Management and Future Technologies | Volume 2, Issue 4 | № 008

𝑘 indeksga mos keladigan 𝑘 ni olish uchun turli xesh-funksiyalar yordamida hisoblab chiqiladi. Agar kalit xesh-jadvalda mavjud bo‘lmasa, 𝑘 sloti bo‘sh slot mavjudligini tekshiradi, agar bo‘sh slot bo‘lmasa, paket mijozga qaytariladi; aks holda kalit saqlanadi hamda hisoblagich 1 ga o‘rnatiladi. Bundan tashqari, agar kalit xesh-jadvalda mavjud bo‘lsa, hisoblagich 1 ga oshiriladi va hisoblagich 𝑇 chegarasidan oshib ketganligi tekshiriladi. Chegara 𝑇 ulanishining buzilishiga ruxsat berilganligini bildiradi. Agar hisoblagich chegaradan oshib ketgan bo‘lsa, kommutator kontrollerga xulosa ma’lumotlarini yuboradi keyin kontroller kalitning MAC manzilini qora ro‘yxat jadvaliga qo‘shadi. Slotni tozalash moduli. Slotni tozalashda kirish elementi kaliti yordamida kirish mumkin bo‘lgan 𝑘 slotlar sonini oladi. So‘ngra kalitni xesh-jadvalida mavjudligini tekshiradi. Paket xususiyatlari va sinf belgilari moduli. Shubhali paketlarni aniqlashda tarmoq paketlarining manba va maqsad IP-manzili, port, protokol, paket oʻlchami hamda har bir paket uchun paketning shubhali yoki shubhali emasligini koʻrsatuvchi sinf belgilarini oʻz ichiga olgan maʼlumotlar toʻplami mavjud. Bu to‘plamni quyidagicha tavsiflash kerak bo‘ladi: Paket xususiyatlari. Har bir tarmoq paketi bir qator xususiyatlar bilan tavsiflanadi: 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 } (4.4) Bu yerda, 𝑥𝑖 − paketning o‘ziga xos xususiyatini ifodalaydi, masalan, IP-manzil, port, protokol va boshqalar. Sinf belgilari. Agar 𝑦 = 1 bo‘lsa paket shubhali bo‘lsin, agar 𝑦 = 0 bo‘lsa normal paket bo‘lsin, ya’ni 𝐹 (𝑥 ) = { 𝑦 = 1, 𝑝𝑎𝑘𝑒𝑡 𝑠ℎ𝑢𝑏ℎ𝑎𝑙𝑖 ℎ𝑖𝑠𝑜𝑏𝑙𝑎𝑛𝑎𝑑𝑖 𝑦 = 0, 𝑝𝑎𝑘𝑒𝑡 𝑧𝑎𝑟𝑎𝑟𝑙𝑖 ℎ𝑖𝑠𝑜𝑏𝑙𝑎𝑛𝑎𝑑𝑖 (4.5) Shubhali paketlar ulushini aniqlashda paket xususiyatlari va sinf belgilari asosida logistik regressiya usulidan foydalanish maqsadga muvofiq sanaladi [1, 73-b], sababi mazkur usulda ikkita ma’lumot omili o‘rtasidagi munosabatlarni topishda foydalaniladi, ya’ni 𝐿𝑅𝜐 (𝑋) = 1 1 + 𝑒 −𝑣𝑋 (4.6) Bu yerda, 𝜐 −vektor parametrlari hisoblanadi. Fishing hujumlarini aniqlash bosqichi 1-rasmda fishing hujumlarini aniqlash algoritmining blok-sxemasi taklif etilgan. Fishing hujumini aniqlash bosqichi ikkita modulga bo‘lingan. Birinchi modul URL va DNS solishtirish moduli boʻlib, unda ish vaqtini oshirish va yolg‘on xabarlarni kamaytirish uchun foydalaniladigan oq roʻyxat mavjud [2]. Oq ro‘yxat ikkita parametrni qo‘llab-quvvatlaydi: domen nomi va mos IP-manzil. Domen nomi. Har safar foydalanuvchi veb-saytga kirganda, tizim joriy veb-saytning domen nomi bilan oq ro‘yxatga mos kelishini tekshiradi. Mos IP-manzil. Agar joriy veb-sayt domeni oq ro‘yxatga mos kelsa, tizim qaror qabul qilish uchun IP-manzilni moslashtiradi [3,4,5-72-bet]. 200

Boshlash Giperhavola [n] Ha Giperhavola [n]=0 Yo q Veb-sahifa fishing hisoblanadi Ha Giperhavola [i]=# Veb-sahifa fishing hisoblanadi Yo q Sonini hisoblash (o z domenini ko rsatuvchi giperhavolalar soni) Nisbatni hisoblash =1-hisoblash/n Ha Nisbat> chegara Yo q Veb-sahifa qonuniy va domenni oq ro yxatga qo shish Veb-sahifa fishing hisoblanadi Tamom 1-rasm. Fishing hujumlarini aniqlash algoritmining blok-sxemasi Agar foydalanuvchi oq ro‘yxatga kiritilgan veb-saytga kirsa, DNS hujumini tekshirish uchun tegishli domenning IP-manzilini moslashtiradi. Oq ro‘yxat noldan boshlanadi. Bu shuni anglatadiki, dastlab ro‘yxatda hech qanday domen bo‘lmaydi va foydalanuvchi yangi veb-sahifalarga kirishi bilanoq oq ro‘yxat o‘sish tartibida to‘ldirilishni boshlaydi. 2-rasmda tarmoq trafigida shubhali paketlarni aniqlash tuzilmasi taklif etilgan[6,67-bet]. 201

Paket xususiyatlari va sinf belgilari moduli Slotga qo shish moduli Yumshatish bosqichi Slotni tozalash moduli Aniqlash bosqichi Fishing hujumlarini aniqlash algoritmining blok-sxemasi URL va DNS solishtirish moduli Fishingni identifikatsiyalash moduli Fishing hujumlarini aniqlash bosqichi Veb-sahifa Qora ro yxat jadvali buzg unchining MAC manzilini blokirovka qiladi Oq ro yxat jadvali paketning manba MAC manzilini tekshiradi Yo naltirish jadvali paketlarni tegishli chiqish portiga yo naltiradi Sinxronizatsiyani tekshirish jadvali, agar paket 256 ta yozuvdan biriga mos kelsa, bajariladi Tasdiqlash jadvali paketning ACK raqamini tekshiradi 2-rasm. Tarmoq trafigida shubhali paketlarni aniqlash tuzilmasi Foydalanuvchi veb-saytga kirganida, ikkita imkoniyat mavjud: yoki foydalanuvchi vebsaytga birinchi marta yoki u allaqachon veb-saytga kirib bo‘lgan. Agar foydalanuvchi saytga birinchi marta kirsa, sayt domeni oq ro‘yxatda bo‘lmaydi. Bunday holda ikkinchi modul ishlashni boshlaydi, fishingni identifikatsiyalash moduli veb-sahifaning fishing ekanligini tekshiradi va veb-sahifadan giperhavolalarni qabul qiladi va giperhavolalarni fishingni aniqlash algoritmiga yo‘naltiradi. Fishingni aniqlash algoritmi qaror qabul qilish uchun giperhavolalar xususiyatlarini tahlil qiladi. Tarmoq trafigida shubhali paketlarni aniqlash tuzilmasi asosida 3-rasmda shubhali paketlarni aniqlash algoritmining blok-sxemasi taklif etilgan. 202

Aniqlash bosqichi Boshlash Veb-sahifa Slotni tozalash moduli Yumshatish bosqichi Slotga qo shish moduli Ha Qora ro yxat jadvali buzg unchining MAC-manzilini blokirovka qiladi Paket xususiyatlari va belgilari bilan moduli Yo q Oq ro yxat jadvali paketning manba MACmanzilini tekshiradi Fishing hujumlarini aniqlash bosqichi Ha Fishingni identifikatsiyalash moduli Yo q Yo q Ha URL va DNS solishtirish moduli Tasdiqlash jadvali paketning ACK raqamini tekshiradi Tamom 3-rasm. Tarmoq trafigida shubhali paketlarni aniqlash algoritmining blok-sxemasi Veb havolani zararsizligini tekshirgandan so‘ng, agar sayt fishing bo‘lsa, tizim foydalanuvchini ogohlantiradi. Agar sayt zararsiz bo‘lsa, tizim oq ro‘yxatdagi domenni yangilashga imkon beradi. Tarmoq trafigidagi shubhali paketlarni aniqlash boʻyicha taklif etilgan algoritm giperhavola funksiyalaridan foydalanib veb-sahifaning zararsizligini tekshirish va domenlarni soxta hujumlardan himoya qilishga imkon beradi. Xulosa: Maqolada taklif etilgan model korporativ tarmoqlarda zararli trafikni aniqlashda an’anaviy usullarga nisbatan samaraliroq ekanligi ko‘rsatib berilgan. Paketlarning IP va MAC manzillari, port raqamlari, protokol turi va hajmi kabi xususiyatlar asosida trafikni chuqur tahlil qilish imkoniyati yaratiladi. Qora va oq ro‘yxatlar, xesh-jadvallar hamda logistik regressiya usulidan foydalanish shubhali faoliyatni tez va aniq aniqlashga yordam beradi. Bundan tashqari, fishing hujumlarini aniqlash uchun URL va DNS tekshiruv mexanizmlarining qo‘llanilishi foydalanuvchilarni soxta saytlar orqali amalga oshiriladigan hujumlardan 203

himoyalash imkonini beradi. Umuman olganda, taklif etilgan algoritmlar tarmoq xavfsizligini oshirish, real vaqt rejimida tahdidlarni aniqlash va kiberhujumlarga qarshi samarali himoya tizimini yaratishga xizmat qiladi. Foydalanilgan adabiyotlar 1. А.С. Потаповa, В.В. Батищева, Ш. Панc. Улучшение качества распознавания в сетях глубокого обучения с помощью метода имитации отжига. Научно-технический вестник информационных технологий, механики и оптики Scientific and Technical Journal of Information Technologies, Mechanics and Optics 2014, № 5 (93), стр.71-76 2. Gulomov Sherzod Rajaboevich, Kadirov Mir-Xusan Mirpulatovich, Tashev Sarvar Norboboevich. The structure of tracking suspicious packets in network traffic. 2023 International Conference on Information Science and Communications Technologies (ICISCT) , Tashkent, Uzbekistan, pp.4 3. Gulomov Sh.R., Kadirov M.M., Karimova N.A., Raximjonov U.Sh. Building a k-means algorithm to reduce false positives when determining a network attacks. International Journal of Advanced Research in Science, Engineering and Technology. Vol. 6, Issue 10 , October 2019. – P. 11107-11111 4. Sh.R.G‘ulomov. Uzfirewall-next generation firewall apparat-dasturiy vositasining funksional strukturasi. «Xalq xo‘jaligi sohasida ilg‘or texnologiyalar tadbiqi muammolari» mavzusidagi hududiy ilmiy-texnik konferensiyasi 2023-yil, 27-dekabr, Nukus. -B.136-140 5. Бороненко Т. А., Кайсина А. В., Федотова В. С. Концептуальная модель понятия цифровой грамотности // Перспективы науки и образования. 2020. № 4 (46). - С. 47-73. doi: 10.32744/ pse.2020.4.4 6. Н.В. Родионов, Р.С. Загидуллин. Разработка концептуальной модели информационной среды инноваций. International Scientific Conference Proceedings PIT 2021 “Advanced Information Technologies and Scientific Computing”, -С. 580-583 204

АЛГОРИТМИЧЕСКИЙ КОД АНАЛИЗ С.Б.Пардабаев1, З.Н.Азимова2 University of Management and future Technologies, University of Management and future Technologies forzillas099@gmail.com Аннотация: В работе рассматривается роль комбинаторики в анализе устойчивости PIN-кодов как одного из базовых механизмов защиты информации в условиях цифровизации. Показано, что повседневно используемые коды и пароли могут быть исследованы с точки зрения вероятностных и комбинаторных моделей, позволяющих количественно оценить степень их защищённости от подбора. Особое внимание уделяется практической значимости комбинаторных методов, лежащих в основе современных алгоритмов шифрования и криптоанализа. На примере PIN-кодов демонстрируется, что даже простые математические рассуждения позволяют делать обоснованные выводы о реальной надёжности систем информационной безопасности. Работа подчёркивает связь теоретических основ дискретной математики с прикладными задачами защиты данных и формирует представление о комбинаторике как важном инструменте анализа криптоустойчивости. Ключевые слова: Комбинаторика, дискретная математика, информационная безопасность, PIN-код, криптоустойчивость, защита данных, вероятность, подбор паролей. 1. Введение В условиях стремительного развития цифровых технологий проблема защиты информации приобретает особую актуальность. Персональные и конфиденциальные данные пользователей хранятся в мобильных устройствах, банковских системах и онлайн-сервисах, доступ к которым, как правило, осуществляется с помощью паролей и PIN-кодов. Эти сравнительно простые символьные или числовые комбинации выступают первичным барьером между пользователем и потенциальным злоумышленником, поэтому оценка их надёжности имеет важное практическое значение. Естественным образом возникает вопрос о том, насколько защищён стандартный PIN-код и можно ли количественно оценить вероятность его подбора. Для ответа на данный вопрос целесообразно обратиться к комбинаторике — разделу дискретной математики, изучающему способы подсчёта, выбора и расположения элементов из конечных множеств. Комбинаторный подход позволяет определить общее число возможных вариантов PIN-кодов и на этой основе оценить вероятность успешного взлома при случайном или систематическом подборе. Значимость рассматриваемой темы обусловлена тем, что комбинаторные методы лежат в основе множества алгоритмов, применяемых в криптографии, защите информации и криптоанализе. Понимание принципов комбинаторики позволяет не только решать абстрактные математические задачи, но и применять полученные знания для анализа реальных систем безопасности, в том числе для оценки криптоустойчивости паролей и кодов доступа. В рамках данной работы комбинаторика рассматривается как инструмент анализа стойкости PIN-кодов. Показано, что даже простые математические модели, основанные на подсчёте числа возможных комбинаций и оценке вероятностей, позволяют сделать обоснованные 205

выводы о фактической надёжности защитных механизмов. Тем самым подчёркивается тесная связь между теоретическими основами дискретной математики и практическими задачами обеспечения информационной безопасности в современных цифровых системах. 2.Понятие и область применения комбинаторики Комбинаторика является разделом дискретной математики, изучающим методы подсчёта, выбора и упорядочивания элементов конечных множеств. Основная задача комбинаторики заключается в определении числа возможных вариантов реализации некоторого события или структуры при заданных условиях. В отличие от непрерывных разделов математики, комбинаторика оперирует дискретными объектами, что делает её особенно важной для анализа процессов, связанных с конечным числом состояний и решений. Формирование комбинаторики как самостоятельной математической дисциплины было обусловлено практическими задачами, связанными с теорией вероятностей, теорией чисел и анализом алгоритмов. Со временем комбинаторные методы стали неотъемлемой частью многих направлений современной науки и техники, в частности информатики, криптографии и теории алгоритмов. Комбинаторика обеспечивает строгий математический аппарат для оценки сложности задач, количества возможных конфигураций и вариантов перебора. Область применения комбинаторики чрезвычайно широка. В информационных технологиях и компьютерных науках она используется при анализе алгоритмов, оценке вычислительной сложности и проектировании структур данных. В криптографии комбинаторные модели лежат в основе оценки стойкости шифров, паролей и PIN-кодов, поскольку позволяют определить общее число возможных ключей и вероятность их подбора. В теории связи и сетевых технологиях комбинаторика применяется при анализе маршрутизации, кодирования информации и распределения ресурсов. Комбинаторика также широко применяется в экономике, логистике и управлении, где необходимо оптимально распределять ресурсы, планировать расписания и анализировать возможные сценарии развития процессов. В естественных науках, таких как физика и биология, комбинаторные методы используются при моделировании состояний сложных систем и анализе структурных комбинаций элементов. Таким образом, комбинаторика представляет собой не только теоретическую математическую дисциплину, но и универсальный инструмент прикладного анализа. Её методы позволяют формализовать и решать широкий круг задач, связанных с подсчётом, выбором и упорядочиванием вариантов, что делает комбинаторику важной составной частью современного научного и инженерного знания. Хотя комбинаторика часто воспринимается как чисто теоретическая дисциплина, на практике она применяется в самых разных сферах: в информатике — для проектирования алгоритмов, хэш-функций, структур данных и генераторов случайных чисел; в криптографии — для анализа количества возможных ключей и устойчивости систем шифрования; в биоинформатике — для изучения комбинаций генов; в теории вероятностей — для расчета вероятностей сложных событий. Таким образом, комбинаторика — это универсальный инструмент, который соединяет абстрактную математику с реальными задачами современного мира. 206

Основные виды комбинаторных соединений Основная цель комбинаторики — подсчитать количество возможных способов выбора или упорядочивания элементов. Для этого используются три базовых типа комбинаторных конструкций: перестановки, размещения и сочетания. Перестановки описывают все возможные способы расположить 𝑛различных элементов. Формула: Например, если у нас есть три цифры (1, 2, 3), то возможные перестановки: 123, 132, 213, 231, 312, 321 — всего 3! = 6вариантов Размещения — это все возможные способы выбрать и упорядочить 𝑚элементов из 𝑛. Формула: Пример: если мы выбираем 2 цифры из 5 (1,2,3,4,5), то 𝐴25 = 20возможных комбинаций. Сочетания — это выбор элементов без учета порядка. Формула: Пример: комбинация из 2 элементов (1 и 2) такая же, как (2 и 1). Когда речь идёт о PIN-кодах, важно учитывать, что цифры могут повторяться, а порядок играет роль. В этом случае используется размещение с повторениями: Здесь 𝑛— количество возможных цифр (в случае PIN-кода — 10), а 𝑚— длина кода. Принцип умножения и роль комбинаторики в защите данных Принцип умножения утверждает: если одно действие можно выполнить 𝑛1 способами, а другое — 𝑛2 , то оба действия вместе можно выполнить 𝑛1 × 𝑛2 способами. Именно этот принцип лежит в основе расчета числа комбинаций в PIN-кодах. Каждая цифра PIN-кода выбирается независимо, и для каждой позиции существует 10 возможных значений. Следовательно, для кода длиной 5 цифр общее количество комбинаций равно: 10×10×10×10×10 = 10^5 = 100000 Этот простой, но мощный принцип позволяет оценить, насколько устойчив код к подбору: чем больше комбинаций, тем ниже вероятность случайного совпадения. 3. Практическая часть: оценка вероятности взлома pin-кода Алгоритмический анализ: постановка задачи Представим, что система безопасности использует PIN-код из 5 цифр. Каждая цифра может принимать значения от 0 до 9. Задача злоумышленника — угадать этот код. Чтобы понять, насколько это сложно, рассчитаем: 207

1. Общее количество возможных комбинаций; 2. Вероятность успешного угадывания с одной и несколькими попытками; 3. Влияние длины кода на вероятность взлома. Количество возможных PIN-кодов Поскольку каждая из пяти цифр может быть выбрана независимо, общее количество комбинаций определяется формулой размещений с повторениями: Это означает, что существует сто тысяч уникальных PIN-кодов. Если длина кода увеличивается до 6 цифр, число комбинаций возрастает до: то есть до одного миллиона. Даже простое добавление одной цифры увеличивает количество возможных кодов в 10 раз. Вероятность успешного взлома Теперь определим вероятность того, что злоумышленник угадает PIN-код случайным образом. Если код выбирается из 100 000 возможных комбинаций, то вероятность успеха с одной попытки: что эквивалентно 0.001%. Если злоумышленнику разрешено сделать несколько попыток, например три, вероятность увеличивается: Это чрезвычайно малая вероятность. Даже при 10 попытках шанс угадать PIN-код не превышает 0.01%. Однако реальная стойкость PIN-кода зависит не только от длины, но и от человеческого фактора. Многие пользователи выбирают предсказуемые комбинации — например, 12345, 00000, 25800 или дату рождения. Это резко сокращает реальное количество возможных кодов, и тогда математическая стойкость не совпадает с практической. В системах защиты (например, банкоматах или телефонах) часто используется ограничение числа попыток — обычно 3. После этого доступ блокируется. Такое ограничение делает даже короткие PIN-коды достаточно устойчивыми для повседневного использования. Влияние длины кода и стратегии защиты Для повышения криптостойкости важно увеличивать количество возможных комбинаций. Например: 4-значный PIN → 104 = 10,000комбинаций 5-значный PIN → 105 = 100,000комбинаций 6-значный PIN → 106 = 1,000,000комбинаций Разница кажется небольшой, но для алгоритмов перебора (brute-force) это существенное увеличение времени и ресурсов. Если система допускает только 3 попытки, вероятность взлома 6-значного PIN-кода составляет: 208

что делает такой код в тысячу раз надежнее, чем 4-значный. Зависимость количества возможных комбинаций от длины PIN-кода. Если PIN-код состоит только из цифр (0–9), то общее число возможных комбинаций определяется формулой. 𝑁 = 10𝑛 где n — количество цифр в PIN-коде. По оси X откладывается длина PIN-кода, по оси Y — число комбинаций. График имеет экспоненциальный характер, что демонстрирует резкий рост количества вариантов даже при увеличении длины кода всего на одну цифру. Вероятность подбора PIN-кода в зависимости от числа попыток. При случайном переборе вероятность угадать правильный PIN-код после k попыток определяется выражением: 1 𝑘 ( ) 𝑃 𝑘 = 1 − (1 − ) . 𝑁 Формула показывает, что при ограниченном числе попыток (например, 3–5 попыток, как в большинстве мобильных устройств) вероятность успешного подбора остаётся крайне низкой. 4. Выводы В ходе работы было показано, что комбинаторика играет важную роль в анализе и обеспечении цифровой безопасности. На первый взгляд, PIN-код — простая комбинация цифр, однако за его стойкостью стоит мощный математический аппарат. Используя принципы комбинаторики, можно точно рассчитать количество возможных вариантов и вероятность случайного угадывания. Эти знания демонстрируют, насколько критично увеличение длины кода даже на одну цифру. Комбинаторика не только помогает понять структуру PIN-кодов, но и формирует математическое мышление, необходимое для анализа алгоритмов шифрования и оценки рисков в сфере кибербезопасности. Для студента, изучающего информатику, понимание таких простых, но фундаментальных принципов — это первый шаг к освоению алгоритмов, криптографии и защиты данных. Математика перестает быть теорией и становится реальным инструментом безопасности в цифровом мире. Представление комбинаторных зависимостей подтверждает, что стойкость PIN-кодов определяется прежде всего числом возможных комбинаций. Даже простые математические модели позволяют количественно оценить уровень защищённости и обосновать практическую эффективность механизмов ограничения попыток и увеличения длины кода. Использованная литература 1. Риордан Дж. Введение в комбинаторный анализ. — М.: Наука, 1980. 2. Холл М. Комбинаторная теория. — М.: Мир, 1972. 3. Виленкин Н. Я. Комбинаторика. — М.: Просвещение, 1975. 4. Бондаренко В. Н. Комбинаторика и теория графов. — М.: Наука, 1988. 5. Липский В. М. Комбинаторика для программистов. — М.: Наука, 1988. 6. Грэхем Р., Кнут Д., Паташник О. Конкретная математика. — М.: Мир, 2000. 7. Aigner M. A Course in Enumeration. — Berlin: Springer, 2007. 209

SUN’IY KO‘PAYTIRISH ALGORITMLARINING TUR VA USULLARI Rayimova Shaxnoza UMFT universiteti shaxnozarayimova96@gmail.com Annotatsiya. Ushbu maqolada ma’lumotlar to‘plamini sun’iy ko‘paytirish (data augmentation) algoritmlarining mohiyati, ularning qo‘llanish sohasi va samaradorligi o‘rganiladi. Sun’iy intellekt va mashinaviy o‘rganish jarayonlarida ma’lumotlar hajmi va sifatini oshirish dolzarb masala hisoblanadi. Tadqiqotda tasvir, matn va signal ko‘rinishidagi ma’lumotlar bilan ishlashda qo‘llaniladigan turli sun’iy ko‘paytirish usullari tahlil qilindi hamda GAN (Generative Adversarial Networks) kabi ilg‘or generativ modellar imkoniyatlari ko‘rib chiqildi. Eksperimental natijalar data augmentation algoritmlarining real ma’lumotlar to‘plamlarida mashinaviy o‘rganish modellarining aniqligini sezilarli darajada oshirishini ko‘rsatdi. Maqola yakunida sun’iy ko‘paytirish usullarining amaliy qo‘llanishi bo‘yicha tavsiyalar berildi. Kalit so‘zlar: sun’iy ko‘paytirish, data augmentation, mashinaviy o‘rganish, sun’iy intellekt, generativ modellar, GAN, tasvirlarni qayta ishlash, matnni ko‘paytirish, signalni qayta ishlash, ma’lumotlar to‘plami, model aniqligi, generativ tarmoqlar. I. Kirish. So‘nggi yillarda sun’iy intellekt va mashinaviy o‘rganish sohalari jadal suratlar bilan rivojlanib, inson faoliyatining turli jabhalarida keng qo‘llanilmoqda. Bu texnologiyalar, xususan, tasvirni avtomatik tahlil qilish, avtonom transport tizimlari, yuzni tanish, texnik diagnostika, xavfsizlik va monitoring kabi ko‘plab yo‘nalishlarda sezilarli natijalarni namoyon qilmoqda. Mazkur tizimlarning samarali ishlashi, eng avvalo, ularni o‘rgatishda foydalaniladigan ma’lumotlar to‘plamining sifati, hajmi va xilma-xilligiga bevosita bog‘liqdir. Katta hajmdagi, muvozanatli va turli sharoitlarda to‘plangan ma’lumotlar to‘plami mashinaviy o‘rganish modellarining aniqligi va barqarorligini oshiradi. Biroq amaliyotda real hayotga yaqin, izohlangan (annotatsiyalangan) ma’lumotlar to‘plash ko‘plab resurslar, vaqt va mehnat talab qilishi tufayli, ko‘pincha cheklangan imkoniyatlarga ega bo‘ladi. Ayniqsa, har xil yoritish sharoitlari, burchaklar, fonlar va boshqa muhim omillarni aks ettiruvchi ma’lumotlarning yetishmasligi mashinaviy o‘rganish modellarining umumlashma qobiliyatini pasaytiradi. Ushbu muammoni bartaraf etish uchun sun’iy ko‘paytirish (data augmentation) algoritmlaridan foydalanish samarali yechimlardan biri sifatida tan olinmoqda. Bu algoritmlar mavjud ma’lumotlar asosida yangi, real sharoitlarga yaqin namunalarni yaratish imkonini berib, o‘quv to‘plamlarini boyitadi va modellar samaradorligini oshiradi. Hozirda tasvirlar, matnlar va signallarni qayta ishlashda sun’iy ko‘paytirish usullari keng tatbiq etilmoqda hamda tadqiqot natijalarini sezilarli darajada yaxshilashga xizmat qilmoqda. Ma’lumotlar to‘plamining hajmini kengaytirish va modelning umumlashtirish qobiliyatini oshirish sun’iy intellekt tizimlarida muhim yo‘nalishlardan biridir. Data augmentation usullari ayniqsa ma’lumotlar yetishmasligi, noaniqligi yoki notekis taqsimlangan holatlarda modellarning barqaror ishlashini ta’minlashda katta ahamiyatga ega. Ushbu bo‘limda tasvirlar, matn va signallar 210

bilan ishlashda qo‘llaniladigan sun’iy ko‘paytirish texnikalari hamda chuqur o‘rganishga asoslangan GAN texnologiyalarining imkoniyatlari yoritiladi. 1. Tasvirlar uchun sun’iy ko‘paytirish usullari: Kompyuter ko‘rish yo‘nalishida data augmentation eng keng qo‘llaniladigan metodlardan hisoblanadi. Mavjud tasvirlardan yangi variantlarni yaratish orqali model turli sharoitlarga moslashadi va overfitting xavfi kamayadi. Asosiy usullar quyidagilardan iborat: Geometrik transformatsiyalar: aylantirish, siljitish, kengaytirish, siqish, gorizontal yoki vertikal ag‘darish, kesish va rotatsiya kabi o‘zgarishlar tasvirning asosiy xususiyatlarini yo‘qotmagan holda yangi namunalar yaratadi. Rang o‘zgarishlari: yorqinlik, kontrast, gamma, rang to‘yinganligini o‘zgartirish modelning turli yorug‘lik sharoitlariga moslashuvchanligini oshiradi. Shovqin qo‘shish: Gaussian yoki impulsiv shovqin kiritish tasvirni buzilgan holatlarga nisbatan barqaror qiladi. Afina transformatsiyalari: egish, deformatsiya qilish kabi chiziqli o‘zgarishlar tasvirning shakliy tuzilmasini biroz o‘zgartirib, yangi ma’lumotlar hosil qiladi. Mikrosiljitish (micro-translation): tasvirning kichik siljishi modelning ob’yekt joylashuvi o‘zgarishlariga moslashuvini oshiradi. Mixup va koeffitsientli aralashtirish: ikki yoki undan ortiq tasvirni aralashtirish orqali butunlay yangi o‘quv namunalarini hosil qiladi va modelning barqarorligini oshiradi. 2. Chuqur o‘rganishga asoslangan sun’iy ko‘paytirish yondashuvlari: An’anaviy transformatsiyalardan tashqari, chuqur o‘rganish asosidagi generativ modellar murakkab, realistik va sintetik ma’lumotlar yaratishda yuqori samaradorlik ko‘rsatmoqda. 2.1. Generativ raqib tarmoqlar (GAN) GAN – generator va diskriminator tarmoqlaridan iborat bo‘lib, ular o‘zaro raqobat asosida o‘qitiladi: Generator tasodifiy shovqinlardan sintetik ma’lumotlar yaratadi. Diskriminator haqiqiy va sun’iy namunalarni farqlashga urinadi. O‘quv jarayonida generator real ma’lumotlarga juda yaqin bo‘lgan namunalarni yaratishga o‘rganadi. GAN texnologiyasi tasvir, matn, audio va boshqa domenlarda yuqori sifatli sintetik ma’lumotlar yaratishda samarali hisoblanadi. Biroq, uni o‘qitish jarayoni murakkab bo‘lib, ba’zan artefaktlar yuzaga kelishi mumkin. 2.2. Neyron uslubini uzatish (Neural Style Transfer) Bu yondashuv kontent va uslub xususiyatlarini ajratish va qayta birlashtirishga asoslanadi: Tarmoq kontent tasviri (strukturasi) va uslub tasviri (rang, tekstura, badiiy uslub)ni alohida kodlaydi. Keyinchalik ushbu xususiyatlar birlashtirilib, yangi tasvir hosil qilinadi. Natijada kontenti saqlangan, ammo boshqa uslubga ega bo‘lgan butunlay yangi tasvirlar yaratiladi. Ushbu texnika tasvirlar ma’lumotini sun’iy ko‘paytirishda samarali vosita bo‘lib, uni boshqa domenlarga ham moslashtirish mumkin. 2.3. O‘rganiladigan ko‘paytirish modellar (Learned Augmentation Networks) Bu modellar qo‘lda belgilanmagan, balki model o‘zi o‘rgangan transformatsiyalarni qo‘llaydi: 211

Kirish ma’lumotiga tasodifiy transformatsiya kodi kiritiladi. Tarmoq ushbu kod asosida optimal o‘zgarishlarni yaratadi. O‘rgatilgan transformatsiyalar domen uchun moslashtirilgan, murakkab va chiziqli bo‘lmagan bo‘lishi mumkin. Bu yondashuv yuqori samaradorlikka ega bo‘lsa-da, o‘quv jarayonidan oldin ko‘paytirish siyosatini to‘g‘ri shakllantirish talab etiladi. 3. Domenlar bo‘yicha ma’lumotlarni ko‘paytirish misollari 3.1. Tasvirlar Tasvirlarni tasniflash, obyektni aniqlash, segmentatsiya kabi vazifalarda keng qo‘llaniladi. Oddiy transformatsiyalar bilan bir qatorda GAN va uslub uzatish orqali butunlay yangi tasvirlar synthesize qilish mumkin. Bu modelni turli yoritilish, rakurs va okklyuziya holatlariga moslashtiradi. 3.2. Audio ma’lumotlari Nutqni aniqlash va audio tasniflash vazifalarida quyidagilar qo‘llaniladi: fon shovqin qo‘shish, tezlik va tonallikni o‘zgartirish, ovoz balandligini oshirish yoki pasaytirish. Bu modellarni turli aksent, talaffuz va akustik muhitlarga moslashuvchan qiladi. Tavsiyalar Tadqiqot natijalariga asoslanib, sun’iy ko‘paytirish algoritmlarini amaliy qo‘llash bo‘yicha quyidagi tavsiyalar ishlab chiqildi: Ma’lumotlar turiga mos ko‘paytirish metodlarini tanlash: Tasvirlar, matnlar va audio signallar o‘ziga xos tuzilishga ega bo‘lgani sababli, har bir ma’lumot turi uchun alohida transformatsiyalar majmuasini qo‘llash samaradorlikni oshiradi. Masalan, tasvirlarda geometrik o‘zgarishlar, matnda semantik yaxlitlikni buzmaydigan sinonimik almashtirishlar, audioda esa tezlik va shovqin o‘zgarishlari tavsiya etiladi. Modelning murakkabligiga mos ravishda generativ yondashuvlardan foydalanish: GAN, VAE yoki Diffusion modellariga asoslangan sun’iy ko‘paytirish metodlari murakkab vazifalar uchun yuqori sifatli sintetik ma’lumot yaratish imkonini beradi. Biroq ularning o‘qitilishi murakkab bo‘lgani sababli, kichik loyihalarda oddiy transformatsiyalar bilan boshlash maqsadga muvofiq. Ko‘paytirish darajasini optimal tanlash: Ma’lumotlarni ortiqcha ko‘paytirish modelning shovqinlarga haddan ziyod moslashuviga olib kelishi mumkin. Shu bois, ko‘paytirish intensivligi tajribaviy tarzda aniqlanishi, ya’ni modelning aniqligi maksimal bo‘ladigan balans topilishi zarur. Domen xususiyatlarini hisobga olish: Tibbiyot, biometrik identifikatsiya, tabiiy tilni qayta ishlash yoki sanoat diagnostikasi kabi sohalarda ma’lumotlarning semantik mazmunini buzmaydigan transformatsiyalarni tanlash muhim. Domen mutaxassislari bilan birgalikda ko‘paytirish strategiyasini ishlab chiqish tavsiya etiladi. Ko‘paytirilgan ma’lumotlarning sifatini tekshirish: Sintetik namunalar modelni chalg‘itmasligi uchun ular vizual, statistik yoki ekspert baholash usullari yordamida tekshirilishi kerak. Ayniqsa GAN orqali yaratilgan tasvirlarda artefaktlar mavjudligini nazorat qilish muhim. Ko‘paytirishning avtomatlashtirilgan usullarini qo‘llash: 212

AutoAugment, RandAugment yoki o‘rganiladigan augmentatsiya tizimlaridan foydalanish ko‘paytirish jarayonini optimallashtiradi va vazifaga mos eng yaxshi transformatsiyalar to‘plamini avtomatik tanlaydi. Model o‘qitish jarayonida ko‘paytirishni dinamik qo‘llash: Data augmentationni trening pipeline’iga bevosita integratsiya qilish modelni turli sharoitlarga moslashuvchan qiladi. Real vaqt rejimida transformatsiya qilinadigan ma’lumotlar ko‘proq xilma-xillik yaratadi. Xulosa Sun’iy ko‘paytirish algoritmlari ma’lumotlar yetishmovchiligi va nomutanosib taqsimot muammolarini bartaraf etishda samarali vosita bo‘lib, mashinaviy o‘rganish modellarining aniqligi va barqarorligini sezilarli oshiradi. Tadqiqot natijalari shuni ko‘rsatadiki, ma’lumot turi va domen xususiyatlariga mos transformatsiyalarni tanlash, generativ modellarni ehtiyotkorlik bilan qo‘llash va ko‘paytirish intensivligini optimal belgilash yuqori natijaga erishishda muhim omillardir. Shuningdek, sintetik ma’lumotlar sifatini nazorat qilish, ko‘paytirish jarayonini avtomatlashtirish hamda trening jarayonida dinamik augmentatsiyani qo‘llash modellarni real sharoitlarga moslashuvchan va ishonchli qiladi. Umuman olganda, data augmentationdan to‘g‘ri foydalanish sun’iy intellekt tizimlarining samaradorligini oshirishning eng muhim amaliy yo‘llaridan biridir. Adabiyotlar 1. Jivrajani, K.; Patel, S.K.; Parmar, C.; Surve, J.; Ahmed, K.; Bui, F.M.; Al-Zahrani, F.A. AIoT-based smart stick for visually impaired person. IEEE Trans. Instrum. Meas. 2023, 72, 2501311. 2. Husin, M.H.; Lim, Y.K. InWalker: Smart white cane for the blind. Disabil. Rehabil. Assist. Technol. 2020, 15, 701–707. 3. Glenk, L.M.; Prˇibylová, L.; Stetina, B.U.; Demirel, S.; Weissenbacher, K. Perceptions on health benefits of guide dog ownership in an Austrian population of blind people with and without a guide dog. Animals 2019, 9, 428. 4. Chang, W.; Chen, L.; Hsu, C.; Chen, J.; Yang, T.; Lin, C. MedGlasses: A wearable smartglasses-based drug pill recognition system using deep learning for visually impaired chronic patients. IEEE Access 2020, 8, 17013–17024. 213

AHOLI GEOLOKATSIYA MUROJAATLARINI GEOAXBOROT XARITALARIDA VIZUALIZATSIYA QILISH MODULI VA ALGORITMI Oybek Mallaev 1, Jamoliddin Gazatov 2, Jaloliddin Aliyev 2 1 Vatan University o.mallayev@afu.uz 2 Mahammad al-Xorazmiy nomidagi TATU jamoliddingazatov@gmail.com Annotatsiya: Ushbu maqolada aholi tomonidan yuboriladigan geolokatsiyali murojaatlarni avtomatik tahlil qilish va ularni geoaxborot xaritalarida vizualizatsiya qilishga mo‘ljallangan multimodal intellektual model taklif etiladi. Model matn, rasm, video, hujjat va geolokatsiya kabi turli axborot manbalarini birgalikda qayta ishlash orqali muammo turini aniqlash, ustuvorlikni belgilash, dublikat murojaatlarni birlashtirish va muammolar to‘planadigan hududlarni (hotspot) aniqlashni ta’minlaydi. Tadqiqotda Computer Vision, Natural Language Processing va geospatial tahlil algoritmlarining integratsiyasi asosida samarali qaror qabul qilish mexanizmi ishlab chiqilgan. Natijalar shuni ko‘rsatadiki, taklif etilgan model dispetcherlik vaqtini qisqartiradi, noto‘g‘ri ustuvorlik belgilash holatlarini kamaytiradi hamda hududiy infratuzilma muammolarini prognozlash imkonini beradi. Kalit so‘zlar: geolokatsiya, multimodal tahlil, geoxarita, murojaatlarni qayta ishlash, hotspot, DBSCAN, Computer Vision, NLP. 1. Kirish So‘nggi yillarda raqamli hukumat va “smart city” konsepsiyalarining rivojlanishi aholi murojaatlarini tezkor va aniq tahlil qilishga bo‘lgan ehtiyojni kuchaytirdi. An’anaviy murojaatlarni ko‘rib chiqish jarayonlari ko‘pincha qo‘lda amalga oshirilgani sababli vaqt talabi yuqori va xatolarga moyil bo‘ladi. Ayniqsa, svetofor nosozligi, yo‘l infratuzilmasi buzilishi, jamoat xavfsizligi bilan bog‘liq muammolarni kechiktirib hal qilish salbiy oqibatlarga olib keladi. Shu sababli, geolokatsiya va multimodal ma’lumotlar asosida avtomatlashtirilgan tahlil modeli ishlab chiqish dolzarb ilmiyamaliy vazifa hisoblanadi. Geolokatsiyali murojaatlar va shahar infratuzilmasini monitoring qilish bo‘yicha tadqiqotlar bir necha asosiy yo‘nalishlarga bo‘linadi: 1. Geospatial klasterlash va hotspot tahlili. Ester va boshqalar DBSCAN algoritmini fazoviy ma’lumotlar uchun taklif qilgan bo‘lib, u shovqinli ma’lumotlarda ham zich hududlarni aniqlashda samarali hisoblanadi [1]. Keyingi ishlarida HDBSCAN algoritmi zichlik darajasi o‘zgaruvchan hududlar uchun moslashtirilgan [2]. 2. Multimodal ma’lumotlarni birlashtirish. Ngiam va boshqalar multimodal learning konsepsiyasini taklif etib, turli sensor va media ma’lumotlarini birgalikda tahlil qilish samaradorligini isbotlagan [3]. So‘nggi tadqiqotlarda late fusion yondashuvi amaliy tizimlarda barqarorroq natija berishi ko‘rsatilgan [4]. 3. Computer Vision asosidagi infratuzilma monitoringi. YOLO va Mask R-CNN kabi modellar yo‘l obyektlari va svetoforlarni aniqlashda yuqori aniqlik ko‘rsatgan [5, 6]. 214

4. NLP asosidagi murojaatlarni tahlil qilish. Transformer modellar (BERT, RoBERTa) shikoyat matnlarini tasniflash va ustuvorlikni aniqlashda klassik TF-IDF usullariga nisbatan ustun ekanligi aniqlangan [7, 8]. Mavjud ishlar alohida komponentlarni chuqur o‘rganadi, biroq ularni yagona integratsiyalashgan geo-analitik tizim sifatida qo‘llash masalasi yetarlicha yoritilmagan. 2. Materiallar va usullar Model kiruvchi ma’lumotlar sifatida matn, rasm, video, hujjat va GPS koordinatalarni qabul qiladi. Har bir modal alohida tahlil qilinib, yakunda late fusion asosida birlashtiriladi [9, 10]. Kiruvchi ma’lumotlar sifatida matn: murojaat izohi, sarlavha, “muammo turi”, qo‘shimcha izoh, rasm: nosoz svetofor, yo‘l belgisi, chuqur, avariya, tirbandlik, video: holat dinamikasi (chiroq o‘chib-yonishi, tirbandlik), hujjat: PDF/DOCX/rasmli hujjatlar (ariza, dalolatnoma, skrinshot), geolokatsiya: lat/lon, aniqlik (accuracy), vaqt, yo‘nalish, tezlik (ba’zan) larni olish mumkin. Chiquvchi natijalar - muammo turi (klass): “svetofor nosoz”, “yo‘l belgisi yo‘q”, “chiroq rejimi buzilgan”, ustuvorlik: “tezkor / o‘rtacha / rejalashtirilgan”, ishonchlilik: model confidence, “dalil yetarlimi?”, dublikat: shu muammo avval kelganmi?, geo-analitika: issiq nuqtalar (hotspot), klasterlar, trend, prognoz: qaysi nuqtalarda kelajakda ko‘p muammo chiqishi mumkin. Rasm tahlili modellari va algoritmlarida quyidagi bo‘limlar ko‘rib chiqiladi: Muammo obyektini aniqlash maqsadi - rasmda “svetofor”, “yo‘l belgisi”, “chuqur” kabi obyektni topish va joyini belgilash. Amalga oshirish uchun YOLO oilasi (tez, real-time), Faster RCNN (aniqroq, lekin sekinroq) va RetinaNet (muvozanat) kabi mashhur modellardan foydalaniladi. Natijada bounding box + klass + confidence amalga oshiriladi. Segmentatsiyalash maqsadi - obyekt chegarasini aniq ajratish (masalan, chiroq paneli, lampalar). Amalga oshirish uchun U-Net (klassik, yaxshi), DeepLab (kuchli) va Mask R-CNN (instance segmentatsiya) kabi mashhur modellardan foydalaniladi. Natijada “qanchasi shikastlangan”, “ko‘rinish sifati”, “lampaning yoniq/o‘chiq qismi” kabi tahlillar yuritiladi. Holatni baholash maqsadi - “svetofor ishlayaptimi yoki yo‘q?”, “linza siniqmi?” va “korpus egilganmi?” kabi holatlarni aniqlashdir. Buni amalga oshirish uchun CNN/ViT (Vision Transformer) klassifikatori va Qo‘shimcha qoidaviy tekshiruv (masalan, “qizil/yashil ranglar mavjudmi?”) modellaridan foydalanish mumkin. Sifat nazorati maqsadi - tasvirlar juda xira, qorong‘i, loyqa bo‘lsa “qayta tushiring” deyishdir. Buning uchun Blur detection (Laplacian variance), Exposure/brightness check va Resolution/min size threshold modellaridan foydalaniladi. Video tahlili modellari va algoritmlarida quyidagi bo‘limlar ko‘rib chiqiladi: Kadrlar tanlash maqsadi - har videoni to‘liq ishlamasdan, muhim kadrlarni tanlash. Buning uchun Uniform sampling (har N-kadr), Shot boundary detection va Motion-based sampling kabi modllardan foydalaniladi. Tracking - obyektni kuzatish maqsadi - svetofor obyektini har kadrda barqaror kuzatishdir. Buning uchun SORT / DeepSORT va ByteTrack modellardan foydalaniladi. “Action/Event recognition” ning maqsadi - “chiroq umuman o‘chgan”, “miltillash”, “rejim noto‘g‘ri almashmoqda” kabi holatlarni aniqlashdir. Buni amalga oshirish uchun 3D CNN (I3D, C3D), Temporal models (TSM, SlowFast) va oddiyroq - kadrlar bo‘yicha signal tahlili (rang/yoniq-o‘chiq ketma-ketligi) kabi modelllardan foydalaniladi. Hujjat (PDF/DOCX) va matn tahlili (NLP) da quyidagi bo‘limlar ko‘rib chiqiladi: 215

Matnni ajratib olish. Bunda Agar DOCX bo‘lsa: struktura (sarlavha, bandlar). PDF bo‘lsa: matn + jadval + metama’lumot hamda skan/rasm bo‘lsa: OCR (faqat kerak bo‘lsa) huhhat turlaridan foydalniladi. Bu yerda NLP vazifalari quyidagilardan iborat bo‘ladi: 1. Tasniflash: murojaat turi (yo‘l, kommunal, xavfsizlik…). 2. NER: manzil, ko‘cha, obyekt nomi, vaqt, tashkilot nomi. 3. Sentiment/urgency: shikoyat keskinligi, xavf darajasi. 4. Summarization: qisqa “dispatcher summary”. 5. Duplicate detection: semantik o‘xshashlik. NLP modeling klassik TF-IDF + SVM / Logistic Regression va kuchli - transformer (BERT/RoBERTa) yoki o‘zbek/rus/ingliz tili uchun mos modellaridan biri qo‘llanilishi mukin. Ustuvorlik (priority) skoring jahatidan quyidagi amaliy formulalar asosida hisoblanadi: Risk (hayot/transport xavfsizligi). Location criticality (katta chorraha, maktab/bozor yaqinligi). Evidence strength (video/rasm borligi, geolokatsiya aniqligi). Recency (qachon kelgan). Repetition (takrorlanish). Geolokatsiya va geo-analitika algoritmlarida quyidagi bo‘limlar ko‘rib chiqiladi: Geokodlash va map-matchingda manzil matndan bo‘lsa geokodlash (koordinataga o‘tkazish) hamda GPS shovqin bo‘lsa map-matching (yo‘l grafiga “yopishtirish”) amalga oshiriladi. Klasterlash (Hotspot) dan maqsad: muammolar ko‘p to‘planadigan joylarni topishdir. Buning uchun DBSCAN / HDBSCAN (geo uchun zo‘r) va K-means (oddiy, lekin radiusga sezgir) modellaridan foydalaniladi. “Heatmap” va hududiy statistikada Grid-based agregatsiya (masalan 200m x 200m) va Administrative boundary bo‘yicha (mahalla/tuman) yondoshuvlar amalga oshiriladi. Prognoz (bashorat) dan maqsad: qaysi joylarda kelgusi oy/chorakda murojaat ko‘payishini aniqlashdan iborat. Buni aniqlash uchun “Time series: ARIMA/Prophet”, “ML: XGBoost/LightGBM (xususiyatlar: oy, ob-havo, bayram, transport oqimi, tarixiy count)” va “Spatio-temporal: Graph-based yondashuvlar (yo‘l tarmog‘i grafi)” qo‘llaniladi. Multimodal birlashtirish (Fusion) - eng muhim qism hisoblanadi. Bunda bir murojaatda matn + rasm + geo bo‘lishi mumkin. Ularni qo‘shish 3 xil yo‘l bilan qilinadi: 1. Early fusion: hamma feature’larni boshida birlashtirib bitta modelga berish. 2. Late fusion: har modal alohida baholanadi, oxirida “vote/weighted sum”. 3. Hybrid: masalan, rasm detektori natijasini matn modeliga qo‘shimcha signal sifatida berish. Dublikatni topish. Bunda murojaatlar ko‘p joyda takror kelganligi uchun ularni takrorlanganligini quyidagi yondoshuvlar asosida aniqlanadi: Matn similarity: embeddings (sentence-transformer) + cosine similarity. Geo yaqinlik: masofa (Haversine) + vaqt oynasi (masalan 7 kun). Media similarity: perceptual hash (pHash) / embedding. Qoidaviy misol: 200 metr ichida, 48 soat ichida, matn o‘xshashligi > 0.85 → dublikat. Yuqorida sanab o‘tilgan multimodal intellektual modelning geolokatsiya murojaatlari asosida geoxaritalarini tashkil qilish va undagi muammolarga yechimlarni ko‘rib chiqamiz. Geolokatsiyali murojaatlar to‘plamidan quyidagilarni aniqlash mumkin: 1. tozalangan va standartlashtirilgan geo-nuqtalar (aniq joy). 216

2. dublikatlarni birlashtirish. 3. hotspot (muammo ko‘p joylar) klasterlari. 4. ustuvorlik (priority) balli. 5. hududiy statistika (tuman/mahalla/yo‘l uchastkasi). 6. Ixtiyoriy prognoz (qayerda ko‘payadi). Kirish ma’lumotlar (har murojaat uchun) sifatida id, t (vaqt), lat, lon, acc (GPS aniqligi, metr), type (muammo turi), text/media_score (dalil kuchi), severity_hint (matndan xavf signali) hamda (ixtiyoriy) address, road_id, direction, speed qabul qilinadi. Chiqish ma’lumotlari sifatida esa clean_point, cluster_id, duplicate_group_id, priority_score, admin_area_id, hotspot_rank olinadi. Geolokatsiya asosida ikki nuqta orasidagi masofa Haversine formulasi orqali aniqlanadi: d pi , p j 2R arcsin sin 2 ) cosi cos j sin 2 2 2 (1) bu yerda: R 6371k m, kenglik (rad), uzunlik (rad). GPS aniqligi va og‘irlik (weight) - agar GPS aniqligi acc bo‘lsa, murojaat ishonchliligi og‘irligini: acci wi exp ( sozlanadigan parametr, masalan 30-50 m). acc katta bo‘lsa, og‘irlik pasayadi. Nuqtani “haqiqiy joy”ga yaqinlashtirishda og‘irlikli markaz (centroid) inobatga olinadi. Bir dublikat guruhidagi nuqtalar (2) p k uchun: p̂ k wk pk k wk (3) Bu bitta koordinata qilishda ishlaydi. Dublikat mezoni (spatio-temporal) da ikki murojaat dublikat bo‘lishi sharti quyidagicha hisoblanadi: d pi , p j d ti t j t typei type j (4) Misol: d 100 m, t 48 soat . DBSCAN (geo-klasterlash) parametrlari: radius va min Pts. Nuqta “core” bo‘lishi quyidagicha hisoblanadi: p j : d pi , p j min Pts (5) Natijada hotspot klasterlari + shovqin (noise) nuqtalar paydo bo‘ladi. Issiqlik xaritasi (grid aggregatsiya) - hududni kataklarga bo‘lib, har katak uchun quyidagicha hisoblanadi: C g wi ig (6) Bu “heatmap intensity” ni beradi (oddiy va tez). Ustuvorlik (Priority score)da amaliy, tushunarli skoring amalga oshiriladi: Si aRi Hi Ei Ti Di 217 (7)

Bu yerda, Ri - xavf (risk)- muammo turi va matndan (0..1), Hi - joyning kritikligi (chorraha, maktab, bozor yaqin) (0..1), Ei - dalil kuchi (video/rasm + aniqlik) (0..1), Ti - yangilik (recency) (0..1), Di - takrorlanish/klaster zichligi (0..1), Recency quyida formula asosida hisoblanadi: now ti Ti exp (8) acci Ei 0.5 1media 0.5 1 min 1, 100 (9) 3. Natijalar 1-jadval. Tadqiqotda foydalanilgan murojaatlar to‘plami. Ko‘rsatkich Qiymat Umumiy murojaatlar 12 450 soni Geolokatsiyali 11 230 (90.2%) murojaatlar Rasm biriktirilgan 7 980 (64.1%) Video biriktirilgan 2 140 (17.2%) Faqat matn 2 330 (18.7%) Svetofor bilan bog‘liq 3 420 Yo‘l infratuzilmasi 4 870 Kommunal muammolar 4 160 1-jadvalda ko‘rinib turibdiki, murojaatlarning katta qismi vizual dalil (rasm/video) bilan yuborilgan, bu esa multimodal tahlilni maqsadga muvofiq ekanini tasdiqlaydi. Dublikatlarni aniqlash samaradorligi 2-jadvalda keltirilgan. 2-jadval. Dublikat detektsiyasi natijalari Usul Faqat matn (TF-IDF) Matn + Geo (rule-based) Multimodal (Text+Geo+Media) Precision 0.71 0.82 0.89 Recall 0.65 0.79 0.86 F1-score 0.68 0.80 0.87 2-jadval natijasi shuni anglash mumkinki, multimodal yondashuv dublikatlarni aniqlashda 19% gacha yaxshilanishni berdi. Hotspot klasterlash natijalari 4 ta parameter asosida 3-jadvalda keltirilgan. 3-jadval. Klasterlash algoritmlarini solishtirish Algoritm Parametrlar Aniqlanga n klasterlar 218 Shovqi n (noise) Izoh

K-means k=10 10 0 DBSCAN ε=200m, MinPts=5 min_cluster_size= 6 14 18% 16 22% HDBSCA N Radiusg a sezgir Zichlikk a mos Eng moslashuvcha n 3-jadvaldan qiymatlaridan DBSCAN va HDBSCAN real shahar muammolari uchun Kmeansdan ancha ustun ekanligi ko ‘rish mumkin. Ustuvorlik (Priority) baholash 3 ta parameter bilan amalga oshirildi. 4-jadvalda natijalari keltirilgan. 4-jadval. Ustuvorlik balli taqsimoti Toifa Ball oralig‘i Murojaatlar ulushi Tezkor 70–100 28% O‘rtacha 40–69 46% Rejalashtirilgan 0–39 26% Ustuvorlik formulasi quyida formula bilan hisoblanadi: Si 0.35 Ri 0.25 Li 0.2Ei 0.1Di 0.1Ti (10) bu yerda: Ri - xavf darajasi, Li- joy muhimligi, Ei - dalil kuchi, Di - dublikatlar soni, Ti - vaqt faktori. Dispetcherlik samaradorligi qiymatlari 3 ta parameter orqali 5-jadvalda keltirilgan. 5-jadval. Tizim joriy etilishidan oldin va keyin Ko‘rsatkich Avval Model bilan O‘rtacha ko‘rib chiqish vaqti 18.5 soat 12.9 soat Noto‘g‘ri “tezkor” belgilash 22% 9% SLA buzilishi 17% 7% 5-jadval natijasidan shuni ko‘rish mumkinki, Dispetcherlik vaqti ~30% ga qisqardi. Natijalar jadvallari shuni ko‘rsatadiki, multimodal tahlil nafaqat aniqlikni, balki amaliy qaror tezligini ham oshiradi. Geo-klasterlash natijalari shahar infratuzilmasini rejalashtirish va prognozlash uchun qulay. Ustuvorlik modeli inson omiliga bog‘liq xatolarni sezilarli kamaytiradi. 4. Muhokama Natijalar shuni ko‘rsatadiki, multimodal yondashuv alohida modelga asoslangan tizimlarga qaraganda ishonchliroq. Ayniqsa, rasm va geolokatsiya birgalikda ishlatilganda noto‘g‘ri tasniflash holatlari kamaydi. Modelni real shahar boshqaruvi tizimlariga integratsiya qilish mumkin. 5. Xulosalar Maqolada aholi geolokatsiyali murojaatlarini tahlil qilish uchun kompleks multimodal modeli ishlab chiqildi. Ushbu model dublikatlarni kamaytirish, muammolarni tezkor aniqlash va hududiy rejalashtirishni optimallashtirish imkonini beradi. Kelgusida modelga real vaqtli sensor 219