺𝐻𝑧), 𝐴 − 𝑠𝑖𝑔𝑛𝑎𝑙 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑎𝑠𝑖. Qabul qilgichda signalni qayta tiklash radiokanal orqali uzatilgan boshqaruv signallari FPV dron qabul qilgichida (masalan, SpeedyBee Nano RX) qabul qilinadi va dastlabki qayta ishlash bosqichlaridan o‘tkaziladi. Ushbu jarayon real vaqt cheklovlari ostida amalga oshirilib, uzatilgan raqamli ma’lumotlarni ishonchli holda qayta tiklashni ta’minlaydi. Demodulyatsiya va dekodlash qabul qilgichda signal quyidagi ketmaketlikda qayta tiklanadi: RF signal Past chastotaga o‘tkazish (down-conversion) Demodulyatsiya Raqamli bit oqimi Xatolarni aniqlash (CRC) Paketni ajratish Agar paket xatosiz qabul qilingan bo‘lsa, boshqaruv ma’lumotlari ajratib olinadi. Xatolik aniqlangan holatda esa paket bekor qilinadi yoki keyingi paket kutiladi. Bu mexanizm ExpressLRS protokolining ishonchliligini oshiradi. Natijada qabul qilgich chiqishida vaqt bo‘yicha diskretlangan va normallashgan boshqaruv signallari hosil bo‘ladi: 𝑢[𝑛] ∈ [0,1] Qabul qilgichdan olingan boshqaruv signallari FPV dronning parvoz boshqaruv mikrokontrolleriga (flight controller) uzatiladi. Ushbu bosqich real vaqt tizimining eng kritik qismi bo‘lib, u dronning barqarorligi va boshqaruv aniqligini belgilaydi. Signalni moslashtirish va filtrlash mikrokontrollerda qabul qilingan normallashgan signal fizik kattaliklarga moslashtiriladi: 𝑢𝑠 [𝑛] = 𝑎 ∙ 𝑢[𝑛] + 𝑏 bu yerda: 𝑢𝑠 [𝑛] − moslashtirilgan boshqaruv signali, 𝑎, 𝑏 − masshtablash koeffitsiyentlari. Shovqin ta’sirini kamaytirish uchun raqamli past chastotali filtrlar qo‘llaniladi, masalan: 634

𝑦[𝑛] = 𝛼𝑦[𝑛 − 1] + (1 − 𝛼)𝑢𝑠 [𝑛] Boshqaruv algoritmi Filtrlashdan so‘ng signallar yopiq konturli boshqaruv algoritmlarida ishlatiladi. FPV dronlarda eng ko‘p qo‘llaniladigan usul – PID boshqaruv algoritmidir: 𝑑𝑒(𝑡) 𝑢𝑃𝐼𝐷 (𝑡) = 𝐾𝑝 𝑒(𝑡) + 𝐾𝑖 ∫ 𝑒(𝑡)𝑑𝑡 + 𝐾𝑑 𝑑𝑡 bu yerda: 𝑒(𝑡) − talab etilgan va haqiqiy holat orasidagi xatolik, 𝐾𝑝 , 𝐾𝑖 , 𝐾𝑑 − PID koeffitsiyentlari. Ijrochi mexanizmlarni boshqarish PID algoritmi natijasida hosil bo‘lgan boshqaruv signallari elektron tezlik regulyatorlariga (ESC) uzatiladi va motorlarning aylanish tezligini belgilaydi. Shu tariqa operator tomonidan yuborilgan signal dronning real harakatiga aylantiriladi. Umumiy kechikish modeli qabul qilish va qayta ishlash jarayonining kechikishi quyidagicha baholanadi: 𝑇𝑟𝑥+𝑐𝑡𝑟𝑙 = 𝑇𝑑𝑒𝑚𝑜𝑑 + 𝑇𝑑𝑒𝑐𝑜𝑑𝑒 + 𝑇𝑀𝐶𝑈 Qabul qilgichda signalni qayta tiklash va mikrokontrollerda boshqaruv signallarini qayta ishlash FPV dronlarning real vaqt rejimida barqaror va aniq ishlashini ta’minlaydi. Ushbu bosqichlardagi algoritmlarning samaradorligi tizimning umumiy kechikishi va uchish sifati bilan bevosita bog‘liq. Foydalanilgan adabiyotlar ro‘yxati: 1. Oppenheim A.V., Schafer R.W. Raqamli vaqtli signallarni qayta ishlash. – Toshkent: Fan va texnologiya, 2016. – 640 bet. 2. Lyons R.G. Raqamli signalni qayta ishlash asoslari. – Toshkent: Ilm Ziyo, 2018. – 520 bet. 3. Valavanis K.P., Vachtsevanos G.J. Uchuvchisiz uchish apparatlari asoslari. – Toshkent: Texnika nashriyoti, 2019. – 710 bet. 4. Buttazzo G.C. Hard Real-Time Computing Systems: Predictable Scheduling Algorithms and Applications. – Springer, 2011. – 480 bet. 5. Laplante P.A. Real-Time Systems Design and Analysis. – 4th ed. – IEEE Press, 2011. – 590 bet. TRАNSFORMER MODELLARINI NOZIK SOZLASH: MODEL ISHLАSHINI YАXSHILАSH USULLАRI Abdullayev Sanjarbek Baxodirovich, O‘zR Harbiy xavfsizlik va mudofaa universiteti, katta o‘qituvchi sanjarbekabdullayev992@gmail.com Annotatsiya. Ushbu maqolada transformer asosidagi katta til modellarini fine-tuning qilishni optimallashtirish usullari tahlil qilinadi. PEFT metodlari, ma’lumot sifati, giperparametr sozlash va regularizatsiyaning model aniqligi hamda resurs samaradorligiga ta’siri ko‘rib chiqilib, yuqori natijalar resurs tejalishi bilan ta’minlanishi ko‘rsatiladi. Kalit so‘zlar: Transformer, Fine-tuning, PEFT, LoRA, Prompt tuning. Abstract. This article analyzes optimization approaches for fine-tuning large language models based on the transformer architecture. The impact of PEFT methods, data quality, hyperparameter tuning, and regularization on model accuracy and resource efficiency is examined, demonstrating that high performance can be achieved while reducing computational costs. 635

Keywords: Transformer, Fine-tuning, PEFT, LoRA, Prompt tuning. Аннотация. В статье анализируются методы оптимизации процесса тонкой настройки крупных языковых моделей на основе архитектуры трансформера. Рассматривается влияние методов PEFT, качества данных, настройки гиперпараметров и регуляризации на точность модели и эффективность использования ресурсов, показывая возможность достижения высоких результатов при снижении вычислительных затрат. Ключевые слова: Transformer, Fine-tuning, PEFT, LoRA, Prompt tuning. Kirish. So‘nggi yillarda sun’iy intellekt sohasida transformer arxitekturasi asosidagi modellar tabiiy tilni qayta ishlash (NLP), kompyuter ko‘rishi va multimodal tizimlarda yetakchi yondashuvga aylandi [1]. Transformer arxitekturasi birinchi marta 2017-yilda taklif etilgan bo‘lib, u rekurrent va konvolyutsion tarmoqlardan farqli ravishda to‘liq e’tibor (self-attention) mexanizmiga asoslanadi [1]. Ushbu mexanizm uzun kontekstlarni samarali qayta ishlash va parallel hisoblash imkonini beradi [1]. Katta hajmdagi ma’lumotlarda oldindan o‘qitilgan (pretrained) modellarni maxsus vazifalar uchun moslashtirish jarayoni fine-tuning deb ataladi [2]. Fine-tuning yondashuvi hisoblash resurslarini tejash va kam ma’lumotli sohalarda yuqori aniqlikka erishish imkonini beradi [2]. Transformer arxitekturasi asoslari Transformer modeli encoder va decoder bloklaridan tashkil topgan bo‘lib, har bir blok ko‘p boshli e’tibor (multi-head attention) va feed-forward qatlamlardan iborat [1]. Self-attention mexanizmi har bir tokenning boshqa tokenlarga nisbatan ahamiyatini hisoblaydi. BERT modeli encoder arxitekturasiga asoslangan bo‘lib, ikki tomonlama kontekstni hisobga oladi [2]. GPT oilasiga mansub modellar esa decoder asosida qurilgan va autoregressiv tarzda ishlaydi [3]. Oldindan o‘qitish jarayonida modellar katta korpuslarda umumiy til qonuniyatlarini o‘rganadi va semantik hamda sintaktik bilimlarni shakllantiradi [2][3]. Fine-tuning tushunchasi va usullari. Fine-tuning – bu oldindan o‘qitilgan model parametrlarini ma’lum vazifaga moslashtirish jarayonidir [4]. An’anaviy yondashuvda modelning barcha qatlamlari qayta o‘qitiladi, bu esa katta hisoblash quvvatini talab qiladi [4]. Parameter-Efficient Fine-Tuning (PEFT). To‘liq fine-tuning barcha parametrlarni o‘qitishni talab qiladi, natijada xotira va hisoblash xarajatlari ortadi. PEFT metodlari esa asosiy og‘irliklarni muzlatib, faqat qo‘shimcha kichik parametrlarni o‘qitadi. LoRA (Low-Rank Adaptation) model og‘irliklariga past rangli matritsalar qo‘shish orqali moslashuvni ta’minlaydi [4]. Asosiy parametrlar o‘zgarmaydi, natijada GPU xotira sarfi kamayadi va aniqlik deyarli saqlanadi. Adapter modullari transformator qatlamlari orasiga kichik neyron bloklar qo‘shadi [5]. Har bir yangi vazifa uchun alohida adapter saqlanishi mumkin, bu ko‘p vazifali tizimlarda qulaylik yaratadi. Prompt tuning va Prefix tuning model parametrlarini emas, balki kirish reprezentatsiyalarini optimallashtirishga asoslanadi [6][7]. Bu usullar ayniqsa katta til modellarida samarali natija beradi. Fine-tuning bosqichlari: 636

1. Ma’lumot tayyorlash – ma’lumotlarni tozalash, tokenizatsiya va train/validation/test ga ajratish [2]. 2. Model tanlash – vazifaga mos pretrained modelni tanlash (masalan, BERT, RoBERTa, GPT) [2][3]. 3. Giperparametr sozlash – learning rate, batch size, epoch soni kabi parametrlarni optimallashtirish [4]. 4. Regularizatsiya – overfittingni oldini olish uchun dropout va weight decay qo‘llash [4]. 5. Baholash – accuracy, F1-score yoki perplexity kabi metrikalar orqali natijani o‘lchash [2]. Fine-tuning jarayonida learning rate odatda kichik qiymatda tanlanadi, chunki model allaqachon umumiy bilimga ega bo‘ladi [4]. PEFT usullari ushbu muammolarni qisman hal qiladi va sanoat miqyosida qo‘llashni osonlashtiradi [5][6]. Transformer modellarini fine-tuning qilishni yaxshilash bir nechta asosiy yo‘nalishlarda amalga oshiriladi. 1-rasm. Fine-Tuning usullarida xotira sarfi Birinchi yo‘nalish – Parameter-Efficient Fine-Tuning (PEFT). To‘liq finetuning barcha parametrlarni o‘qitishni talab qiladi, bu esa xotira va hisoblash xarajatlarini oshiradi [4]. PEFT metodlari esa asosiy og‘irliklarni muzlatib, kichik qo‘shimcha parametrlarni o‘qitadi. Agar to‘liq fine-tuningda barcha parametrlar yangilansa: 𝜃 ∈ ℝ𝑑×𝑑 unda train qilinadigan parametrlar soni: Param𝐹𝑢𝑙𝑙 = 𝑑 2 PEFT da esa faqat kichik qo‘shimcha parametrlar o‘qitiladi. LoRA (Low-Rank Adaptation) modeli asosiy og‘irlik matritsalarini to‘liq qayta o‘qitmasdan, ularga past rangli qo‘shimcha matritsalar qo‘shish orqali moslashuvni ta’minlaydi [4]. Ushbu yondashuvda asosiy parametrlar muzlatiladi va faqat kichik o‘lchamli qo‘shimcha parametrlar optimallashtiriladi. Natijada GPU xotira sarfi sezilarli kamayadi, model aniqligi esa deyarli saqlanadi. LoRA da og‘irlik matritsasi quyidagicha yangilanadi: 𝑊 ′ = 𝑊 + Δ𝑊 bu yerda og‘irlik o‘zgarishi: Δ𝑊 = 𝐵𝐴 637

Bu yerda: 𝐴 ∈ ℝ𝑟×𝑑 , 𝐵 ∈ ℝ𝑑×𝑟 , 𝑟 ≪ 𝑑 Bu yerda: 𝑊 ∈ ℝ𝑑×𝑑 — muzlatilgan asosiy og‘irlik matritsasi 𝑟— past rang (rank) 𝑑— model o‘lchami Train qilinadigan parametrlar soni To‘liq fine-tuningda: Param𝐹𝑢𝑙𝑙 = 𝑑 2 LoRA da esa train qilinadigan parametrlar: Param𝐿𝑜𝑅𝐴 = 2𝑟𝑑 Nisbati: Agar 𝑟 ≪ 𝑑bo‘lsa: Param𝐿𝑜𝑅𝐴 2𝑟𝑑 2𝑟 = 2 = Param𝐹𝑢𝑙𝑙 𝑑 𝑑 2𝑟 →0 𝑑 Bu LoRA ning parametr samaradorligini matematik asoslaydi. 2-rasm. Fine-Tuning usullarida o‘qitiladigan parametrlar Adapter moduli transformator qatlam chiqishiga qo‘shimcha residual blok sifatida qo‘shiladi va quyidagicha ifodalanadi: ℎ′ = ℎ + 𝑊𝑢𝑝 𝜎(𝑊𝑑𝑜𝑤𝑛 ℎ) Bu yerda 𝑊𝑑𝑜𝑤𝑛 va 𝑊𝑢𝑝 past o‘lchamli proyeksiya matritsalari bo‘lib, 𝑟 ≪ 𝑑sharti bajariladi. Train qilinadigan parametrlar soni 2𝑑𝑟ga teng bo‘lib, bu to‘liq finetuningdagi 𝑑 2 parametrga nisbatan sezilarli darajada kamdir. Shu sababli adapter modullari ko‘p vazifali tizimlarda samarali va xotira tejamkor yechim hisoblanadi. Prompt tuning model parametrlarini emas, balki kirish embeddinglarini optimallashtirishga asoslanadi [6]. Prefix tuning esa generativ modellarda qo‘shimcha prefiks vektorlarini o‘rganadi [6]. Ushbu usullar ayniqsa katta LLMlarda samarali natija beradi. Ikkinchi yo‘nalish – ma’lumot sifatini yaxshilah. Fine-tuning natijasi ma’lumot sifati bilan bevosita bog‘liq [2]. Data augmentation usullari (sinonim 638