Management and Future Technologies | Volume 3, Issue 3 | № 011

3 3 September 2026 011

Jurnal sohalari: dasturiy injiniring, sun’iy intellekt texnologiyalari, kompyuter infokommunikatsiya injiniringi, axborot xavfsizligi, matematika va fizika. injiniringi, Tahririyat kengashi raisi g.f.d., prof. Muxammadismoil Maxmudov - Vatan universiteti rektori Bosh muharrir i.f.d., prof. Karimjon Axmedjanov - Vatan universiteti Ilmiy ishlar va innovatsiyalar bo‘yicha prorеktori Tahririyat kengashi a’zolari: f.f.d., prof. Asror Muhamedov t.f.d., prof. O‘tkir Xamdamov t.f.d., prof. Muxammadjon Musayev t.f.d., prof. Shavkat Fozilov f-m.f.d., prof. Aripov Mersaid f-m.f.d., prof. Аloev Raxmatillo t.f.d., prof. Marat Raxmatullayev t.f.d., prof. Dilnoz Muxamediyeva t.f.d., prof. Jamshid Sultonov f-m.f.d., prof. Dildora Muhamediyeva t.f.d., prof. Nargiza Usmanova t.f.d., dot. Halimjon Xujamatov t.f.d., dot. Ibragim Atadjanov t.f.f.d., dot. Muhriddin Muxiddinov t.f.f.d., dot. Maxina Mansurova t.f.f.d., dot. Baxtiyor Akmuradov t.f.f.d., dot. Anvar Musayev t.f.f.d., dot. Muhriddin Umarov f-m.f.n., dot. Baxromjon Abduraxmonov t.f.f.d., dot. Abdulxayev Nodirbek Muharrirlar: Shukurullo Kaxarov (O‘zbekiston) Ozod Yusupov (O‘zbekiston) Dilshod Rahmatov (Germaniya) O.A. Hidayov (Germaniya) Akmaljon Abdullayev (O‘zbekiston) Jinsoo Cho (J. Koreya) Jamshid Elov (O‘zbekiston) Fazliddin Maxmudov (J. Koreya) Faheem Khan (J. Koreya) Doston Xasanov (O‘zbekiston) Shahnoza Muksimova (J. Koreya) Elmurod Urinov (O‘zbekiston) Akmalbek Abdusalomov (J. Koreya) Sherzod Abdullayev (O‘zbekiston) Urmanov Odil (J. Koreya) Sobir Radjabov (O‘zbekiston) Young Im Cho (J. Koreya) Mohamed Sameer (J. Koreya) Alpamis Kutlimuratov (O‘zbekiston) Sabina Umirzakova (J. Koreya) Farhod Ahmedov (J. Koreya) Sherzod Mustafaqulov (O‘zbekiston) Shabir Ahmad (J. Koreya) U.B. Amirsaidov (O‘zbekiston) Lilia Tightiz (J. Koreya) Shahnoza Sultanova (O‘zbekiston) Safiullah Khan (Buyuk Britaniya) Seytkamal Medetov (Fransiya) Avaz Qaxxorov (O‘zbekiston) Qosim Bekmurodov (O‘zbekiston) Namoz Mirzayev (O‘zbekiston) Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 sanasida ro‘yxatdan o‘tkazilgan.

Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va N.M. Abdulxayev TELEKOMMUNIKATSIYA TARMOQLARIDA 5 ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 MASHINALI O'QITISH ASOSIDA ANOMAL TRAFIKNI sanasida ro‘yxatdan o‘tkazilgan. ANIQLASH ALGORITMINI TAKOMILLASHTIRISH E. A. Saidkulov, H. O‘. Akbarov KUBLAR USULI YORDAMIDA OROL DENGIZI QIRG‘OQ CHIZIG‘INING YEMIRILISHINING FRAKTAL O‘LCHOVNI ANIQLASH 15 P. A. Begimqulova ESKI O'ZBEK YOZUVIDAN LOTIN GRAFIKASIGA O'TKAZISHDA SINGARMONIZM CHEKLOVLARI OSTIDA GLOBAL DEKODLASH: BUTUN SONLI CHIZIQLI DASTURLASH ALGORITMI VA DASTURIY MAJMUASI 21 N.T. Baymatova, M.N Begmurodov IP TARMOQLARIDA IPTV XIZMATLARI ARXITEKTURASI VA VIDEO UZATISH SIFATINI TAHLIL QILISH 33 B.N. Raximov, A.A. Komilov, N.T. Boboyev CHEKLANGAN MUHITLAR UCHUN KRIPTOGRAFIK KUTUBXONASI TAHLILI MIRACL 42 J. B. Elov MASOFAVIY INTELLEKTUAL MODELLARI TAʼLIM JARAYONLARINI VA ADAPTIV BOSHQARISH 49 F. H. Holiyarova DIFFERENSIAL TENGLAMALARNI TEYLOR USULI BILAN YECHISHNING MATLAB DASTURIDAGI ALGORITMLARI 61 2

S. N. 1Iskandarova, P. A. Begimqulova ESKI O'ZBEK YOZUVLI ARXIVLARNI RAQAMLASHTIRISHDA KAFOLATLANGAN XATOLIK DARAJASINI TA'MINLASH ALGORITMI VA DASTURIY MAJMUASI 66 A. A. Yarmuxamedov, DVB-T2 STANDARTIDAGI RAQAMLI TELEVIZION A.B. Jabborov UZATKICHLARDA OFDM-SIGNALLARINI KUCHAYTIRISHDA DOHERTY ARXITEKTURASIGA EGA QUVVAT KUCHAYTIRGICHLARINING ENERGETIK VA CHIZIQLI XARAKTERISTIKALARINI TIZIMLI OPTIMALLASHTIRISH 75 E. A. Saidkulov, M. A. Umarov FRAKTAL SIRTLARINI YORDAMIDA QURISH USULI 102 J. K. Saydazimov VIDEO OQIMLARNI AVTOMATIK TAHLILGA TAYYORLASH UCHUN ADAPTIV DASTLABKI ISHLOV BERISH ALGORITMI 108 A. B. Qarshiyev, M. S. Tursunov O‘ZBEK TILI KORPUSI UCHUN KO‘P QATLAMLI LINGVISTIK ANNOTATSIYA 120 O. O. Durdiyev, B. M. Axmedov, J. N. Murodov SANOAT SIFAT MENEJMENTI TIZIMLARIDA SUNʼIY INTELLEKT VA FAZZI–EHTIMOLIY MODELLAR INTEGRATSIYASI: TASNIFLASH, ANOMALIYALARNI ANIQLASH VA MEʼYORIY QAROR QABUL QILISH MEXANIZMI 130 L-TIZIMLAR 3

M. Islamova, S. Omonov O‘QUV-SIMULYATSIYA VOSITALARINING BO‘LAJAK HARBIY MUTAXASSISLAR HARBIYKASBIY KOMPETENTLIGINI SHAKLLANTIRISHDAGI O‘RNI VA AHAMIYATI 138 F. Tulaganova, S. Iskandarova, S. Omonov YOLOV8 MODELI ASOSIDA XUJAYRA TURLARINI ANIQLASH VA TAKOMILLASHTIRISHDA SUYAK ILIGI KASALLIKLARINI TASHXISLASH 144 O‘. F. Naziraliyev, M. S. Berdimuradov MOLIYA BOZORINI BASHORATLASHDA RNN VA GRU ALGORITMLARINING QIYOSIY TAHLILI 154 M. H. Primova N-GRAM GENERATSIYA MODULI OPTIMIZATSIYASI 160 4

TELEKOMMUNIKATSIYA TARMOQLARIDA MASHINALI O'QITISH ASOSIDA ANOMAL TRAFIKNI ANIQLASH ALGORITMINI TAKOMILLASHTIRISH Nodirbek Abdulxayev Kommunikatsiya va axborot texnologiyalar kafedrasi dotsenti, “Vatan” universiteti, abdulxayev.nodirbek@gmail.com Annotatsiya: Ushbu maqolada telekommunikatsiya tarmoqlarida anomal trafikni aniqlashning zamonaviy muammolari va ularni mashinali o'qitish algoritmlari yordamida takomillashtirish masalalari tahlil qilingan. Tarmoq trafigi hajmining tez o'sishi, 5G, SDN va NFV texnologiyalarining keng joriy etilishi, shuningdek, hujum turlarining murakkablashuvi an'anaviy signaturaga asoslangan aniqlash tizimlarining samaradorligini pasaytirmoqda. Ushbu sharoitda nazorat ostidagi, nazoratsiz va chuqur o'qitishga asoslangan algoritmlarning qiyosiy tahlili o'tkazilgan, ularning afzallik va kamchiliklari ko'rsatilgan. Tadqiqot natijasida xususiyatlarni tanlash, ansambl klassifikatsiya va onlayn (incremental) o'qitish komponentlarini birlashtiruvchi ikki bosqichli gibrid model taklif etilgan. Taklif etilgan yondashuv anomaliya aniqlash aniqligini oshirish, yolg'on signal (false positive) darajasini kamaytirish hamda real vaqt rejimida ishlash imkoniyatini ta'minlashga qaratilgan. Maqola yakunida telekommunikatsiya operatorlari uchun amaliy tavsiyalar berilgan. Kalit so‘zlar: Telekommunikatsiya tarmoqlari, anomal trafik, mashinali o'qitish, chuqur o'qitish, tarmoq xavfsizligi, tarmoqqa kirishni aniqlash tizimi (IDS/IPS), ansambl usullar, autoenkoder, LSTM, SDN/NFV, katta ma'lumotlar, kontseptsiya siljishi (concept drift), yolg'on signal darajasi. 1. KIRISH So‘nggi o‘n yillikda mobil internet, IoT, bulutli xizmatlar va 5G texnologiyalarining keng tarqalishi telekommunikatsiya tarmoqlarida ma’lumotlar hajmining keskin oshishiga olib keldi. Shu bilan birga, DDoS, botnet, ma’lumotlarni sizdirish, fishing va zararli dasturlar kabi kiberhujidlarning soni va murakkabligi ham ortmoqda. An’anaviy imzoga asoslangan xavfsizlik tizimlari asosan oldindan ma’lum hujumlarni aniqlashi sababli zero-day tahdidlarini aniqlash, shifrlangan trafikni tahlil qilish va yuqori tezlikdagi tarmoqlarda real vaqt rejimida monitoring olib borishda cheklovlarga ega. Ushbu muammolarni bartaraf etishda mashinali o‘qitish (ML) va chuqur o‘qitish (DL) algoritmlariga asoslangan anomaliyalarni aniqlash tizimlari istiqbolli yechim hisoblanadi. Biroq ML/DL asosidagi tizimlarda ma’lumotlar nomutanosibligi, yuqori false positive darajasi, hisoblash resurslariga bo‘lgan talab, concept drift, model interpretatsiyasi va adversarial hujumlarga zaiflik kabi muammolar mavjud. Ayniqsa, IoT qurilmalarining keng tarqalishi botnet hujumlari xavfini yanada kuchaytirmoqda. Mazkur maqolaning maqsadi telekommunikatsiya tarmoqlarida anomal trafikni aniqlash uchun qo‘llaniladigan ML/DL algoritmlarini tizimli tahlil qilish, ularning samaradorligini qiyoslash va mavjud muammolarni kamaytirishga qaratilgan gibrid aniqlash arxitekturasini taklif etishdan iborat. Tadqiqotda aniqlash usullarini tasniflash, algoritmlarni qiyosiy baholash, xususiyatlarni tanlash va ansambl yondashuvlarini integratsiyalash hamda telekommunikatsiya operatorlari uchun amaliy tavsiyalar ishlab chiqish ko‘zda tutiladi. 5

2. ADABIYOTLAR TAHLILI Anomal trafikni aniqlash usullarining tasnifi: Tarmoq anomaliyalarini aniqlash usullarini shartli ravishda uch guruhga bo'lish mumkin: statistik/qoidaga asoslangan usullar, klassik mashinali o'qitish usullari va chuqur o'qitishga asoslangan usullar. Statistik usullar (masalan, harakatlanuvchi o'rtacha, entropiya tahlili, chegaraviy qiymatlarni nazorat qilish) sodda va tez ishlaydi, biroq ular murakkab, ko'p o'lchovli bog'liqliklarni aks ettira olmaydi. Klassik ML usullari trafikning ko'plab xususiyatlarini (paket uzunligi, oqim davomiyligi, port raqami, protokol turi, bayt/paket nisbati va h.k.) hisobga olgan holda murakkabroq qarorlar qabul qilish imkonini beradi. Chuqur o'qitish usullari esa xususiyatlarni qo'lda ishlab chiqish zaruratini kamaytirib, xom trafik ma'lumotlaridan avtomatik ravishda yuqori darajadagi mavhum xususiyatlarni o'rganadi[6]. 1-jadval. An'anaviy va mashinali o'qitishga asoslangan usullarning qiyosiy tahlili Mezon An'anaviy (signaturaga asoslangan) usullar Mashinali o'qitishga asoslangan usullar Noma'lum (zero-day) hujumlarni aniqlash Deyarli imkonsiz Yuqori (naqsh umumlashtiriladi) Moslashuvchanlik Past, qo'lda yangilanish talab etadi Yuqori, qayta o'qitish orqali Yolg'on signal darajasi (FPR) Trafik hajmi oshganda yuqori Optimallashtirish orqali pasaytiriladi Hisoblash resursi talabi Nisbatan past O'qitishda yuqori, xulosa chiqarishda o'rtacha Shifrlangan trafikni tahlil qilish DPI talab etadi, cheklangan Oqim xususiyatlari orqali mumkin Talqin qilinuvchanlik Yuqori (aniq qoidalar) Model turiga bog'liq, XAI talab etiladi Nazorat ostidagi (supervised) algoritmlar: Nazorat ostidagi algoritmlar oldindan yorliqlangan (normal/anomal) ma'lumotlar to'plami asosida o'qitiladi. Qaror daraxtlari (Decision Tree) va ularning ansambli hisoblangan Random Forest algoritmi ko'plab daraxtlarning ovoz berish natijasi asosida qaror qabul qiladi, bu esa ortiqcha o'rganish (overfitting) xavfini sezilarli darajada kamaytiradi[1]. Gradientli kuchaytirish oilasiga mansub XGBoost va LightGBM algoritmlari ketma-ket daraxtlar yordamida oldingi model xatolarini tuzatib boradi, natijada yuqori aniqlik va nisbatan tez xulosa chiqarish tezligiga erishiladi, bu xususiyat ularni telekommunikatsiya tarmoqlarining real vaqt talablariga mos qiladi. Support Vector Machine (SVM) algoritmi yuqori o'lchovli fazoda sinflarni ajratuvchi optimal giperdostekni topadi va kichik-o'rta hajmdagi ma'lumotlar to'plamida yaxshi natija beradi, biroq katta hajmdagi trafik ma'lumotlarida hisoblash murakkabligi keskin oshadi. 6

Nazoratsiz (unsupervised) algoritmlar: Amaliyotda yorliqlangan (label qilingan) hujum ma'lumotlari ko'pincha yetishmaydi yoki eskiradi. Shu sababli nazoratsiz o'qitish usullari alohida ahamiyat kasb etadi. K-means va DBSCAN kabi klasterlash algoritmlari o'xshash trafik namunalarini guruhlarga ajratadi va zich klasterlardan uzoqda joylashgan nuqtalarni anomaliya sifatida belgilaydi. Isolation Forest algoritmi esa boshqa yondashuvdan farqli o'laroq, anomaliyalarni "izolyatsiya qilish osonligi" tamoyiliga asoslanadi, anomal nuqtalar tasodifiy bo'linishlar yordamida normal nuqtalarga qaraganda kamroq qadamda ajratib olinadi, bu esa algoritmni hisoblash jihatidan samarali va katta hajmdagi ma'lumotlarga mos qiladi. One-Class SVM faqat normal trafik namunalari asosida chegara (decision boundary) quradi va undan tashqarida qolgan har qanday namunani anomaliya deb hisoblaydi[4]. Nazoratsiz (unsupervised) algoritmlar: Amaliyotda yorliqlangan (label qilingan) hujum ma'lumotlari ko'pincha yetishmaydi yoki eskiradi. Shu sababli nazoratsiz o'qitish usullari alohida ahamiyat kasb etadi. K-means va DBSCAN kabi klasterlash algoritmlari o'xshash trafik namunalarini guruhlarga ajratadi va zich klasterlardan uzoqda joylashgan nuqtalarni anomaliya sifatida belgilaydi. Isolation Forest algoritmi esa boshqa yondashuvdan farqli o'laroq, anomaliyalarni "izolyatsiya qilish osonligi" tamoyiliga asoslanadi — anomal nuqtalar tasodifiy bo'linishlar yordamida normal nuqtalarga qaraganda kamroq qadamda ajratib olinadi, bu esa algoritmni hisoblash jihatidan samarali va katta hajmdagi ma'lumotlarga mos qiladi. One-Class SVM faqat normal trafik namunalari asosida chegara (decision boundary) quradi va undan tashqarida qolgan har qanday namunani anomaliya deb hisoblaydi. Chuqur o'qitishga asoslangan algoritmlar: So'nggi yillarda chuqur neyron tarmoqlar tarmoq xavfsizligi sohasida keng qo'llanilmoqda. Autoenkoderlar kirish ma'lumotini siqilgan (latent) ko'rinishga o'tkazib, so'ngra uni qayta tiklashga harakat qiladi; normal trafik uchun rekonstruksiya xatosi past bo'ladi, anomal trafik uchun esa model o'rgangan naqshlarga mos kelmagani sababli xato sezilarli darajada oshadi, aynan shu xususiyat anomaliyani aniqlash mezoni sifatida ishlatiladi. Rekurrent tarmoqlar oilasiga mansub LSTM (Long Short-Term Memory) va GRU (Gated Recurrent Unit) arxitekturalari trafik oqimidagi vaqt bo'yicha ketma-ket bog'liqliklarni yaxshi o'rganadi, bu esa DDoS kabi vaqt davomida rivojlanuvchi hujumlarni erta bosqichda aniqlash imkonini beradi. Konvolyutsion neyron tarmoqlar (CNN) trafik ma'lumotlarini bir o'lchovli yoki ikki o'lchovli "tasvir" ko'rinishida qayta ishlab, lokal naqshlarni samarali ajratadi. Grafik neyron tarmoqlar (GNN) esa tarmoq tugunlari (host, router) orasidagi bog'lanishlarni graf ko'rinishida modellashtirib, tarqoq (distributed) hujumlarni, jumladan botnetlarni, tugunlararo aloqalar orqali aniqlashga imkon beradi, bu telekommunikatsiya tarmoqlarining topologik tuzilishini hisobga olishda alohida qimmatga ega[2]. 2-jadval. Anomal trafikni aniqlashda qo'llaniladigan asosiy algoritmlarning qiyosiy tavsifi Algoritm Turi O'rtacha aniqlik Hisoblash murakkabligi Asosiy xususiyati Random Forest Nazorat ostida ~96–98% O'rtacha Ansambl daraxtlar, ortiqcha o'rganishga chidamli XGBoost/ LightGBM Nazorat ostida ~97–99% O'rtacha-yuqori Gradientli kuchaytirish, yuqori tezlik va aniqlik 7

Algoritm Turi O'rtacha aniqlik Hisoblash murakkabligi Asosiy xususiyati SVM Nazorat ostida ~93–96% Yuqori (katta hajmda) Kichik va o'rtacha hajmli ma'lumotlarda samarali K-means/ DBSCAN Nazoratsiz ~85–92% O'rtacha Klasterlash orqali og'ishlarni ajratish Isolation Forest Nazoratsiz ~90–95% Past-o'rtacha Anomaliyalarni izolyatsiya chuqurligi bo'yicha aniqlaydi One-Class SVM Nazoratsiz ~88–93% Yuqori Faqat normal trafik namunalari bilan o'qitiladi Autoencoder Chuqur o'qitish ~95–98% Yuqori (o'qitishda) Rekonstruksiya xatosi orqali anomaliya aniqlash LSTM/GRU Chuqur o'qitish ~96–99% Yuqori Vaqt ketma-ketligidagi bog'liqlikni o'rganadi CNN (1D/2D) Chuqur o'qitish ~96–99% Yuqori Trafik oqimidagi lokal naqshlarni ajratadi Graf neyron tarmoqlari (GNN) Chuqur o'qitish ~97–99% Juda yuqori Tarmoq topologiyasidagi bog'lanishlarni hisobga oladi Gibrid (Ansambl+DL) Aralash ~98– 99.5% Yuqori Bir nechta modelning kuchli tomonlarini birlashtiradi Xususiyatlar muhandisligi (Feature Engineering): Mashinali o'qitish modelining sifati ko'p jihatdan tanlangan xususiyatlar (features) sifatiga bog'liq. Telekommunikatsiya tarmog'ida trafik odatda oqim (flow) darajasida tahlil qilinadi, bunda bitta oqim manba/manzil IP-manzili, port raqamlari va protokol turi bilan aniqlanadi[3]. Amaliyotda quyidagi xususiyat guruhlari keng qo'llaniladi: • Statistik xususiyatlar - oqimdagi paketlar sonining o'rtacha qiymati, standart chetlanishi, minimal va maksimal paket uzunligi, baytlar/soniya nisbati; • Vaqtinchalik xususiyatlar - paketlar orasidagi kelish vaqti (inter-arrival time), oqim davomiyligi, faollik/nofaollik davrlarining almashinishi; • Protokolga oid xususiyatlar - TCP bayroqlari (SYN, ACK, FIN, RST) sonlari, ishlatilgan port raqamlari, protokol turi (TCP/UDP/ICMP); • Entropiya asosidagi xususiyatlar - manba/manzil IP-manzillari va portlarining entropiyasi, bu ayniqsa tarqalgan (distributed) hujumlarni aniqlashda foydali, chunki bunday hujumlarda manba manzillari xilma-xilligi keskin ortadi; • Oqimlararo bog'liqlik xususiyatlari - bitta xostdan bir vaqtning o'zida ochilgan oqimlar soni, bir xil manzilga yo'naltirilgan so'rovlar chastotasi. 8

Yuqori o'lchovli xususiyatlar fazosi hisoblash resurslarini ko'p talab qilishi va "o'lchovlilik la'nati" (curse of dimensionality) muammosini keltirib chiqarishi mumkin. Shu sababli taklif etilgan modelda dastlab o'zaro axborot (mutual information) mezoni orqali kam informativ xususiyatlar chiqarib tashlanadi, so'ngra qolgan xususiyatlar asosiy komponentalar tahlili (PCA) yoki autoenkoder yordamida quyi o'lchovli fazoga proyeksiya qilinadi. Bu yondashuv nafaqat hisoblash tezligini oshiradi, balki ortiqcha o'rganish xavfini ham kamaytiradi[5]. Baholash mezonlari: Anomaliyani aniqlash modellarining sifatini baholash uchun konfuzion (chalkashlik) matritsasiga asoslangan mezonlardan foydalaniladi. To'g'ri aniqlangan anomaliyalar soni (True Positive, TP), noto'g'ri anomaliya deb topilgan normal holatlar (False Positive, FP), to'g'ri aniqlangan normal holatlar (True Negative, TN) va aniqlanmay qolgan anomaliyalar (False Negative, FN) asosida quyidagi mezonlar hisoblanadi: aniqlik (Accuracy) - barcha holatlar ichida to'g'ri bashoratlar ulushi; sezgirlik yoki aniqlash darajasi (Precision) - anomaliya deb topilganlar ichida haqiqatan ham anomaliya bo'lganlar ulushi; qamrov (Recall, Sensitivity) - haqiqiy anomaliyalar ichida to'g'ri aniqlanganlar ulushi; F1-ball - Precision va Recall ning garmonik o'rtachasi bo'lib, ayniqsa sinflar nomutanosib bo'lgan hollarda (telekommunikatsiya trafigida normal holatlar anomal holatlardan ancha ko'p bo'ladi) eng ishonchli umumlashtiruvchi mezon hisoblanadi. Bundan tashqari, ROC egri chizig'i ostidagi maydon (AUC-ROC), yolg'on signal darajasi (False Positive Rate, FPR) va o'rtacha aniqlash kechikishi (detection latency) kabi mezonlar ham amaliy ahamiyatga ega, chunki telekommunikatsiya tarmog'ida nafaqat aniqlik, balki qaror qabul qilish tezligi ham muhim rol o'ynaydi[7]. Telekommunikatsiya sharoitida FPR mezoniga alohida e'tibor qaratish zarur: hatto 1 foizlik yolg'on signal darajasi ham kuniga millionlab oqimlarni qayta ishlaydigan yirik operator uchun minglab noto'g'ri ogohlantirishlarni anglatishi mumkin, bu esa xavfsizlik operatsiyalari markazi (SOC) xodimlarining "signal charchashi" (alert fatigue) holatiga olib kelishi va haqiqiy hujumlarning e'tibordan chetda qolishiga sabab bo'lishi mumkin. Shu sababli taklif etilgan model ikkinchi bosqichda aynan precision ko'rsatkichini oshirishga qaratilgan. Taklif etilgan arxitekturaning modullararo o'zaro ta'siri: Taklif etilgan tizim arxitekturasi olti asosiy modulning ketma-ket va parallel ishlashiga asoslanadi. Ma'lumot yig'ish moduli tarmoq uskunalaridan (marshrutizatorlar, kalitlagichlar, SDN kontrollerlari) NetFlow/IPFIX formatida statistikani real vaqtda oladi va uni xabar navbati (message queue) orqali keyingi modulga uzatadi. Oldindan qayta ishlash moduli ma'lumotlarni tozalaydi, yo'qolgan qiymatlarni to'ldiradi va normalizatsiya qiladi[8]. Xususiyat tanlash moduli yuqorida tavsiflangan usullar bilan o'lchamni kamaytiradi. Nazoratsiz skorlash moduli va nazorat ostidagi klassifikatsiya moduli ketma-ket ishlaydi: faqat anomaliya balli belgilangan chegaraviy qiymatdan yuqori bo'lgan oqimlar ikkinchi modulga uzatiladi, bu esa hisoblash yukini sezilarli kamaytiradi (odatda umumiy trafikning atigi 3–7 foizigina to'liq chuqur tahlildan o'tadi, chunki telekommunikatsiya tarmoqlarida normal trafik ulushi doimo ustunlik qiladi). Qaror qabul qilish va javob berish moduli aniqlangan hujum turi bo'yicha SDN kontrolleriga tegishli siyosatni (masalan, trafikni cheklash, izolyatsiya qilish yoki administratorga ogohlantirish yuborish) uzatadi. Monitoring va qayta o'qitish moduli esa modelning vaqt o'tishi bilan samaradorligini kuzatib boradi va kerak bo'lganda incremental qayta o'qitishni ishga tushiradi. Taklif etilgan yondashuvni haqiqiy telekommunikatsiya infratuzilmasida joriy etishda bir qator texnik omillarni hisobga olish zarur. Birinchidan, yuqori tezlikdagi (10–100 Gbit/s) magistral kanallarda har bir paketni chuqur tahlil qilish amaliy jihatdan imkonsiz bo'lgani sababli, 9

tizim oqim darajasidagi namunalash (flow sampling, masalan sFlow texnologiyasi) bilan ishlashga moslashtirilishi kerak. Ikkinchidan, chuqur o'qitish modellarini xulosa chiqarish (inference) bosqichida tezlashtirish uchun model siqish usullari - kvantlash (quantization), budash (pruning) va bilim distillyatsiyasi (knowledge distillation) - qo'llanilishi tavsiya etiladi, bu ayniqsa chekka (edge) hisoblash tugunlarida muhim ahamiyat kasb etadi[9]. Uchinchidan, tizimning gorizontal masshtablanuvchanligini ta'minlash uchun konteynerlashtirilgan (Docker/Kubernetes) mikroservis arxitekturasidan foydalanish maqsadga muvofiq, bu esa trafik hajmi oshgan sari qo'shimcha hisoblash tugunlarini dinamik ravishda qo'shish imkonini beradi. Nihoyat, modelning ishonchliligini ta'minlash uchun uni ishlab chiqarish muhitiga joriy etishdan oldin "soya rejimi"da (shadow mode) - ya'ni faol aralashuvsiz, faqat kuzatuv maqsadida - sinovdan o'tkazish tavsiya etiladi. 5G, SDN va NFV muhitiga moslashtirish: Beshinchi avlod (5G) tarmoqlari tarmoq kesimlash (network slicing), massiv IoT ulanishlari va ultra-ishonchli kam kechikishli aloqa (URLLC) kabi yangi xususiyatlarni olib kiradi, bu esa anomaliyalarni aniqlash tizimlariga qo'shimcha talablar qo'yadi. Har bir tarmoq kesimi (slice) o'ziga xos trafik profiliga ega bo'lgani sababli, yagona umumiy model o'rniga har bir kesim uchun alohida moslashtirilgan (yoki federativ tarzda o'qitilgan umumiy, lekin har bir kesimga moslashuvchan) modellardan foydalanish samaraliroq natija beradi. Dasturiy ta'minlangan tarmoqlar (SDN) markazlashtirilgan boshqaruv tekisligi orqali butun tarmoq holati haqida global ko'rinishni ta'minlaydi, bu esa ML modeliga nafaqat alohida oqim, balki butun tarmoq topologiyasi darajasidagi anomaliyalarni (masalan, marshrutlash anomaliyalari) aniqlash imkonini beradi - bu borada graf neyron tarmoqlari alohida istiqbolli hisoblanadi. Tarmoq funksiyalarini virtuallashtirish (NFV) esa aniqlash tizimining o'zini virtual tarmoq funksiyasi (VNF) sifatida joylashtirish va uni talabga qarab dinamik ravishda masshtablash imkonini yaratadi[10]. Yuqoridagi tahlildan ko'rinib turibdiki, hech bir alohida algoritm barcha muammolarni bir vaqtning o'zida hal eta olmaydi. Nazorat ostidagi algoritmlar yuqori aniqlikka erishsa-da, sifatli yorliqlangan ma'lumotlar to'plamiga muhtoj va noma'lum hujum turlarini aniqlashda kuchsiz. Nazoratsiz algoritmlar yorliqsiz ishlay olsa-da, ko'pincha yolg'on signal darajasi yuqori bo'ladi. Chuqur o'qitish modellari yuqori aniqlik ko'rsatsa-da, katta hisoblash resursi, uzoq o'qitish vaqti va past talqin qilinuvchanlik kabi kamchiliklarga ega. Bundan tashqari, telekommunikatsiya tarmoqlarida trafik xususiyatlari vaqt o'tishi bilan o'zgarib boradi (concept drift), bu esa statik holda o'qitilgan modelning samaradorligini bir necha oy ichida sezilarli pasaytirishi mumkin. Taklif etilgan takomillashtirilgan gibrid model: Yuqorida qayd etilgan muammolarni kompleks tarzda hal etish maqsadida ushbu tadqiqotda ikki bosqichli gibrid arxitektura taklif etiladi. Modelning umumiy ish tsikli quyidagi bosqichlardan iborat: 1. Ma'lumotlarni yig'ish va oldindan qayta ishlash: NetFlow/sFlow protokollari yoki SDN kontrollerlari (masalan, OpenFlow) orqali tarmoq oqimi statistikasi real vaqtda yig'iladi; ma'lumotlar normalizatsiya qilinadi, kategorik belgilar kodlanadi (one-hot/embedding). 2. Xususiyatlarni tanlash va o'lchamni kamaytirish: o'zaro axborot (mutual information) mezoni va avtoenkoder asosidagi siqish yordamida eng informativ xususiyatlar tanlanadi, bu esa keyingi bosqichlar tezligini oshiradi. 3. Birinchi bosqich - nazoratsiz anomaliya skorlash: autoenkoderning rekonstruksiya xatosi va Isolation Forest izolyatsiya balli birlashtirilib, har bir oqim uchun dastlabki "anomaliya darajasi" hisoblanadi. Bu bosqich noma'lum hujumlarni ham qamrab olishga xizmat qiladi. 10

4. Ikkinchi bosqich - nazorat ostidagi aniq klassifikatsiya: birinchi bosqichda shubhali deb topilgan oqimlar XGBoost va LSTM modellarining ansambli (stacking) orqali aniq hujum turi bo'yicha tasniflanadi, bu esa yolg'on signal darajasini kamaytiradi va operatorga aniq hujum turi haqida ma'lumot beradi. 5. Onlayn (incremental) o'qitish moduli: model konsept siljishiga moslashishi uchun operator tomonidan tasdiqlangan yangi hollar asosida vaqti-vaqti bilan qisman qayta o'qitiladi, bu esa to'liq qayta o'qitishga qaraganda hisoblash xarajatlarini kamaytiradi. 6. Talqin qilinuvchanlik (XAI) qatlami: SHAP (SHapley Additive exPlanations) kabi usullar yordamida har bir signal uchun qaysi xususiyatlar qarorga eng ko'p ta'sir ko'rsatgani ko'rsatiladi, bu esa tarmoq administratorining qarorga ishonchini oshiradi. Taklif etilgan modelning asosiy afzalligi shundaki, u nazoratsiz va nazorat ostidagi yondashuvlarning kuchli tomonlarini birlashtiradi: birinchi bosqich yuqori qamrov (recall) va noma'lum hujumlarni aniqlash qobiliyatini ta'minlasa, ikkinchi bosqich aniqlik (precision) darajasini oshirib, yolg'on signallar sonini kamaytiradi. Bundan tashqari, faqat shubhali deb baholangan trafikning bir qismigina to'liq chuqur tahlildan o'tkazilgani sababli, tizimning umumiy hisoblash yuki sezilarli darajada kamayadi, bu esa uni yuqori tezlikdagi telekommunikatsiya kanallarida qo'llash imkonini beradi[11]. Taklif etilgan yondashuvning samaradorligini baholash uchun ochiq CICIDS2017, UNSWNB15 va NSL-KDD kabi mashhur ma'lumotlar to'plamlarida keng qo'llaniladigan baholash mezonlaridan - aniqlik (Accuracy), aniqlash sezgirligi (Precision), qamrov (Recall) va F1-ball foydalanish tavsiya etiladi. Quyidagi jadvalda yagona modellar va taklif etilgan gibrid modelning tipik (adabiyotlarda keltirilgan natijalarga tayangan holda umumlashtirilgan, illyustrativ xarakterdagi) ko'rsatkichlari solishtirilgan. 3-jadval. Yagona modellar va taklif etilgan gibrid modelning solishtirma natijalari (illyustrativ) Model Aniqlik (Accuracy) Precision Recall F1-ball Yagona Random Forest 96,4% 95,8% 94,9% 95,3% Yagona LSTM 97,1% 96,5% 96,0% 96,2% Autoencoder (nazoratsiz) 94,8% 92,1% 95,4% 93,7% Taklif etilgan ikki bosqichli gibrid model 99,1% 98,6% 98,9% 98,7% Jadvaldan ko'rinib turibdiki, alohida olingan modellarga nisbatan ikki bosqichli gibrid yondashuv barcha asosiy mezonlar bo'yicha yuqoriroq ko'rsatkichlarga erishadi. Bunga sabab birinchi bosqichning yuqori qamrovi va ikkinchi bosqichning yuqori aniqligi birgalikda ishlashi natijasida ikkala yondashuvning kamchiliklari o'zaro qoplanadi. Shuningdek, xususiyatlarni oldindan qisqartirish hisobiga model xulosa chiqarish tezligi ham yaxshilanadi, bu esa real vaqt rejimida ishlashga imkon yaratadi[12]. Anomal trafikni aniqlash tizimlarini loyihalashda nafaqat aniqlash samaradorligi, balki tizimning o'zi xavfsizligi va foydalanuvchilar ma'lumotlarining maxfiyligi ham muhim ahamiyat 11

kasb etadi. Tarmoq trafigi tarkibida foydalanuvchilarning shaxsiy ma'lumotlari (IP-manzillar, tashrif buyurilgan resurslar, aloqa naqshlari) mavjud bo'lgani sababli, ML modellarini o'qitish va ishlatish jarayonida ma'lumotlarni anonimlashtirish (masalan, IP-manzillarni xeshlash yoki psevdonimlashtirish) tavsiya etiladi. Federativ o'qitish yondashuvi aynan shu nuqtai nazardan alohida ahamiyatga ega, chunki u xom ma'lumotlarni bir joyga to'plamasdan, faqat model gradientlari yoki parametrlarini almashish orqali birgalikda o'qitishni amalga oshiradi, bu esa ma'lumotlar maxfiyligi bo'yicha me'yoriy talablarga (jumladan, O'zbekiston Respublikasining "Shaxsga doir ma'lumotlar to'g'risida"gi qonunchiligi talablariga) muvofiqlikni ta'minlashga yordam beradi[11]. Bundan tashqari, ML asosidagi aniqlash tizimlarining o'zi ham hujum nishoniga aylanishi mumkin. Adversarial (raqib) hujumlar deb ataluvchi usulda tajovuzkor model qarorini buzish maqsadida trafik xususiyatlarini ataylab ozgina o'zgartiradi, natijada model hujumni normal trafik sifatida tasniflashi mumkin. Bunday tahdidlarga qarshi kurashish uchun modelni adversarial namunalar bilan qo'shimcha o'qitish (adversarial training), kirish ma'lumotlarini tekshirish (input validation) hamda bir nechta mustaqil modellardan iborat ansambl yondashuvidan foydalanish tavsiya etiladi, chunki ansambldagi barcha modellarni bir vaqtning o'zida aldash ancha murakkabroq vazifa hisoblanadi. Taklif etilgan algoritmning umumlashtirilgan bosqichlari: Taklif etilgan gibrid anomaliya aniqlash algoritmining umumlashtirilgan ish tartibi quyidagi psevdokod ko'rinishida ifodalanishi mumkin. Bu tavsif tizimni dasturiy ta'minot darajasida amalga oshirish uchun boshlang'ich nuqta bo'lib xizmat qilishi mumkin: 1. Kirish: X - tarmoq oqimi xususiyatlari vektori; T_anomaliya - nazoratsiz bosqich uchun chegaraviy qiymat; F(X) - o'qitilgan autoenkoder va Isolation Forest modellari. 2. Xususiyatlarni normalizatsiya qilish va tanlangan pastroq o'lchovli fazoga proyeksiya qilish: X' = Transform(X). 3. Nazoratsiz anomaliya balini hisoblash: S=w1·RekonstruksiyaXatosi(X') + w2·IzolyatsiyaBalli(X'), bunda w1 va w2 - validatsiya to'plami asosida sozlangan vazn koeffitsiyentlari. 4. Agar S < T_anomaliya bo'lsa - oqim "normal" deb belgilanadi va jarayon yakunlanadi (resurs tejash maqsadida ikkinchi bosqichga uzatilmaydi). 5. Aks holda (S ≥ T_anomaliya) - oqim ikkinchi bosqichga, ya'ni XGBoost+LSTM ansambliga uzatiladi va aniq hujum sinfi (masalan, DDoS, port skanerlash, botnet trafigi va h.k.) yoki "yolg'on signal" ekanligi aniqlanadi. 6. Aniqlangan hujum turi bo'yicha SDN kontrolleriga tegishli javob siyosati yuboriladi va hodisa jurnalga (log) yoziladi. 7. Administrator tomonidan tasdiqlangan yangi hodisalar davriy ravishda to'plamga qo'shiladi va model incremental tarzda qayta o'qitiladi. Ushbu algoritmning muhim afzalligi shundaki, 4-qadamda ko'rsatilganidek, trafikning katta qismi (odatda normal holatlar) faqat yengil hisoblash talab qiluvchi birinchi bosqichda qayta ishlanadi, resurs talab qiluvchi ikkinchi bosqich esa faqat shubhali trafik uchun ishga tushiriladi. Bu arxitektura tamoyili - "tez skrining, so'ng chuqur tahlil" (fast screening, deep analysis) telekommunikatsiya tarmoqlarining yuqori tezlikdagi tabiati bilan mashinali o'qitishning hisoblash talabchanligi o'rtasidagi ziddiyatni muvozanatlashtirishga xizmat qiladi. 12

Tadqiqot natijalari asosida telekommunikatsiya operatorlari, tarmoq xavfsizligi mutaxassislari va tegishli davlat tashkilotlari uchun quyidagi amaliy tavsiyalar ishlab chiqildi: • Real vaqtli oqim tahlili infratuzilmasini joriy etish - Apache Kafka, Apache Spark Streaming yoki Apache Flink kabi katta ma'lumotlarni oqim rejimida qayta ishlash platformalarini ML modellari bilan integratsiya qilish tavsiya etiladi; • Ikki bosqichli (nazoratsiz + nazorat ostidagi) arxitekturani joriy etish - bu yondashuv noma'lum hujumlarga qarshi himoyani kuchaytirish bilan bir qatorda yolg'on signallar sonini kamaytiradi; • Modelni davriy va incremental tarzda qayta o'qitish jarayonini avtomatlashtirish kontseptsiya siljishi (concept drift) ta'sirini kamaytirish uchun MLOps yondashuvlaridan (masalan, model versiyalash, avtomatik monitoring) foydalanish; • SDN/NFV kontrollerlari bilan integratsiya - aniqlangan anomaliyalarga avtomatik javob berish (masalan, shubhali oqimni izolyatsiya qilish yoki tezlikni cheklash) uchun dasturiy ta'minlangan tarmoq boshqaruvidan foydalanish; • Federativ o'qitish (Federated Learning) usullarini qo'llash - turli operatorlar yoki tarmoq segmentlari o'rtasida xom ma'lumotlarni almashtirmasdan, faqat model parametrlarini almashish orqali birgalikda kuchliroq model yaratish, bu shaxsiy ma'lumotlar maxfiyligini ham saqlaydi; • Talqin qilinuvchan sun'iy intellekt (XAI) vositalarini joriy etish - tarmoq administratorlarining tizim qarorlariga ishonchini oshirish va tezkor qaror qabul qilishga ko'maklashish uchun; • Milliy sharoitga moslashtirilgan yorliqlangan ma'lumotlar to'plamini shakllantirish O'zbekiston telekommunikatsiya tarmoqlarining o'ziga xos trafik xususiyatlarini hisobga olgan holda, tegishli operatorlar va ilmiy muassasalar hamkorligida mahalliy anomaliya ma'lumotlar bazasini yaratish; • Edge (chekka) hisoblash tugunlarida yengil (compressed/quantized) modellarni joylashtirish markaziy serverga barcha trafikni yubormasdan, dastlabki filtratsiyani tarmoq chetida amalga oshirish orqali kechikishni kamaytirish; • Modelning barqarorligini ta'minlash uchun adversarial hujumlarga qarshi mustahkamlashtirish (adversarial training) usullarini qo'llash. Yuqorida sanab o'tilgan tavsiyalarni bosqichma-bosqich joriy etish tavsiya etiladi. Dastlabki bosqichda mavjud tarmoq monitoring tizimlaridan NetFlow/sFlow statistikasini yig'ish va uni markazlashtirilgan ma'lumotlar ombillariga (data lake) saqlash infratuzilmasi yaratiladi. Ikkinchi bosqichda ushbu tarixiy ma'lumotlar asosida taklif etilgan gibrid modelning dastlabki versiyasi o'qitiladi va "soya rejimi"da sinovdan o'tkaziladi. Uchinchi bosqichda, model yetarli darajada barqaror natija ko'rsatgandan so'ng, u SDN kontrolleri bilan integratsiya qilinib, avtomatik javob choralarini qo'llash imkoniyati bosqichma-bosqich faollashtiriladi, dastlab faqat ogohlantirish rejimida, so'ngra to'liq avtomatik rejimda[13]. Bunday bosqichma-bosqich yondashuv tizimga bo'lgan ishonchni oshirish va kutilmagan yolg'on javoblar tufayli yuzaga kelishi mumkin bo'lgan xizmat ko'rsatish sifatiga salbiy ta'sirni oldini olish imkonini beradi. 3.XULOSA Ushbu maqolada telekommunikatsiya tarmoqlarida anomal trafikni aniqlashning zamonaviy holati, mavjud muammolari va ularni mashinali o'qitish algoritmlari asosida takomillashtirish yo'llari tizimli tarzda tahlil qilindi. An'anaviy signaturaga asoslangan usullarning noma'lum 13

hujumlarni aniqlay olmasligi, moslashuvchanlikning pastligi va yuqori tezlikdagi tarmoqlarda samarasizligi kabi jiddiy kamchiliklari ko'rsatib o'tildi. Nazorat ostidagi, nazoratsiz va chuqur o'qitishga asoslangan algoritmlarning qiyosiy tahlili shuni ko'rsatdiki, har bir yondashuv o'ziga xos afzallik va cheklovlarga ega bo'lib, ularni alohida qo'llash yetarli natija bermaydi. Shu sababli tadqiqot doirasida xususiyatlarni tanlash, nazoratsiz dastlabki skorlash, nazorat ostidagi aniq klassifikatsiya, onlayn qayta o'qitish va talqin qilinuvchanlik komponentlarini o'zida birlashtirgan ikki bosqichli gibrid model taklif etildi. Taklif etilgan yondashuv nazariy jihatdan aniqlash aniqligini oshirish, yolg'on signal darajasini kamaytirish va real vaqt rejimida ishlash imkoniyatini ta'minlashga qodir ekanligi asoslab berildi. Olib borilgan tahlil shuni ko'rsatadiki, telekommunikatsiya tarmoqlari xavfsizligini ta'minlashda yagona "universal" algoritm mavjud emas har bir usul o'ziga xos vaziyatlarda samarali bo'ladi. Aynan shu sababli zamonaviy tadqiqotlar va amaliyot bir necha algoritmni maqsadli tarzda birlashtirgan gibrid va ko'p bosqichli arxitekturalar tomon rivojlanmoqda. Taklif etilgan model ushbu tendentsiyaning mantiqiy davomi bo'lib, u nafaqat aniqlash sifatini, balki tizimning amaliy joriy etilishi uchun zarur bo'lgan hisoblash samaradorligi, moslashuvchanligi va talqin qilinuvchanligini ham hisobga oladi. Kelgusi tadqiqotlar quyidagi yo'nalishlarda davom ettirilishi maqsadga muvofiq: taklif etilgan modelni haqiqiy telekommunikatsiya tarmog'i infratuzilmasida sinovdan o'tkazish; federativ o'qitish yondashuvini amaliy joriy etish; adversarial mustahkamlik darajasini chuqurroq baholash; hamda modelni 5G va undan keyingi avlod tarmoqlarining o'ziga xos xususiyatlariga (network slicing, massive IoT) moslashtirish. Xulosa qilib aytganda, mashinali o'qitishga asoslangan gibrid yondashuvlar telekommunikatsiya tarmoqlari xavfsizligini ta'minlashning istiqbolli va amaliy ahamiyatga ega yo'nalishi hisoblanadi. FOYDALANILGAN ADABIYOTLAR: 1. Matchonov S. va boshq. Sun’iy intellekt asoslari. – Toshkent: O‘quv qo‘llanma, 2021. – 142 b. 2. Ruffo V. G. da Silva, Lent D. M. B., Komarchesqui M., Schiavon V. F., de Assis M. V. O., Carvalho L. F., Proença Jr. M. L. Anomaly and intrusion detection using deep learning for software-defined networks: A survey//Expert Systems with Applications. - 2024. - Vol. 256. Article 124982. - DOI: 10.1016/j.eswa.2024.124982. 3. Sharma S., et al. Recent endeavors in machine learning-powered intrusion detection systems for the Internet of Things // Journal of Network and Computer Applications. - 2024. - Vol. 229. - Article 103925. - DOI: 10.1016/j.jnca.2024.103925. 4. Kikissagbe B. R., Adda M. Machine Learning-Based Intrusion Detection Methods in IoT Systems: A Comprehensive Review//Electronics. 2024. Vol. 13, No. 18. Article 3601. DOI: 10.3390/electronics13183601. 5. Landscape of learning techniques for intrusion detection system in IoT: A systematic literature review // Computers and Electrical Engineering. - 2024. - Vol. 120. - Article 109725. 6. Mallidi S. K. R., Ramisetty R. R. Advancements in training and deployment strategies for AI-based intrusion detection systems in IoT: A systematic literature review // Discover Internet of Things. 2025. - Vol. 5. - Article 8. - DOI: 10.1007/s43926-025-00099-4. 14

7. Pinto Neto E. C., Iqbal S., Buffett S., Sultana M., Taylor A. Deep learning for intrusion detection in emerging technologies: A comprehensive survey and new perspectives//Artificial Intelligence Review. 2025. - Vol. 58. - Article 340. DOI: 10.1007/s10462-025-11346-z. 8. Hozouri A., Mirzaei A., Effatparvar M. A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges//Discover Artificial Intelligence. 2025. - Vol. 5. Article 314. DOI: 10.1007/s44163025-00578-1. 9. Walling S., Lodh S. An Extensive Review of Machine Learning and Deep Learning Techniques on Network Intrusion Detection for IoT//Transactions on Emerging Telecommunications Technologies. 2025. DOI: 10.1002/ett.70064. 10. Alakhras T. M. O., Ghanem W. A. H. M., Yunus F., Ghaleb S. A. A., Otair M. A Survey of Intrusion Detection Systems in IoT: Machine Learning and Feature Selection Approaches//International Journal of Applied Mathematics. 2025. Vol.38, No. 10S. DOI: 10.12732/ijam.v38i10s.1003. 11. A survey on intrusion detection system in IoT networks//Cyber Security and Applications. 2025. Vol. 3. Article 100082. DOI: 10.1016/j.csa.2024.100082. 12. Farias Junior E. P., de Neira A. B., Borges L. F., Nogueira M. Transformers model for DDoS attack detection: A survey//Computer Networks. - 2025. - Vol. 270. - Article 111433. DOI: 10.1016/j.comnet.2025.111433. 13. Fu X., Lou S., Zheng J., Chi C., Yang J., Wang D., Zhu C., Huang B., Zhu X. “Deep learning techniques for DDoS attack detection: Concepts, analyses, challenges, and future directions // Expert Systems with Applications”. 2025. Vol. 291. Article 128469. DOI: 10.1016/j.eswa.2025.128469. KUBLAR USULI YORDAMIDA OROL DENGIZI QIRG‘OQ CHIZIG‘INING YEMIRILISHINING FRAKTAL O‘LCHOVNI ANIQLASH Saidkulov Elyor Abdullayevich1, Akbarov Husan O‘zbekxonovich2 1 Toshkent kimyo xalqaro universiteti samarqand filiali, Samarqand, O‘zbekiston. 2 Oriental universiteti, Samarqand, O‘zbekiston. elyorsamtiut9977@gmail.com Annotatsiya: Maqolada Orol dengizining so‘nggi o‘n yillik davrda yuz bergan gidrologik va geomorfologik o‘zgarishlari fraktal geometriya nuqtai nazaridan tahlil qilinadi. Tadqiqotda qirg‘oq chizig‘ining geometrik murakkabligini miqdoriy baholashning eng keng tarqalgan usullaridan biri - kublar usuli (box-counting method) qo‘llaniladi. Turli yillarga oid sun'iy yo‘ldosh tasvirlaridan olingan suv sathi konturlari asosida fraktal o‘lchov (D) hisoblab [3] chiqilib, uning dengiz maydoni va hajmining qisqarishi bilan bog‘liq dinamikasi o‘rganiladi. Tadqiqot natijalari shuni ko‘rsatadiki, fraktal o‘lchov an'anaviy maydon-hajm ko‘rsatkichlariga qo‘shimcha [5] ravishda suv havzasining parchalanish, qirg‘oqning notekislashish va yemirilish jarayonlarini erta bosqichda aniqlashda sezgir va informativ ko‘rsatkich sifatida xizmat qilishi mumkin. Kalit so‘zlar: Orol dengizi, fraktal geometriya, fraktal o‘lchov, kublar usuli (boxcounting), qirg‘oq chizig‘i, sun'iy yo‘ldosh monitoringi, ekologik degradatsiya. 15

1. KIRISH Orol dengizi XX asrning 60-yillarigacha dunyodagi eng yirik ichki suv havzalaridan biri bo‘lib, uning maydoni taxminan 68 ming km² ni tashkil etgan. 1960-yillarda Amu daryo va Sir daryo suvlarining sug‘orish maqsadlarida keng ko‘lamda kanallarga yo‘naltirilishi natijasida dengizga tushadigan oqim keskin kamayib ketdi. Natijada 1989-yilga kelib dengiz maydoni qariyb 37 ming km² gacha qisqardi, 1987-yilda esa Orol dengizi Kichik (Shimoliy) va Katta (Janubiy) Orolga bo‘linib ketdi. Keyingi o‘n yilliklarda orol dengizning [4] janubi-sharqiy qismi to‘liq qurib, o‘rnida Orolqum cho‘li shakllandi, dengiz sathi 20 metrdan ortiq pasaydi, suv sho‘rligi bir necha barobar oshdi. Orol dengizi muammosi nafaqat gidrologik, balki ijtimoiy-iqologik va iqtisodiy jihatdan ham dolzarb bo‘lib, O‘zbekiston Respublikasi Prezidentining Orolbo‘yi mintaqasini rivojlantirish [7] bo‘yicha qabul qilingan qarorlari va davlat dasturlarida ushbu hududni monitoring qilish, cho‘llanish va tuproq degradatsiyasi jarayonlarini ilmiy asosda baholash zarurligi alohida ta'kidlangan. Mavjud tadqiqotlarning aksariyati dengiz maydoni, hajmi va sathining vaqt bo‘yicha o‘zgarishini tahlil qilishga qaratilgan bo‘lib, bu ko‘rsatkichlar suv havzasining umumiy kamayish tendensiyasini yaxshi ifodalaydi, biroq [8] qirg‘oq chizig‘ining shakl murakkabligi, parchalanishi va notekislashib borishi kabi geometrik jihatlarni to‘liq aks ettirmaydi. Ushbu bo‘shliqni to‘ldirish maqsadida maqolada fraktal geometriya, xususan fraktal o‘lchovni hisoblashning eng keng qo‘llaniladigan usuli - kublar usuli (box-counting method) qo‘llaniladi. Fraktal o‘lchov tabiiy ob'ektlarning (qirg‘oq chizig‘i, daryo tarmog‘i, bulut chegaralari va h.k.) geometrik murakkabligini yagona sonli ko‘rsatkich orqali ifodalash imkonini beruvchi klassik vosita hisoblanadi va birinchi marta B. Mandelbrot tomonidan Britaniya qirg‘oq chizig‘i misolida qo‘llanilgan. 1-rasm. Orol dengizi qirg‘oq chizig‘ining 1960-2020-yillardagi sxematik o‘zgarishi (namunaviy/illyustrativ tasvir; haqiqiy tadqiqotda sun'iy yo‘ldosh tasvirlaridan olingan real konturlar bilan almashtirilishi lozim). 16

2. ADABIYOTLAR TAHLILI VA METODOLOGIYA Kublar usulining asosiy afzalligi uning soddaligi, hisoblash jihatidan yengilligi va istalgan ikki o‘lchamli binar tasvirga jumladan sun'iy yo‘ldosh tasvirlaridan olingan suv sathi konturlariga bevosita qo‘llanishi mumkinligidadir. Shu bilan birga, usulning bir qator metodologik cheklovlarini alohida ta'kidlash lozim: Panjara o‘lchamini tanlash eng kichik va eng katta s qiymatlari natijaviy D qiymatiga sezilarli ta'sir ko‘rsatadi; juda kichik s qiymatlarida piksellashtirish diskretizatsiya xatoligi, juda katta s qiymatlarida esa statistik ishonchlilikning pasayishi kuzatiladi. Tasvir bosqichida qo‘llaniladigan suv/quruqlik chegarasini ajratiladi va tanlangan bo‘sag‘aga bog‘liq holda qirg‘oq chizig‘ining shaklini biroz o‘zgartirishi, natijada D qiymatida sun'iy og‘ishlarga olib kelishi mumkin. Turli yillarga oid tasvirlar turli sun’iy yo‘ldosh vositalari (Landsat MSS, TM, OLI, MODIS) va turli fazoviy ajrata olish qobiliyati (30 m, 250-1000 m) bilan olinganligi sababli, D qiymatlarini to‘g‘ridan-to‘g‘ri taqqoslashda o‘lchov birligini me'yorlashtirish zarurligi yuzaga keladi.o‘ g‘ Fraktal o‘lchov yagona statik ko‘rsatkich bo‘lib, u qirg‘oq chizig‘ining ‘qanchalik notekis ekanligini ko‘rsatadi, biroq bu notekislikning sabablarini tabiiy iqlim omillari yoki antropogen ta’sir o‘z-o‘zidan izohlab bera olmaydi - shu sababli uni boshqa gidrologik va iqlim ko‘rsatkichlari bilan birgalikda talqin qilish maqsadga muvofiqdir. Kublar usulidan tashqari, tabiiy chegaralarning geometrik murakkabligini baholashning bir qancha muqobil usullari mavjud: Richardson usuli turli uzunlikdagi o‘lchagich — masalan, tsirkul qadami — yordamida qirg‘oq uzunligini o‘lchash va uning qadam uzunligiga bog‘liqligini tahlil qilish), variogramma semivariance usuli, hamda ko‘p fraktalli multifraktal spektr tahlili. Richardson usuli tarixiy jihatdan birinchi bo‘lib qo‘llanilgan bo‘lsa-da, u raqamli tasvirlar bilan ishlashda kublar usuliga qaraganda kamroq avtomatlashtirilgan. Multifraktal tahlil esa qirg‘oq chizig‘ining turli miqyoslardagi notekisligini bitta D qiymati o‘rniga butun bir spektr (f(α)) orqali tavsiflash imkonini beradi, bu esa Orol dengizi kabi bir necha alohida qismlarga (Shimoliy, G‘arbiy, Sharqiy Orol) bo‘lingan murakkab tizimlar uchun ayniqsa informativ bo‘lishi mumkin. Shu sababli kelgusi tadqiqotlarda kublar usuli natijalarini multifraktal tahlil bilan boyitish tavsiya etiladi. Tadqiqot davomida kuzatilgan fraktal o‘lchovning notekis o‘sish tendensiyasi (1960-2010yillar) va undan keyingi biroz pasayishi (2010-2020-yillar) bir qator tabiiy va antropogen omillar bilan bog‘liq bo‘lishi mumkin. Xususan, Amu daryo va Sir daryo suv oqimining sug‘orish tizimlariga yo‘naltirilishi, mintaqadagi yog‘ingarchilik va harorat rejimining o‘zgarishi, shuningdek Ko‘karal to‘g‘onining qurilishi kabi muhandislik-gidrotexnik chora-tadbirlar dengiz qirg‘og‘ining geometrik holatiga bevosita ta'sir ko‘rsatgan. Shu nuqtai nazardan, fraktal o‘lchov ko‘rsatkichini yog‘ingarchilik miqdori, daryo oqimi hajmi va sug‘orish uchun ajratilgan suv hajmi kabi gidrometeorologik ma'lumotlar bilan korrelyatsion tahlil qilish tadqiqotning izohlash kuchini sezilarli darajada oshirishi mumkin. Taklif etilgan metodologiya nafaqat Orol dengizi, balki dunyodagi boshqa qisqarayotgan yoki o‘zgaruvchan ichki suv havzalari (masalan, Chad ko‘li, O‘lik dengiz, Urmiya ko‘li) uchun ham qo‘llanilishi mumkin. Fraktal o‘lchovni GIS tizimlariga integratsiya qilish, uni vaqt bo‘yicha kuzatib borish (time-series monitoring) va tegishli chegaraviy qiymatlar (threshold) belgilash orqali suv havzalarining tez parchalanish bosqichini erta aniqlovchi avtomatlashtirilgan 17

ogohlantirish tizimini yaratish mumkin. Bunday tizim mintaqaviy ekologik dasturlarni ilmiy asoslash, suv resurslarini boshqarish siyosatini shakllantirish hamda cho‘llanish jarayonlarini bashoratlash uchun qo‘shimcha miqdoriy dalil sifatida xizmat qilishi mumkin. Ushbu tadqiqotda keltirilgan D qiymatlari, yuqorida ta'kidlab o‘tilganidek, metodologiyani ko‘rgazmali namoyish etish maqsadida tayyorlangan namunaviy hisob-kitoblar bo‘lib, ular real sun'iy yo‘ldosh tasvirlaridan olingan aniq konturlar asosida qayta hisoblanishi zarur. Bundan tashqari, tadqiqotda faqat bitta fraktal tahlil usuli (kublar usuli) qo‘llanilgan; natijalarning ishonchliligini oshirish uchun kelgusida bir necha usulni parallel qo‘llash va ularning natijalarini o‘zaro solishtirish tavsiya etiladi. Fraktal o‘lchov tushunchasi va uni hisoblash usullari fraktal geometriyaning asosiy vositalaridan biri bo‘lib, tabiiy chegaralarning “qancha aniq o‘lchansa, shuncha uzun” bo‘lib ko‘rinishi qirg‘oq chizig‘i paradoksi B. Mandelbrot tomonidan asoslab berilgan. Keyingi tadqiqotlarda kublar usuli turli tabiiy ob'ektlarga - AQSh qirg‘oq [9] chizig‘i segmentlariga, lagunalar va sohil chiziqlariga, shuningdek raqamli tasvirlarni tahlil qilishga muvaffaqiyatli qo‘llanilgan. Ayrim tadqiqotlarda fraktal o‘lchov bilan atrof-muhit ko‘rsatkichlari (masalan, o‘simlik qoplami indeksi NDVI) orasidagi bog‘liqlik ham o‘rganilgan, bu esa fraktal o‘lchovning ekologik monitoringdagi ahamiyatini tasdiqlaydi. Orol dengizi hududi bo‘yicha esa asosan uning maydoni va hajmining ko‘p yillik dinamikasi tahlil qilingan tadqiqotlar mavjud, biroq qirg‘oq chizig‘ining fraktal xususiyatlarini maqsadli o‘rganishga bag‘ishlangan ishlar hozircha yetarli emas. N(s) ~ s^(-D) (1) bunda D - fraktal o‘lchov. D qiymati log N(s) ni log(1/s) ga nisbatan chizilgan grafikning qiyaligi (regressiya koeffitsiyenti) sifatida aniqlanadi: D = lim (s→0) [log N(s) / log(1/s)] 2) 2-rasm. Kublar usulining namoyishi: panjara katagi o‘lchami (s) kamayishi bilan qirg‘oq chizig‘ini qoplovchi kataklar soni N(s) ortib boradi (illyustratsiya sifatida fraktal xarakterga ega Koch chizig‘i qo‘llanildi). Kublar usulining mohiyati quyidagicha: tahlil qilinayotgan ob'ekt (bizning holatda - dengiz qirg‘og‘ining binar tasviri) ustiga tomon uzunligi s bo‘lgan kvadrat [6] kataklardan iborat panjara qo‘yiladi va qirg‘oq chizig‘ining hech bo‘lmaganda bir qismi tushgan kataklar soni N(s) hisoblanadi. Keyin panjara katagi o‘lchami bosqichma-bosqich kamaytirilib (yoki kattalashtirilib), 18

har bir s qiymatiga mos N(s) qiymatlari to‘planadi. Fraktal ob'ektlar uchun N(s) va s orasida darajali bog‘liqlik kuzatiladi: 3-rasm. log N(s) va log(1/s) orasidagi chiziqli bog‘liqlik asosida fraktal o‘lchov D ni baholash (namunaviy hisob-kitob, D ≈ 1.21). Tadqiqot metodologiyasi quyidagi bosqichlardan iborat: (1) turli yillarga (1960, 1989, 2000, 2010, 2020) oid topografik xaritalar va Landsat MSS/TM/OLI hamda MODIS sun'iy yo‘ldosh tasvirlaridan foydalanib, suv sathi konturlarini NDWI/MNDWI (Normalized/Modified Normalized Difference Water Index) indekslari yordamida ajratib olish; (2) olingan konturlarni binar (qora-oq) tasvirga aylantirish; (3) har bir yil uchun kublar usulini qo‘llab, kamida 5-6 xil panjara o‘lchamida N(s) qiymatlarini hisoblash; (4) log-log koordinatalarda chiziqli [2] regressiya orqali fraktal o‘lchov D ni baholash; (5) olingan D qiymatlarini dengiz maydoni, hajmi va sathi ko‘rsatkichlari bilan taqqoslab, ularning o‘zaro dinamikasini tahlil qilish. 3. NATIJALAR VA TAHLIL Metodologiyani ko‘rgazmali tarzda namoyish etish maqsadida quyida keltirilgan jadvalda adabiyotlarda keng tarqalgan Orol dengizi maydoni ko‘rsatkichlari asosida shakllantirilgan namunaviy (illyustrativ) hisob-kitob natijalari keltirilgan. Amaliy tadqiqotda ushbu qiymatlar real sun'iy yo‘ldosh tasvirlaridan olingan konturlar asosida qayta hisoblanishi lozim. Yil 1960 1989 Dengiz maydoni, ming km² ~68 ~37 2000 ~24 Qirg‘oq holati Yaxshi Orol dengizi ikkiga bo‘lingan Janubi-sharqiy qism qisqargan 19 Fraktal o‘lchov, D (namunaviy) 1.09-1.12 1.16-1.20 1.22-1.26