Management and Future Technologies | Volume 3, Issue 1 | № 009

March, 2026 № 009 Management and Future Technologies SCIENTIFIC JOURNAL Volume 3, Issue 1

Jurnal sohalari: dasturiy injiniring, sun’iy intellekt texnologiyalari, kompyuter injiniringi, infokommunikatsiya injiniringi, axborot xavfsizligi, matematika va fizika Tahririyat kengashi raisi g.f.d., prof. Muxammadismoil Maxmudov “University of Management and Future Technologies” universiteti rektori Bosh muharrir i.f.d., prof. Karimjon Axmedjanov “University of Management and Future Technologies” universiteti Ilmiy ishlar va innovatsiyalar bo‘yicha prorеktor 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., 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) Dizayner Abduraximov Dilshod Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 sanasida ro‘yxatdan o‘tkazilgan.

MUNDARIJA JOURNAL .UMFT.UZ TEXNIKA FANLARI XALQARO SIFAT STANDARTLARI VA SUN’IY INTELLEKT TEXNOLOGIYALARINING NAZARIY-METODOLOGIK ASOSLARI Axmedov B. M., Durdiyev O. O. VEB-ILOVALARDAGI FOYDALANUVCHI XATTI-HARAKATLARINI ANIQLASHNI INTELLEKTUAL TAHLIL QILISH ALGORITMLARI VA KIBERXAVFSIZLIKDAGI AHAMIYATI Alimova F. M., Xayrillayev A. Z. LI-FI TEXNOLOGIYASINI TELEKOMMUNIKATSIYA SOHASIDA QO'LLANILISHINING AFZALLIKLARI VA KAMCHILIKLARINI TAHLIL QILISH Abdulxayev N. KIBERXAVFSIZLIK FANINI O'QITISH TENDENTSIYALARI VA ZAMONAVIY TEXNOLOGIYALARI Musaev A. I. DIELEKTRIK SARALASH JARAYONINING ENERGETIK PARAMETRLARINI EKSPERIMENTAL ASOSLASH Mannobboyev Sh. VIRTUAL PLATFORMALARDA MAHALLIY MAHSULOTLAR TAQSIMOTINI TASHKIL ETISH ALGORITMI Mansurova M. Y., Jumaboev B. F. 6 13 20 26 31 43 FRAKTAL XUSUSIYATLI RELYEFNING EROZIYA PARCHALANISHI JARAYONINING FRAKTAL OʻLCHOVINI ANIQLASH USULLARI YORDAMIDA YERNING YEMIRILISH XUSUSIYATINI TADQIQ QILISH. Saidkulov E. A., Akbarov H. O. 53 ONLAYN MASOFAVIY TA’LIM TIZIMIDA BILIMLAR BAZASINI SHAKLLANTIRISH ALGORITMLARI Yakubov M. S., Bekmuxammedov B. N. 63 DPI TEXNOLOGIYASI MISOLIDA TARMOQ XAVFSIZLIGI ALGORITMLARINI TADQIQ QILISH Ismoilov A. P., Akmuradov B. U. 73 INFOKOMMUNIKATSIYA TIZIMLARIDA ENERGIYA SAMARADORLIGINI OSHIRISHNING IOTGA ASOSLANGAN TEXNOLOGIK YONDASHUVLARI Shodiyev Sh. H., Abdumalikov A. A., Rizayev F. F. 88

JOURNAL .UMFT.UZ IP KAMERA TASVIRLARI ORQALI INSONNING XATTI-HARAKATINI BAHOLASH USULLARINI TAHLIL QILISH Elov J., Abdug‘affarova N.O. DIAGNOSTIC TOOLS FOR ANALYZING DENTAL DISEASES IN PATIENTS Ismailov O.M., Mirzaxalilov S.S., Temirova X.F. 105 116 RAQAMLI KORXONA FAOLIYATINI TASHKIL QILISHNING KONSEPTUAL ASOSLARI Begalov B., Abduaxadov M., Abdusalomov A. 127 TALABALAR FAOLLIGINI BAHOLASHDA SARALASH ALGORITMLARI ASOSIDA ISHLASH SAMARADORLIGINI TAHLIL QILISH Ulashev A. N. 136

XALQARO SIFAT STANDARTLARI VA SUN’IY INTELLEKT TEXNOLOGIYALARINING NAZARIY-METODOLOGIK ASOSLARI Axmedov Barat Maxmudovich 1, Durdiyev Oxunjon Orifjon o‘g‘li 2* 1 Kadastr agentligi Davlat kadastrlari palatasi 2 O‘zbekiston Standartlar instituti; * e-mail:Oxunjon.durdiyev@mail.ru Annotatsiya: Mazkur maqolada xalqaro sifat standartlari (ISO) va sun’iy intellekt (AI) texnologiyalarining integratsiyasi sifat boshqaruvining zamonaviy nazariy-metodologik modeli sifatida tahlil qilinadi. Tadqiqotda ISO 9001, ISO 50001 va ISO 56002 standartlarining institutsional mohiyati, ularning sun’iy intellekt algoritmlari bilan uyg‘unlashuvi hamda sifatni real vaqt rejimida monitoring va prognozlash imkoniyatlari yoritiladi. Tahlil natijalariga ko‘ra, ISO–AI integratsiyasi sifat boshqaruvini statik nazoratdan proaktiv va intellektual boshqaruv tizimiga aylantiradi. Maqola natijalari sifat, innovatsiya va raqobatbardoshlikni ta’minlashda ISO– AI modelining ilmiy va amaliy ahamiyatini asoslab beradi. Kalit so‘zlar: ISO 9001; ISO 50001; sun’iy intellekt; sifat menejmenti; raqamli standartlashtirish. Аннотация: В данной статье анализируется интеграция международных стандартов качества (ISO) и технологий искусственного интеллекта (AI) как современная теоретикометодологическая модель управления качеством. В исследовании раскрывается институциональная сущность стандартов ISO 9001, ISO 50001 и ISO 56002, их взаимосвязь с алгоритмами искусственного интеллекта, а также возможности мониторинга и прогнозирования качества в режиме реального времени. По результатам анализа установлено, что интеграция ISO–AI трансформирует управление качеством из статического контроля в проактивную и интеллектуальную систему управления. Результаты статьи обосновывают научную и практическую значимость модели ISO–AI для обеспечения качества, инновационности и конкурентоспособности. Ключевые слова: ISO 9001; ISO 50001; искусственный интеллект; менеджмент качества; цифровая стандартизация. Abstract: This article analyzes the integration of international quality standards (ISO) and artificial intelligence (AI) technologies as a modern theoretical and methodological model of quality management. The study examines the institutional essence of ISO 9001, ISO 50001, and ISO 56002 standards, their integration with artificial intelligence algorithms, as well as the possibilities for real-time monitoring and forecasting of quality. The results show that ISO–AI integration transforms quality management from static control into a proactive and intelligent management system. The findings substantiate the scientific and practical significance of the ISO– AI model in ensuring quality, innovation, and competitiveness. Keywords: ISO 9001; ISO 50001; artificial intelligence; quality management; digital standardization. 1. Kirish XXI asrda global iqtisodiyotning raqamlashuvi, texnologik transformatsiya va intellektuallashuv jarayonlari ishlab chiqarish va xizmatlar sohasida sifatni boshqarishga bo‘lgan yondashuvlarni tubdan o‘zgartirdi. Agar XX asr oxirigacha sifat boshqaruvi asosan normativ reglamentlar, statistik nazorat va auditga tayanilgan bo‘lsa, hozirgi bosqichda u sun’iy intellekt 6

(AI) texnologiyalari orqali real vaqtda tahlil, prognoz va optimallashtirishga o‘tib bormoqda [1, 7]. ISO 9001, ISO 50001 va ISO 56002 kabi xalqaro standartlar korxona faoliyatini tizimli boshqarish, risklarni kamaytirish va uzluksiz yaxshilashni institusional jihatdan ta’minlab beradi [1–3]. Biroq standartlar o‘z-o‘zidan intellektual qaror qabul qilmaydi; ular faqat qoidalar va talablar tizimini belgilaydi. Shu nuqtada sun’iy intellekt texnologiyalari standartlashtirilgan jarayonlarni ma’lumotlarga asoslangan holda boshqarish imkonini beradi. Metodologik nuqtai nazardan, ISO standartlari va AI o‘rtasidagi munosabat “normativ tizim – intellektual mexanizm” dualizmiga tayanadi. ISO tizimlari “nima qilinish kerak?” degan savolga javob bersa, AI “qachon, qanday va qaysi darajada” degan savollarga javob beradi. Bu uyg‘unlik zamonaviy sifat boshqaruvining yangi ilmiy paradigmasini shakllantirmoqda. 2. Tadqiqot maqsadi va vazifalari Mazkur maqolaning maqsadi — xalqaro sifat standartlari va sun’iy intellekt texnologiyalarining o‘zaro bog‘liqligini nazariy-metodologik jihatdan tahlil qilish, ularning integratsiyasini formal modellar va tahliliy yondashuvlar orqali asoslash hamda boshqaruv amaliyoti uchun konseptual asos ishlab chiqishdan iborat. Tadqiqot quyidagi ilmiy vazifalarni qamrab oladi: • ISO standartlarining institusional va epistemologik mohiyatini ochib berish; • sun’iy intellekt texnologiyalarining sifat boshqaruvidagi rolini tahlil qilish; • ISO–AI integratsiyasining formal modelini ishlab chiqish; • integratsiyaning innovasion, iqtisodiy va strategik samaradorligini baholash. • 3. Asosiy qism ISO standartlari zamonaviy sifat boshqaruvi nazariyasining institusional tayanchini tashkil etadi. ISO 9001 standartlari Deming, Juran va Crosby maktablariga tayanilgan holda “jarayonga yo‘naltirilgan boshqaruv”, “uzluksiz yaxshilash” va “mijoz qiymati” konsepsiyalarini umumlashtiradi [4–6]. Bu standartlar sifatni faqat natija emas, balki tizimli jarayon sifatida talqin qiladi. ISO 9001 da sifat quyidagi metodologik zanjir orqali ta’riflanadi: talab → jarayon → resurs → natija → qanoatlanish. Bu zanjir sifatni statik ko‘rsatkich emas, balki dinamik tizim sifatida ko‘rishga imkon beradi. ISO 50001 energiya boshqaruvida ham xuddi shu metodologik tamoyilga asoslanib, energiya iste’molini ma’lumotlar orqali tahlil qilish va uzluksiz optimallashtirishni nazarda tutadi [2]. ISO 56002 esa yuqoridagi masalalarni innovatsiyani boshqariladigan tizim sifatida modellashtiradi [3]. Ushbu uch standart birgalikda sifat–samaradorlik–innovatsiya triadasini shakllantiradi. Nazariy jihatdan, ISO standartlari institusional iqtisodiyot nuqtai nazaridan qoidalar va cheklovlar tizimi bo‘lib, ular subyektlarning xulq-atvorini barqarorlashtiradi. Biroq standartlar deterministik bo‘lib, muhitning o‘zgaruvchanligini hisobga olishda cheklangan. Shu yerda sun’iy intellekt tizimlari ehtimoliy, statistik va o‘rganuvchi mexanizm sifatida ISO standartlarining dinamik kengayishiga aylanadi [7, 8]. Bu munosabatni formallashtirish uchun ISO va AI integratsiyasining konseptual samaradorligi quyidagicha ifodalanadi: 𝑄⋅𝐼 𝐸= 1+𝑅 bu yerda: 𝐸— ISO–AI integratsiyasining umumiy samaradorligi; 7

𝑄— ISO standartlari asosida ta’minlangan sifat darajasi; 𝐼— sun’iy intellekt algoritmlarining tahliliy va prognoz qobiliyati; 𝑅— risk va noaniqlik indeksi. Bu formula shu yerda keltirilgan, chunki u ISO standartlarining normativ barqarorligi va AI texnologiyalarining intellektual dinamikasini yagona metodologik ifodaga keltiradi. U sifat boshqaruvida standartlar va AI o‘rtasidagi sinergetik ta’sirni formal ravishda asoslaydi. ISO standartlari faqat reglament emas, balki ma’lumotlarga asoslangan boshqaruvga ochiq arxitekturadir. Shu sababli AI texnologiyalari ISO talablarini amaliy qarorlarga aylantiruvchi intellektual “dvigatel” vazifasini bajaradi. Sun’iy intellekt texnologiyalari sifat boshqaruvida oddiy avtomatlashtirish vositasi emas, balki qaror qabul qilishning epistemologik modeli sifatida namoyon bo‘ladi. Mashinali o‘rganish, neyron tarmoqlar va intellektual agentlar ISO standartlari tomonidan belgilangan talablarni real vaqtda baholash, prognozlash va optimallashtirish imkonini beradi [7], [8]. Metodologik jihatdan AI quyidagi uch funksiyani bajaradi: 1. Epistemik funksiya – ma’lumotlardan bilim chiqarish; 2. Prognostik funksiya – kelgusi holatlarni ehtimoliy modellashtirish; 3. Normativ funksiya – standartlarga mos qarorlarni taklif qilish. ISO standartlari jarayonlarni “qanday bo‘lishi kerak” nuqtai nazaridan ta’riflaydi, AI esa “real holat qanday” va “eng yaxshi yechim qaysi” degan savollarga javob beradi. Shu bois, ISO–AI uyg‘unligi sifat boshqaruvini reaktiv nazoratdan proaktiv boshqaruvga aylantiradi. AI asosidagi sifat boshqaruv tizimi ISO talablarini statistik ma’lumotlar bilan boyitib, o‘zo‘zini o‘rganuvchi mexanizmga aylanadi. Bu yerda sifat ko‘rsatkichlari doimiy qayta hisoblanadi, xatolar ehtimoli oldindan aniqlanadi va resurslar optimal taqsimlanadi. Shu orqali ISO standartlari “tirik” boshqaruv tizimiga aylanadi. Bu munosabatni nazariy jihatdan umumlashtirish uchun integratsiya jarayoni quyidagi tushunchaga tayanadi: sifat = standartlashtirilgan qoidalar × intellektual tahlil. Bu yerda standartlar barqarorlikni, AI esa moslashuvchanlikni ta’minlaydi. ISO–AI integratsiyasini faqat texnologik yechim sifatida emas, balki metodologik tizim sifatida ko‘rish zarur. Bu tizimda standartlar institusional chegaralarni belgilaydi, AI esa shu chegaralar ichida eng optimal yechimlarni topadi. Integratsiyaning metodologik modeli quyidagi bosqichlardan iborat: 1. ISO standartlari asosida jarayonlarni formallashtirish; 2. Ma’lumotlarni yig‘ish va tozalash; 3. AI algoritmlari orqali tahlil va prognoz; 4. Natijalarni ISO talablari bilan taqqoslash; 5. Uzluksiz yaxshilash qarorlarini ishlab chiqish. Bu jarayonni formallashtirish uchun innovasion samaradorlik quyidagicha ifodalanadi: 𝐸 ⋅ 𝐼𝑛 𝐼𝑃 = 1+𝑅 bu yerda: 𝐼𝑃— ISO–AI integratsiyasi orqali shakllangan innovasion potensial; 𝐸— oldingi formula orqali aniqlangan umumiy samaradorlik; 𝐼𝑛— innovasion faoliyat darajasi (texnologik va tashkiliy); 𝑅— noaniqlik va institusional qarshiliklar indeksi. Bu formula ISO standartlarining barqarorligi bilan AI texnologiyalarining yangilik yaratish qobiliyati o‘rtasidagi nisbatni aniqlash imkonini beradi. U innovatsiya ISO talablarini buzmasdan qanday rivojlanishini metodologik jihatdan asoslaydi. 8

ISO–AI integratsiyasining afzalligi shundaki, innovatsiya xaotik emas, balki standartlarga mos va nazorat qilinadigan jarayonga aylanadi. Bu esa innovasion rivojlanishning institusional barqarorligini ta’minlaydi [1, 3, 7]. ISO standartlari an’anaviy tarzda barqarorlik va takrorlanuvchanlikni ta’minlashga qaratilgan bo‘lsa, sun’iy intellekt texnologiyalari noaniq muhitda yangi bilim va yechimlarni ishlab chiqish qobiliyati bilan farq qiladi. Ushbu ikki tizimni birlashtirish natijasida innovatsiya “tasodifiy ijod” emas, balki ma’lumotlarga asoslangan, standartlashtirilgan va boshqariladigan jarayonga aylanadi [3, 7]. Innovatsiyaning ISO–AI muhitida shakllanishi quyidagi mexanizm orqali amalga oshadi: ISO standartlari innovatsiya jarayoni uchun institusional chegaralarni belgilaydi, AI esa shu chegaralar ichida eng yuqori qiymatli yechimlarni topadi. Bu holatda innovatsiya riskli eksperiment emas, balki hisoblangan, prognozlangan va nazorat qilinadigan faoliyatga aylanadi. ISO 56002 standarti innovatsiyani boshqaruv tizimi sifatida ta’riflab, uni strategiya, jarayonlar, resurslar va natijalar bilan bog‘laydi [3]. AI texnologiyalari esa ushbu bog‘liqliklarni real vaqtda tahlil qilib, qaysi innovasion yo‘nalish eng yuqori iqtisodiy va sifat samarasini berishini ko‘rsatib beradi. Bu munosabatni konseptual jihatdan quyidagicha ifodalash mumkin: innovatsiya darajasi standartlashtirilgan jarayonlar bilan intellektual tahlilning ko‘paymasi sifatida shakllanadi. Bunda ISO standartlari innovatsiyani tartibga solsa, AI uni tezlashtiradi va optimallashtiradi. ISO standartlari va sun’iy intellekt integratsiyasi faqat texnik yoki tashkiliy yutuq emas, balki iqtisodiy va ijtimoiy natijalarni ham shakllantiradi. Iqtisodiy jihatdan bu integratsiya xarajatlarni qisqartirish, resurslardan samarali foydalanish va mahsulot sifatini barqaror oshirish orqali qiymat yaratadi [1, 2, 7]. ISO 50001 energiya boshqaruvida AI algoritmlari bilan birlashganda, energiya iste’molini prognozlash, yuklamalarni optimal taqsimlash va chiqindilarni kamaytirish imkonini beradi. Bu esa ishlab chiqarish xarajatlarini pasaytiradi va korxonaning bozordagi raqobatbardoshligini oshiradi. Iqtisodiy samaradorlikni integratsiya kontekstida quyidagicha ifodalash mumkin: 𝐸 ⋅ 𝐶𝑠 𝐸𝐶 = 1 + 𝑅𝑐 bu yerda: 𝐸𝐶— ISO–AI integratsiyasining iqtisodiy samaradorligi; 𝐸— umumiy integratsiya samaradorligi; 𝐶𝑠 — xarajatlarni tejash va resurs samaradorligi indeksi; 𝑅𝑐 — iqtisodiy risk va bozor noaniqligi. Bu formula shu yerda keltirildi, chunki u standartlashtirilgan sifat boshqaruvi va AI orqali optimallashtirilgan xarajatlar o‘rtasidagi bog‘liqlikni formal ravishda ko‘rsatadi. U integratsiyaning iqtisodiy mantig‘ini ilmiy asoslaydi. Ijtimoiy jihatdan ISO–AI tizimi mehnat xavfsizligi, ish sharoiti va xodimlar malakasini oshirishga xizmat qiladi. AI orqali xavfli holatlar oldindan aniqlanadi, ISO standartlari esa mehnat muhofazasi va javobgarlikni institusional kafolatlaydi. Natijada korxona va jamiyat o‘rtasida ishonch mustahkamlanadi. Sifat, innovatsiya va raqobatbardoshlikni bir vaqtning o‘zida ta’minlash zamonaviy korxonalar uchun strategik vazifaga aylandi. ISO standartlari bu vazifaga institusional asos yaratsa, sun’iy intellekt uni amalga oshirishning intellektual mexanizmini beradi. Shu sababli ISO–AI integratsiyasi strategik boshqaruvning yangi modelini shakllantiradi [1, 3, 7]. An’anaviy strategik boshqaruv ko‘pincha davriy rejalashtirishga tayanadi. AI esa ISO talablariga tayangan holda strategiyani dinamik ravishda qayta hisoblash imkonini beradi. Bu, 9

ayniqsa, bozor konyunkturasi, energiya narxlari, resurs tanqisligi va sifat talablari tez o‘zgarayotgan sharoitda hal qiluvchi ahamiyatga ega. ISO–AI asosidagi strategiya “reaksiya qilish” emas, balki “oldindan harakat qilish” tamoyiliga asoslanadi. ISO standartlari strategik maqsadlarni belgilasa, AI ularga erishish uchun eng maqbul trayektoriyalarni hisoblab chiqadi. Bu jarayonda risklarni hisobga olish markaziy o‘rin tutadi. Strategik samaradorlikni formal ifoda qilish mumkin: 𝐸⋅𝑆 𝑆𝑆 = 1 + 𝑅𝑠 bu yerda: 𝑆𝑆— strategik samaradorlik; 𝐸— ISO–AI integratsiyasining umumiy samaradorligi; 𝑆— strategik resurslar va boshqaruv qobiliyati; 𝑅𝑠 — strategik risklar (bozor, texnologiya, institusional). Bu formula shu yerda kiritilgan, chunki u ISO standartlari bilan tartibga solingan resurslar va AI orqali hisoblangan strategiya o‘rtasidagi bog‘liqlikni aniqlash imkonini beradi. U strategiyani subyektiv qarorlardan ma’lumotlarga asoslangan boshqaruvga o‘tkazishni asoslaydi. ISO standartlari institusional iqtisodiyot nuqtai nazaridan qoidalar, me’yorlar va mas’uliyatlar tizimini tashkil etadi. AI esa ushbu qoidalar doirasida qaror qabul qilishni optimallashtiradi. Shu bilan ISO–AI integratsiyasi institusional barqarorlikni yangi darajaga ko‘taradi [1, 2]. Institusional barqarorlik deganda korxona yoki tizimning tashqi shoklar, bozor o‘zgarishlari va texnologik transformatsiyalarga qaramasdan barqaror ishlay olish qobiliyati tushuniladi. ISO standartlari bu barqarorlikni reglamentlar va audit orqali ta’minlasa, AI uni prognozlash va oldindan moslashish orqali mustahkamlaydi. ISO–AI muhitida institusional barqarorlik faqat qoidalarga itoat emas, balki qoidalarning samaradorligini doimiy qayta baholashga asoslanadi. AI standartlar qay darajada amal qilayotganini, qayerda samaradorlik pasayayotganini va qayerda yaxshilash imkoniyati borligini aniq ko‘rsatadi. Bu esa standartlarni “qotib qolgan” hujjat emas, balki evolyutsiya qiluvchi boshqaruv tizimiga aylantiradi. ISO standartlari va sun’iy intellektni integratsiyalash nazariy model emas, balki amaliy boshqaruv mexanizmi sifatida ishlaydi. Bu mexanizm korxonadagi barcha asosiy jarayonlarni — sifat, energiya, ta’minot, logistika va innovatsiyani yagona ma’lumotli muhitga bog‘laydi [1, 2, 7]. Amaliyotda ISO–AI integratsiyasi quyidagi prinsiplarga tayanadi: • jarayonlarni raqamlashtirish va standartlashtirish; • ma’lumotlarni markazlashgan bazaga jamlash; • AI orqali tahlil va prognoz qilish; • ISO talablari asosida qarorlarni baholash; • uzluksiz yaxshilash. Bu tizimda inson ekspertlari ISO standartlarining ma’no va maqsadini belgilasa, AI ularning bajarilish darajasini hisoblaydi. Natijada subyektiv baholash o‘rnini ma’lumotlarga asoslangan nazorat egallaydi. ISO–AI integratsiyasi korxonaning barcha darajasida — strategik, taktik va operasion — qaror qabul qilishni yagona metodologik asosga bog‘laydi. Bu esa sifat boshqaruvida fragmentar yondashuvdan tizimli boshqaruvga o‘tishni ta’minlaydi. ISO standartlarining markaziy g‘oyasi — uzluksiz yaxshilashdir. AI esa ushbu g‘oyani real vaqtda amalga oshirish imkonini beradi. Monitoring faqat tekshirish emas, balki o‘rganish jarayoniga aylanadi. 10

ISO–AI muhitida monitoring quyidagicha amal qiladi: har bir jarayon bo‘yicha sifat, energiya sarfi, xatolar, vaqt va xarajatlar haqidagi ma’lumotlar yig‘iladi va AI algoritmlari orqali tahlil qilinadi. Bu tahlil ISO talablari bilan solishtiriladi va avtomatik ravishda yaxshilash bo‘yicha tavsiyalar ishlab chiqiladi. Bu munosabatni umumiy samaradorlik indeksi orqali ifodalash mumkin: 𝐸 + 𝑆𝑆 + 𝐼𝑃 𝐸𝑡𝑜𝑡𝑎𝑙 = 3 bu yerda: 𝐸𝑡𝑜𝑡𝑎𝑙 — ISO–AI tizimining umumiy integratsiya samaradorligi; 𝐸— asosiy sifat samaradorligi; 𝑆𝑆— strategik samaradorlik; 𝐼𝑃 — innovasion potensial. Bu formula shu yerda keltirilgan, chunki u ISO–AI tizimining sifat, strategiya va innovatsiya o‘rtasidagi muvozanatini yagona ko‘rsatkichga keltiradi. U monitoringni faqat lokal ko‘rsatkichlar emas, balki tizimli samaradorlik asosida baholashga imkon beradi. ISO–AI asosidagi monitoring natijasida korxona o‘z faoliyatini faqat o‘tmish natijalariga emas, balki kelgusi ssenariylarga qarab ham boshqaradi. Bu esa uzluksiz yaxshilashni reaktiv emas, proaktiv jarayonga aylantiradi. An’anaviy sifat boshqaruvi ISO standartlariga asoslangan holda asosan reglament, audit va statistik nazoratga tayanadi. Bu yondashuv barqaror muhitda samarali, ammo dinamik bozor va texnologik o‘zgarishlar sharoitida yetarli emas [4, 5]. Sun’iy intellekt integratsiyasi esa ushbu cheklovlarni bartaraf etadi. ISO–AI modeli an’anaviy ISO tizimiga nisbatan quyidagi ustunliklarga ega: • qaror qabul qilish tezligi; • prognozlash imkoniyati; • risklarni oldindan aniqlash; • resurslarni intellektual taqsimlash. Bu farqni aniq ko‘rsatish uchun quyidagi taqqoslama jadval keltiriladi. Mezon Nazorat Qaror qabul qilish Risklar Innovatsiya Samaradorlik 1-jadval. An’anaviy ISO va ISO–AI modelining taqqoslamasi An’anaviy ISO ISO–AI modeli Davriy audit Real vaqt monitoringi Ekspertga tayanadi Ma’lumot va AI asosida Orqaga qarab baholanadi Oldindan bashorat qilinadi Sekin Tez va hisoblangan Barqaror Dinamik optimal Bu jadval shu yerda keltirilgan, chunki u ISO–AI integratsiyasining metodologik ustunligini aniq ko‘rsatadi va innovasion sifat boshqaruvi nega aynan intellektual modelga o‘tishi kerakligini asoslaydi. Xalqaro tajriba shuni ko‘rsatadiki, ISO standartlarini raqamli va AI asosida joriy etgan korxonalar sifat, energiya samaradorligi va innovatsiyada yuqori natijalarga erishmoqda [1, 2, 7]. Ayniqsa, sanoat 4.0 konsepsiyasi doirasida ISO–AI integratsiyasi asosiy ustunlikka aylanmoqda. Yevropa, Yaponiya va Janubiy Koreya korxonalari ISO 9001 va ISO 50001 tizimlarini AI asosidagi monitoring platformalari bilan bog‘lab, ishlab chiqarish xatolarini kamaytirish va energiya sarfini optimallashtirishga erishmoqda. Bu tajriba shuni ko‘rsatadiki, standartlar va AI o‘rtasidagi sinergiya raqobatbardoshlikni keskin oshiradi. 11

ISO–AI integratsiyasi xalqaro miqyosda sifat boshqaruvini faqat muvofiqlikni tekshirishdan strategik raqobat quroliga aylantirmoqda. Shu nuqtai nazardan, ushbu model rivojlanayotgan iqtisodiyotlar uchun ham yuqori ahamiyatga ega, chunki u sifatni raqamli transformatsiya bilan bog‘laydi. ISO–AI integratsiya modeli faqat texnik yangilik emas, balki sifatni boshqarishning yangi ilmiy paradigmasini ifodalaydi. Unda sifat statik me’yorlarga muvofiqlik sifatida emas, balki dinamik, o‘zgaruvchan va prognoz qilinadigan tizim sifatida qaraladi [3, 6]. Shu sababli ISO–AI modeli zamonaviy ilmiy metodologiyaga to‘liq mos keladi. An’anaviy ISO standartlari sifatni reglamentlar va protseduralar orqali ta’minlaydi. Ammo globallashuv, raqamlashuv va raqobat kuchaygan sharoitda bu yetarli emas. AI esa standartlarda belgilangan talablarni real vaqtda o‘lchaydi, tahlil qiladi va ularning bajarilish darajasini oldindan bashorat qiladi. Shu orqali ISO–AI modeli sifatni faqat nazorat qilish emas, balki uni oldindan boshqarish mexanizmiga aylantiradi. Bu modelning ilmiy ahamiyati shundaki, u klassik sifat nazariyasini (Deming, Juran, ISO) sun’iy intellekt nazariyasi bilan integratsiya qiladi va ularni yagona metodologik asosga keltiradi. Amaliy jihatdan esa, ISO–AI korxonalarga: • sifat yo‘qotishlarini kamaytirish; • energiya va resurs samaradorligini oshirish; • risklarni oldindan boshqarish; • innovatsiyani tez joriy etish imkonini beradi. ISO–AI modeli sifat boshqaruvining kelajagini belgilaydigan fundamental yo‘nalish sifatida qaraladi. Bu paradigmaga ko‘ra, sifat endi faqat mahsulot yoki xizmat xususiyati emas, balki butun korxona va jamiyat faoliyatini intellektual tarzda optimallashtiruvchi tizimga aylanadi [7, 8]. Sun’iy intellekt standartlarga moslikni tekshiruvchi vosita emas, balki standartlarning dinamik interpretatoriga aylanadi. Ya’ni AI ISO talablarini ishlab chiqarish muhiti, bozor talabi va texnologiyalar bilan uzluksiz bog‘lab turadi. Bu holatda ISO standartlari “qotib qolgan me’yorlar” emas, balki “aqlli boshqaruv algoritmlari” shakliga kiradi. Shuning uchun ISO–AI modeli faqat korxonalar uchun emas, balki milliy sifat infratuzilmasi, davlat boshqaruvi va raqamli iqtisodiyot uchun ham strategik ahamiyatga ega. 4. Xulosa Tadqiqot shuni ko‘rsatdiki, xalqaro sifat standartlari va sun’iy intellekt texnologiyalarining integrasiyasi sifat boshqaruvida mutlaqo yangi ilmiy-metodologik bosqichni shakllantiradi. ISO standartlari normativ asosni ta’minlasa, AI ularni real vaqtda o‘lchash, tahlil qilish va prognozlash orqali amalda ishlaydigan intellektual mexanizmga aylantiradi. ISO–AI modeli sifatni faqat muvofiqlik darajasi sifatida emas, balki raqobatbardoshlik, energiya samaradorligi, innovasiya va barqaror rivojlanishni ta’minlovchi strategik resurs sifatida talqin qiladi. Bu esa uni zamonaviy iqtisodiyot uchun ilmiy va amaliy jihatdan eng istiqbolli yondashuvga aylantiradi. 5. Adabiyotlar 1. ISO 9001:2015 – Sifat menejmenti tizimlari. Talablar. 2. ISO 50001:2018 – Energiya menejmenti tizimlari. Qo‘llash bo‘yicha talablar va ko‘rsatmalar. 3. ISO 9004:2018 – Sifatni barqaror muvaffaqiyatga yo‘naltirish. Menejment sifati. 4. ISO/IEC 22989:2022 – Sun’iy intellekt tushunchalari va atamalari. 5. ISO/IEC 23894:2023 – Sun’iy intellekt risklarini boshqarish. 6. Deming W. E. Out of the Crisis. MIT Press. 7. Juran J. M. Quality Planning and Analysis. McGraw-Hill. 8. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson. 12

VEB-ILOVALARDAGI FOYDALANUVCHI XATTI-HARAKATLARINI ANIQLASHNI INTELLEKTUAL TAHLIL QILISH ALGORITMLARI VA KIBERXAVFSIZLIKDAGI AHAMIYATI Alimova F. M., Xayrillayev A. Z. Muhammad al-Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti Annotatsiya: Veb-texnologiyalar va bulutli hisoblash platformalarining jadal ommalashishi axborot xavfsizligini ta’minlashni tubdan o‘zgartishga xizmat qilmoqda. Mavjud an’anaviy himoya vositalari ichki tahdidlar hamda autentifikatsiya ma’lumotlarining buzilishi bilan bog‘liq murakkab kiberhujumlarni aniqlashda o‘z samarasini yo‘qotmoqda. Ushbu tadqiqot ishi Mashinaviy oʻrganish (ML) metodologiyalariga asoslangan foydalanuvchilar va obyektlar xulqatvorini intellektual tahlil qilish (UEBA) tizimlari uchun algoritmlar ishlab chiqishning konseptual asoslarini taqdim etadi. Mazkur tadqiqot ishida veb-muhitdagi foydalanuvchi faoliyatini tahlil qilish orqali anomal xatti-harakatlarni erta bosqichda identifikatsiya qilish masalasi o‘rganiladi. Tadqiqot metodologiyasi ko‘p o‘lchovli ma’lumotlar to‘plamida anomaliyalarni ajratishga mo‘ljallangan Isolation forest va OC-SVM algoritmlarini qo‘llashga asoslangan. Tadqiqot doirasida veb-ilova jurnallari hamda axborot xavfsizligi va hodisalarni boshqarish (SIEM) tizimlaridan ma’lumotlarni yig‘ish, xususiyatlar muhandisligi va ko‘p bosqichli xavf ballarini hisoblash (risk-scoring) tizimining texnologik jarayonlari batafsil bayon etilgan. Xulosa qilib aytganda, adaptiv va intellektual xulq-atvor modellari zamonaviy kiberxavfsizlik ekotizimlarining evolyutsion rivojlanishida strategik rol o‘ynaydi. Kalit Soʻzlar: Foydalanuvchi xulq-atvori tahlili (UBA); Foydalanuvchi va obyekt xulqatvori tahlili (UEBA); Anomaliyani aniqlash; Mashinaviy oʻrganish; Chuqur oʻrganish; Ichki tahdid; Veb ilova xavfsizligi; Kiberxavfsizlik. Аннотация: Стремительное распространение веб-технологий и платформ облачных вычислений приводит к коренному пересмотру подходов к обеспечению информационной безопасности. Традиционные средства защиты утрачивают эффективность при выявлении сложных кибератак, связанных с внутренними угрозами и компрометацией аутентификационных данных. В данной работе представлены концептуальные основы разработки алгоритмов для систем интеллектуального анализа поведения пользователей и объектов (UEBA), основанных на методах машинного обучения (ML). В исследовании рассматривается задача ранней идентификации аномального поведения посредством анализа активности пользователей в веб-среде. Методология исследования базируется на применении алгоритмов Isolation Forest и OC-SVM, предназначенных для выявления аномалий в многомерных наборах данных. В рамках работы подробно описаны технологические процессы сбора данных из журналов веб-приложений и систем управления событиями и информационной безопасностью (SIEM), инженерии признаков, а также построения многоуровневой системы оценки рисков (risk scoring). В заключение отмечается, что адаптивные и интеллектуальные модели поведения играют стратегическую роль в эволюционном развитии современных экосистем кибербезопасности. Ключевые слова: анализ поведения пользователей (UBA); анализ поведения пользователей и объектов (UEBA); обнаружение аномалий; машинное обучение; глубокое обучение; внутренние угрозы; безопасность веб-приложений; кибербезопасность. Abstract: The rapid proliferation of web technologies and cloud computing platforms is fundamentally transforming approaches to ensuring information security. Traditional security mechanisms are losing effectiveness in detecting complex cyberattacks associated with insider 13

threats and the compromise of authentication data. This study presents the conceptual foundations for developing algorithms for User and Entity Behavior Analytics (UEBA) systems based on machine learning (ML) methodologies. The research focuses on the early identification of anomalous behavior through the analysis of user activity in web environments. The methodology is based on the application of Isolation Forest and One-Class Support Vector Machine (OC-SVM) algorithms for anomaly detection in multidimensional datasets. The study also provides a detailed description of technological processes, including data collection from web application logs and Security Information and Event Management (SIEM) systems, feature engineering, and the implementation of a multi-stage risk scoring system. In conclusion, adaptive and intelligent behavior models are shown to play a strategic role in the evolutionary development of modern cybersecurity ecosystems. Keywords: User Behavior Analytics (UBA); User and Entity Behavior Analytics (UEBA); anomaly detection; machine learning; deep learning; insider threat; web application security; cybersecurity. 1. Kirish Hozirgi davr axborot tizimlarida kiber-himoya samaradorligi ko‘p jihatdan autentifikatsiya ma’lumotlarining yaxlitligi bilan belgilanadi. Tadqiqotlar shuni ko‘rsatadiki, an’anaviy xavfsizlik tizimlari (Firewall, IDS) ma’lumotlar bazasidagi signaturalarga tayangani sababli, ruxsat etilgan kirish kanallari orqali sodir etiladigan murakkab ichki hujumlarni aniqlash imkoniyatiga ega emas. Ayniqsa, hisobni egallab olish va ichki xodimlar tomonidan sodir etiladigan qoidabuzarliklar kabi yashirin tahdidlar perimetrli himoya tizimlarini chetlab o‘tishi, xavfsizlikning yangi, xulq-atvor tahliliga asoslangan modellarini ishlab chiqishni taqozo etmoqda [11]. Mazkur tadqiqotda UEBA konsepsiyasi subyekt va obyektlarning (server, tarmoq infratuzilmasi va h.k.) operatsion dinamikasini tahlil qilishning asosiy mexanizmi sifatida talqin etiladi. Ma’lumotlar intellektual tahlili usullari yordamida foydalanuvchi faoliyatining normal profili yaratiladi. Ushbu profilga nisbatan qayd etilgan statistik anomaliyalar kiberxavfsizlik nuqtai nazaridan potentsial tahdid indikatorlari sifatida baholanadi [2, 12]. 1.1. Muammo bayonoti Veb-ilovalar zamonaviy axborot infratuzilmasining strategik aktivlari va ma’lumotlar bazasiga kirishning asosiy nuqtalari hisoblanadi. Mazkur ilovalar tomonidan generatsiya qilinadigan jurnallar foydalanuvchi hatti-harakatlari - autentifikatsiya vaqtlari, resurslar ierarxiyasi, ma’lumotlar tranzaksiyasi hajmi va “kliklar oqimi” traektoriyalari haqidagi ma’lumotlarni vaqtinchalik ketma-ketliklarni shakllantiradi [6]. Biroq, xavfsizlikka oid ushbu “Katta ma’lumotlar” (Big Data) oqimining hajmi, generatsiya tezligi va ko‘p o‘lchovliligi an’anaviy statistik metodlar yoki inson resursi yordamida tahlil qilish imkoniyatini amaliy jihatdan cheklaydi [13]. Tadqiqotning asosiy ilmiy muammosi quyidagi funksional imkoniyatlarga ega bo‘lgan adaptiv, real vaqt rejimida ishlovchi mashinaviy oʻrganish modellarini ishlab chiqishdan iborat: 1. Yuqori aniqlikdagi xulq-atvorni vaqtli seriyalardagi murakkab, nochiziqli naqshlarni tahlil qilish orqali, inson faoliyatiga xos bo‘lgan stoxastik shovqin va o‘zgaruvchanlikni inobatga olgan holda shaxsiylashtirilgan xulq-atvor modellarini yaratish. 2. Latent anomaliyalarni aniqlash va ma’lumotlar nomutanosibligini bartaraf etish - bir necha sessiya yoki resurslar doirasida tarqalgan, sezilarsiz chetlanishlarni identifikatsiya qilishdir. Bunda tizim sinflar taqsimotining keskin qiyshiqligi (ya’ni, anomal hodisalarning umumiy oqimda o‘ta kam ulushga egaligi) muammosiga chidamli bo‘lishi lozim [14]. 14

Mazkur yondashuvning tatbiq etilishi, ichki tahdidlar natijasida kelib chiqadigan va oylab aniqlanmay qolishi mumkin bo‘lgan moliyaviy zararlarga nisbatan tashkiliy barqarorlikni sezilarli darajada oshiradi [10, 15]. 2. Materiallar va metodlar: mashinaviy oʻrganish algoritmlari Veb-ilovalar muhitida xulq-atvor anomaliyalarini identifikatsiya qilish metodologiyasi ma’lumotlar agregatsiyasi va chuqurlashtirilgan xususiyatlar muhandisligidan tortib, modellarni amaliyotga joriy etish hamda dinamik xavfni baholash tizimini shakllantirishgacha bo‘lgan ko‘p bosqichli va mustahkam texnologik konveyerni qamrab oladi [7]. 2.1. Ma'lumotlarni yigʻish va xususiyatlar muhandisligi Tizimning kirish ma’lumotlari veb-ilovalar, server infratuzilmasi va autentifikatsiya platformalaridan olinadigan vaqtli qatorlar ko‘rinishidagi jurnallardan shakllanadi. Bunga kliklar oqimi, API so‘rovlari va server darajasidagi operatsion hodisalar kiradi. Tadqiqotning fundamental bosqichi hisoblangan xususiyatlar muhandisligi xom jurnal yozuvlarini (IP-manzillar, vaqt tamg‘alari, HTTP holat kodlari) yuqori qiymatga ega miqdoriy xulq-atvor ko‘rsatkichlariga o‘zgartirish nazarda tutadi [6, 22]. Asosiy metodologik maqsad - foydalanuvchi faoliyatining dinamikasini va kontekstini to‘liq aks ettiruvchi ko‘p o‘lchovli vaqtli qatorlar modelini shakllantirishdan iborat. 1-jadval. Fundamental xulq-atvor xususiyatlari Xususiyatlar toifasi Vaqtinchalik (Temporal) Resurs diversifikatsiyasi Maʼlumotlar sezgirligi Trafik dinamikasi Metrika va hisoblash Tavsifi va ahamiyati usuli Entropiya, Dispersiya, Faoliyatning barqarorligi va vaqtinchalik Chastota anomaliyalarni aniqlash. Foydalanuvchi uchun xos boʻlmagan Shennon indeksi (H) yangi resurslarga kirishni aniqlash. Siyosatga asoslangan Kritik maʼlumotlar bilan ishlashdagi xavf vaznli ball darajasini baholash. Inbound/Outbound Maʼlumotlarni ommaviy yuklab olish Ratio yoki sizdirish harakatlarini aniqlash. 2.2. Kuzatilmaydigan anomaliyani aniqlash modellar Tadqiqotda “zero-day” hujumlarini aniqlash maqsadida Isolation forest algoritmidan foydalaniladi. Mazkur metodning afzalligi shundaki, u ma'lumotlarning normal taqsimotini modellashtirish oʻrniga, anomaliyalarni toʻgʻridan-toʻgʻri izolyatsiya qilishga yoʻnaltirilgan. Qarorlar daraxti ierarxiyasida anomal nuqtalarning qisqa masofada ajralishi ularning gʻayritabiiylik darajasini belgilaydi [3]. Algoritmning O(n log n) darajadagi samaradorligi yuqori oʻlchovli xavfsizlik ma'lumotlarini tahlil qilishda resurslarni sezilarli darajada tejash imkonini beradi. Foydalanuvchining individual xulq-atvor modelini qurishda OC-SVM algoritmi xususiyatlar maydonidagi normal holat klasterini ajratib turuvchi nochiziqli gipertekislikni quradi. RBF yadrosi yordamida amalga oshiriladigan ushbu xaritalash jarayoni tizimning normal faoliyat ko‘lamini aniq belgilashga xizmat qiladi. Optimallashtirish jarayoni xususiyatlar fazosini minimallashtirish orqali modelning sezgirligini oshiradi [4]. Mazkur chiziqli bo‘lmagan chegara foydalanuvchi faoliyatidagi mikroskopik og‘ishlarni ham identifikatsiya qilishga qodir bo‘lib, chegaradan tashqaridagi har qanday harakatni real vaqt rejimida anomaliya sifatida qayd etadi. 15

2.3. Ketma-ketlik tahlili uchun chuqur oʻrganish Veb-ilovalar muhitida foydalanuvchi xulq-atvorini belgilovchi eng muhim omil - bu harakatlarning mantiqiy ketma-ketligidir. Shu sababli, sekvensial ma’lumotlarni tahlil qilishda rekurrent neyron tarmoqlari (RNN) va ularning modifikatsiyalari fundamental ahamiyatga ega [5]. Xususan, LSTM arxitekturasi o‘zining ventilli mexanizmlari (kirish, unutish va chiqish ventillari) yordamida ketma-ketliklardagi uzoq muddatli bog‘liqliklarni va kontekstual ma’lumotlarni o‘rganishda yuqori samaradorlik namoyish etadi [24]. Bu xususiyat LSTM tarmoqlarini foydalanuvchining odatiy buyruqlar zanjiri yoki kliklar oqimi traektoriyasini modellashtirish uchun optimal ish quroliga aylantiradi. Anomaliyalarni identifikatsiya qilish sinov ketma-ketligini tiklashdagi rekonstruksiya xatoligini hisoblashga asoslanadi; xatolik koeffitsientining yuqoriligi mazkur ketma-ketlikning o‘rganilgan normal naqshlardan statistik jihatdan sezilarli darajada og‘ishini anglatadi [18]. T Anomaliya Ball = ∑||xt − x̂t ||2 (1) t=1 Bu yerda xt vaqt t dagi haqiqiy harakat, va 𝑥̂𝑡 LSTM dekoderidan qayta qurilgan harakatdir. 3. Natijalar va muhokama 3.1. Algoritmlarning qiyosiy ishlash koʻrsatkichlari Empirik tadqiqotlar natijalari, xususan, ochiq xavfsizlik ma'lumotlar toʻplamlari (CERT Insider Threat, KDD Cup 1999/2007) asosida oʻtkazilgan tajribalar, Mashinaviy oʻrganishga (MO) asoslangan UEBA tizimlarining an'anaviy statistik metodlarga nisbatan yuqori samaradorligini doimiy ravishda tasdiqlamoqda [8, 9]. Tadqiqot shuni koʻrsatadiki, muayyan algoritmni tanlash bevosita kutilayotgan tahdid vektori va tizimning hisoblash resurslariga bogʻliq. LSTM modellari ketma-ket hujumlarni aniqlashda yuqori toʻliqlik koeffitsientini ta'minlab, Yolgʻon-manfiy natijalar darajasini minimallashtiradi. Oʻz navbatida, Isolation forest algoritmi nuqtali anomaliyalarni real vaqt rejimida aniqlashda yuqori miqyoslanuvchanlik va operatsion tezlikni namoyish etadi. 2-jadval. Algoritmlarni qiyoslash Algoritm Oʻrganish turi Vaqt murakkabligi Asosiy afzallik (xulosa) O(T n m2) (bu yerda Vaqtinchalik kontekst va Kuzatilmaydigan/ LSTM T ketma-ketlik ketma-ketlik anomaliyalarini yarim-kuzatiladigan uzunligi) qamrab oladi [5] Yuqori oʻlchamli Izolyatsiya Kuzatilmaydigan O(n log n) ma'lumotlarda yuqori oʻrmoni samaradorlik; miqyoslilik [3] Mustahkam, chiziqli O(n2) dan O(n3) boʻlmagan chegarani OC-SVM Kuzatilmaydigan gacha aniqlash, kichik/toza ma'lumotlarda samarali [4] LSTM arxitekturasining diqqat mexanizmi bilan boyitilishi kiberxavfsizlik tahlilida yangi bosqichni belgilab berdi. Ushbu mexanizm uzoq vaqtli va murakkab harakatlar zanjirida aynan qaysi hodisa anomaliyaga sabab bo‘lganini og‘irlik koeffitsientlari orqali aniqlash imkonini beradi. Bu esa yuqori aniqlikdagi klassifikatsiya bilan bir qatorda, xavfsizlik hodisalarini diagnostika qilishda yuqori samaradorlikni ta’minlaydi [25]. 16

3.2. Xavf ballarini hisoblash va jiddiylik darajasini aniqlash Amaliy UEBA platformasining fundamental tarkibiy qismlaridan biri - identifikatsiya qilingan anomaliyalarni operativ chora koʻrishga asos boʻladigan integrallashgan xavf koeffitsientiga transformatsiya qilishdir [16]. Yakuniy xavf balli (Rscore) xom anomaliyaning jiddiylik darajasi hamda deterministik kontekstual omillarning dinamik funksiyasi sifatida quyidagicha ifodalanadi: 𝑅𝑠𝑐𝑜𝑟𝑒 = 𝑤1 𝐴𝑗𝑖𝑑𝑑𝑖𝑦𝑙𝑖𝑔𝑖 + 𝑤2 𝐶𝑓𝑜𝑦𝑑𝑎𝑙𝑎𝑛𝑢𝑣𝑐ℎ𝑖 + 𝑤3 𝑇𝑟𝑒𝑠𝑢𝑟𝑠 + 𝑤4 𝐻ℎ𝑜𝑑𝑖𝑠𝑎𝑙𝑎𝑟 (2) Bu yerda Ajiddiyligi anomaliyaning statistik jiddiyligi, Cfoydalanuvchi foydalanuvchining tarixiy xavf profili (masalan, yuqori xavfli foydalanuvchi), Tresurs kirilgan resursning sezgirligi, Hhodisalar boshqa bir vaqtning oʻzida sodir boʻlgan hodisalar bilan bogʻliqlik va wi oʻrganilgan ogʻirliklardir [14, 17]. Xavfga asoslangan ushbu yondashuv ogohlantirishlar tashkiliy ta'sir asosida ustuvor boʻlishini ta'minlaydi, ogohlantirish charchogʻini minimallashtiradi va SOC ning tezkor javobini ta'minlaydi. Kiberxavfsizlik ekotizimida mashinaviy oʻrganish modellarining interpretatsiyaviylik (interpretability) qobiliyati xavfsizlik hodisalariga tezkor va samarali javob qaytarishda hal qiluvchi omil hisoblanadi. Tahlilchilar tizim tomonidan qayd etilgan har bir anomaliyaning mantiqiy asoslarini aniq tushunishlari talab etiladi. Shu maqsadda, LSTM kabi arxitekturalariga inson tomonidan tahlil qilinishi mumkin boʻlgan tushuntirishlarni taqdim etuvchi algoritmlar integratsiya qilinadi. Ushbu metodologiyalar har bir kirish xususiyatining yakuniy xavf balliga qoʻshgan hissasini miqdoriy baholash imkonini beradi, bu esa oʻz navbatida intellektual tizimning ishonchliligini va amaliy foydaliligini sezilarli darajada oshiradi [3, 22]. 4. Xulosa va kelajakdagi Ishlar 4.1. Xulosa Intellektual tahlil algoritmlari zamonaviy axborot xavfsizligi tizimlarida, xususan, vebilovalarni murakkab kiber-tahdidlardan himoya qilishda fundamental zaruriyat hisoblanadi. Ilg‘or mashinaviy o‘rganish va chuqur o‘rganish modellarining UEBA tizimlariga integratsiyalashuvi tashkilotlarga reaktiv, qoidalarga asoslangan himoya strategiyasidan faol, adaptiv va xulq-atvor tahliliga tayanuvchi himoya modeliga o‘tish imkonini beradi [1, 2]. Tadqiqot natijalari shuni ko‘rsatadiki, isolation forest va OC-SVM kabi nazoratsiz o‘rganish algoritmlari yuqori tezlikdagi anomaliyalarni identifikatsiya qilishda samarali bo‘lsa, LSTM kabi temporal modellar ko‘p bosqichli va murakkab ketma-ketlikdagi tahdidlarni aniqlash uchun zarur kontekstual tahlilni ta’minlaydi [5, 24]. Ushbu metodologiyaning muvaffaqiyati aniq xulq-atvor etalonlarini shakllantirish, kichik amplitudali anomaliyalarni o‘z vaqtida qayd etish hamda ularni dinamik xavf ballari orqali operativ qaror qabul qilishga asos bo‘ladigan ustuvor ogohlantirishlarga transformatsiya qilish qobiliyati bilan belgilanadi [9, 14]. 4.2. Kelajakdagi Ishlar Kelajakdagi tadqiqotlar joriy cheklovlarni bartaraf etish uchun uchta asosiy yoʻnalishga e'tibor qaratishi kerak: 1. Hujumlarda ishlatiladigan mashinaviy o‘rganish mustahkamligi - zararli foydalanuvchilar oʻzlarining haqiqiy gʻayritabiiy faoliyatlarini niqoblash uchun ataylab normal koʻrinishdagi shovqin hosil qiladigan ma'lumotlarni zaharlash yoki qochish hujumlariga chidamli boʻlgan UEBA modellarini ishlab chiqish [26]. 2. Federativ oʻrganish va maxfiylikni saqlovchi UEBA modellariga xom foydalanuvchi ma'lumotlarining maxfiyligini buzmasdan va GDPR kabi qat'iy qoidalarga rioya qilgan holda markazlashmagan, koʻp tashkilotli ma'lumotlar toʻplamlaridan (masalan, tahdid razvedkasi 17

ma'lumotlarini almashayotgan banklar) oʻrganishga imkon berish uchun federativ oʻrganishdan foydalanishni oʻrganish [27]. 3. Foydalanuvchi xulq-atvorini faqat ketma-ketlik sifatida emas, balki foydalanuvchilar, ilovalar va ma'lumotlar oʻrtasidagi oʻzaro ta'sirlarning murakkab tarmoqlari sifatida modellashtirish uchun graf neyron tarmoqlarini oʻrganish, bu esa murakkab til biriktirish yoki tashkiliy darajadagi tahdidlarni aniqlash imkoniyatini beradi [28]. 5. Adabiyotlar 1. Al-Mhiqani, M. N., et al. (2020). A framework for detecting insider threats based on user behavior patterns using recurrent neural networks. Journal of Cybersecurity and Forensics, 10(4), 112-125. 2. Zhang, J., & Yan, L. (2025). Adaptive attention network architecture for interpretable anomaly detection in corporate information systems. IEEE Transactions on Cybernetics. 3. Klots, Y., et al. (2025). Intelligent data monitoring anomaly detection system based on statistical and machine learning approaches. CEUR Workshop Proceedings, 4042, 80-89. 4. Wang, C., Liu, C., & Zeng, S. (2023). User behavior anomaly detection for cloud platforms using an improved One-Class Support Vector Machine. Security and Communication Networks, 2023. 5. Perapu, P. P. (2025). Anomaly Detection in User Behaviour Using Machine Learning For Cloud Platforms. International Journal of Scientific Research in Computer Science Engineering and Information Technology, 11(3), 805-809. 6. Dommari, S. (2022). Self-learning algorithms and attention mechanisms for hidden pattern identification in user actions. International Journal of Computer Science and Network Security, 22(5), 18-25. 7. Deng, S., et al. (2021). Anomaly detection system for web access logs based on a novel feature extraction and deep learning method. Future Generation Computer Systems, 124, 196-207. 8. Saha, A., & Balamurugan, V. (2024). A comparative study of machine learning algorithms for insider threat detection using CERT data. Procedia Computer Science, 232, 212221. 9. Zuech, E., et al. (2022). Survey of machine learning applications in insider threat detection. Journal of Network and Computer Applications, 198, 102914. 10. Legg, S. (2023). The hidden cost of credential compromise: Analyzing the dwell time of insider threats. Cyber Defense Review, 8(1), 35-50. 11. Al-Omari, H., & Al-Kabi, M. (2021). Enhancing web application security: A machine learning approach for anomaly-based intrusion detection. Journal of Information Security and Applications, 57, 102715. 12. Forrester Research. (2024). The State of User and Entity Behavior Analytics (UEBA): 2024 Trends and Forecasts. 13. Xu, Z., et al. (2020). Big data analysis for cybersecurity: A survey. Journal of Network and Computer Applications, 134, 1-13. 14. Johnson, R. (2023). Reducing false positives in UEBA: A dynamic thresholding and risk scoring approach. Security Journal, 36(2), 290-310. 15. IBM Security. (2024). Cost of a Data Breach Report. (Specific finding regarding long dwell times). 16. Gartner Research. (2024). Market Guide for User and Entity Behavior Analytics. 17. Fabbri, M., et al. (2021). A system for insider threat detection based on behavior modeling and real-time monitoring. Computer Networks, 194, 108151. 18. Ma, R., & Liu, Q. (2022). Detecting user account compromise in online services using geo-velocity and LSTM networks. IEEE Access, 10, 89345-89357. 18

19. Ghasemzadeh, A., et al. (2023). A temporal analysis of APT lateral movement using sequence-to-sequence deep learning models. Computers & Security, 134, 103445. 20. Chandola, V., Banerjee, A., & Kumar, V. (2020). Anomaly detection: A survey. ACM Computing Surveys (CSUR), 41(3), 1-58. 21. Van den Bosch, P., et al. (2023). Semi-supervised machine learning for detecting novel cyber threats in large enterprises. Expert Systems with Applications, 220, 119741. 22. Zampieri, F., et al. (2024). Explainable AI for Cybersecurity: A Survey on Interpretable Intrusion Detection Systems. ACM Transactions on Cyber-Physical Systems. 23. Al-Quraishi, M., & Al-Bassam, M. (2021). Feature engineering for user profiling in web application security: A comparative study. International Journal of Security and Its Applications, 15(3), 121-135. 24. Chen, Y., et al. (2022). Deep learning-based sequence anomaly detection for user behavior modeling in web systems. Neurocomputing, 490, 312-320. 25. Chen, Y., et al. (2023). Attention-based LSTM for anomaly detection in user sequences: Enhancing interpretability and accuracy. Pattern Recognition Letters, 168, 1-8. 26. Biggio, B., & Roli, F. (2022). Adversarial machine learning in cybersecurity. IEEE Security & Privacy, 20(1), 81-87. 27. Mothukuri, V., et al. (2022). Federated learning for cybersecurity: A survey of trends and challenges. Future Generation Computer Systems, 127, 269-281. 28. Wang, C., et al. (2024). Graph neural networks for organizational security: Detecting collusive insider threats. IEEE Transactions on Information Forensics and Security, 19, 10341047. 19

LI-FI TEXNOLOGIYASINI TELEKOMMUNIKATSIYA SOHASIDA QO'LLANILISHINING AFZALLIKLARI VA KAMCHILIKLARINI TAHLIL QILISH Nodirbek Abdulxayev Kommunikatsiya va axborot texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; abdulxayev.nodirbek@gmail.com Annotatsiya: Mazkur maqolada Li-Fi (Light Fidelity) texnologiyasining telekommunikatsiya sohasidagi o'rni, afzalliklari va kamchiliklari ilmiy jihatdan tahlil qilinadi. Maqolada Li-Fi ning Wi-Fi va 5G bilan qiyosiy tahlili amalga oshirilgan bo'lib, yorug'lik to'lqinlari orqali ma'lumot uzatishning fizik asoslari, spektral samaradorligi hamda xavfsizlik xususiyatlari ko'rib chiqiladi. Sun'iy intellekt algoritmlari, xususan chuqur o'qitish (deep learning), kuchaytirilgan o'rganish (reinforcement learning) va neyron tarmoqlar yordamida Li-Fi tizimlarini optimallashtirish yo'llari taklif etiladi. Tadqiqot natijalari shuni ko'rsatadiki, Li-Fi texnologiyasi yuqori tezlikli, xavfsiz va elektromagnit interferensiyasiz simsiz aloqa uchun istiqbolli yechim sifatida namoyon bo'ladi, ayniqsa sog'liqni saqlash, mudofaa, aviatsiya va sanoat IoT sohalarida keng qo'llanish imkoniyati, afzalliklari va samaradorligi tahlil qilinadi. Kalit so‘zlar: Li-Fi, VLC, OWC, OFDM, LED, fotodetektor, EMI, chuqur o'qitish (Deep Learning), kuchaytirilgan o'rganish (Reinforcement Learning), neyron tarmoqlar, IoT, optik kanal. Аннотация: В данной статье проводится научный анализ роли, преимуществ и недостатков технологии Li-Fi (Light Fidelity) в сфере телекоммуникаций. В работе представлен сравнительный анализ Li-Fi с технологиями Wi-Fi и 5G, а также рассмотрены физические основы передачи данных с использованием световых волн, спектральная эффективность и характеристики безопасности. Кроме того, предлагаются методы оптимизации систем Li-Fi с применением алгоритмов искусственного интеллекта, в частности глубокого обучения (Deep Learning), обучения с подкреплением (Reinforcement Learning) и нейронных сетей. Результаты исследования показывают, что технология Li-Fi является перспективным решением для высокоскоростной, безопасной и свободной от электромагнитных помех беспроводной связи. Особое внимание уделено возможностям её применения, преимуществам и эффективности в таких областях, как здравоохранение, оборона, авиация и промышленный IoT. Ключевые слова: Li-Fi, VLC, OWC, OFDM, LED, фотодетектор, EMI, глубокое обучение, обучение с подкреплением, нейронные сети, IoT, оптический канал. Abstract: This article provides a scientific analysis of the role, advantages, and disadvantages of Li-Fi (Light Fidelity) technology in the field of telecommunications. The study includes a comparative analysis of Li-Fi with Wi-Fi and 5G technologies, examining the physical principles of data transmission through light waves, spectral efficiency, and security characteristics. Furthermore, methods for optimizing Li-Fi systems using artificial intelligence algorithms— particularly deep learning, reinforcement learning, and neural networks—are proposed. The research findings indicate that Li-Fi technology represents a promising solution for high-speed, secure, and electromagnetic interference-free wireless communication. In particular, its potential applications, advantages, and efficiency are analyzed in sectors such as healthcare, defense, aviation, and industrial IoT. Keywords: Li-Fi, VLC, OWC, OFDM, LED, photodetector, EMI, Deep Learning, Reinforcement Learning, Neural Networks, IoT, optical channel. 20

1. Kirish Bugungi kunda zamonaviy axborot texnologiyalardan foydalangan xolda oliy ta’lim muassasalarida tehsil olayotgan tabalarni oʻqitish va amaliy tajribasini oshirishga qaratilgan koʻplab ishlar olib borilmoqda. O‘zbekiston Respublikasi Prezidentining “O‘zbekiston Respublikasi oliy ta’lim tizimini 2030-yilgacha rivojlantirish konsepsiyasini tasdiqlash to‘g‘risida”gi 2019-yil 8-oktabrdagi PF-5847-son farmoni qabul qilingan boʻlib, ushbu qarorning 1-ilovasining ikkinchi paragrifi ya’ni ta’lim jarayoniga raqamli texnologiyalar va zamonaviy usullarni joriy etishda zamonaviy axborot-kommunikatsiya texnologiyalari va ta’lim texnologiyalarining mustahkam integratsiyasini ta’minlashga qaratilgan qator vazifalar belgilab berilgan [1]. Hozirda dunyo tajribasidan koʻrishimiz mumkinki oliy ta’lim tizimini rivojlantirishga qaratilgan qator zamonaviy texnologiyalardan foydalanib kelinmoqda. Shulardan biri esa Li Fi texnologiyasini o’rganish va ta’lim jarayoniga tadbiq etish lozim. XXI asrning ikkinchi o'nilligi raqamli texnologiyalar rivojining yangi bosqichini boshlab berdi. Simsiz aloqa tizimlarining jadal rivojlanishi, ayniqsa Internet of Things (IoT), 5G va o'ta keng polosali tarmoqlarning keng joriy etilishi, mavjud radio chastota (RF) spektrining jiddiy qisqarib borayotganligi muammosini yanada keskinlashtirmoqda. Mutaxassislar fikricha, 2030 yilga borib mobil internet trafigi hajmi 2020 yilga nisbatan 100 martadan ortiq oshishi kutilmoqda. Bu holat RF spektri tanqisligi muammosini yanada dolzarb qilmoqda. Bunday sharoitda Li-Fi (Light Fidelity) texnologiyasi - yorug'lik to'lqinlari, xususan ko'rinadigan yorug'lik diapazonida (380–780 nm) ma'lumot uzatuvchi optik simsiz aloqa texnologiyasi - muqobil yechim sifatida katta qiziqish uyg'otmoqda. Li-Fi tushunchasini birinchi marta 2011 yilda shotlandiyalik olim professor Harald Haas TED konferensiyasida taqdim etdi. U LED lampochkadan ma'lumot uzatish qurilmasi sifatida foydalanish konsepsiyasini ilgari surdi. Mavjud RF-asosli simsiz tarmoqlar, xususan Wi-Fi, bir qator cheklovlarga ega: spektr bandidan foydalanishning chegaralanganligi, tibbiy va harbiy muhitlarda elektromagnit interferensiya (EMI) xavfi, hamda shifrlash mexanizmlarining yetarlicha kuchli emasligi. Li-Fi texnologiyasi ushbu muammolarga nisbatan tubdan yangi yondashuv taklif qiladi: yorug'lik to'lqinlari RF to'lqinlarga qaraganda 10,000 marta keng bo'lgan spektrdan foydalanadi, ular devor va to'siqlardan o'tmaydi (bu esa fizikaviy xavfsizlikni oshiradi) va EMI hosil qilmaydi [2]. Shu bilan birga, Li-Fi texnologiyasining keng tarqalishiga to'sqinlik qilayotgan bir qator muammolar mavjud: tashqi yorug'lik manbalari interferensiyasi, harakatchanlikning chegaralanganligi, yorug'lik to'siq orqali o'tmasligi, shuningdek, LED modulyatsiyasi va fotodetektör signalini real vaqtda qayta ishlashning texnik murakkabligidir. Mazkur maqola ana shu muammolarni tahlil qilish va sun'iy intellekt (AI) texnologiyalari yordamida ularni hal etish yo'llarini asoslash maqsadida yozilgan. 2. Adabiyotlar tahlili Li-Fi texnologiyasi VLC (Visible Light Communication) va optik simsiz aloqa (OWC) tamoyillariga asoslanadi. Texnologiyaning ishi asosan uchta asosiy komponentdan tashkil topadi: ma'lumot yuboruvchi LED manba, optik aloqa kanali (havo muhiti) va fotodetektör qabul qiluvchi qurilma. LED elementlarning yoritish tezligini sekundiga millionlab marta modulyatsiya qilish imkoniyati aloqa kanalini shakllantiradi. Ushbu modulyatsiya insonning ko'zi bilan ilg'ab bo'lmaydi, ammo fotodetektör bu tebranishlarni signal sifatida qabul qiladi va qayta ma'lumotga aylantiradi [4]. Yorug'lik spektrining umumiy kengligi taxminan 300 THz ni tashkil etadi, bu esa mavjud RF spektrining butun bandining taxminan 10,000 baravariga teng. Buning ustiga, Li-Fi tizimlarida OFDM (Orthogonal Frequency Division Multiplexing) modulyatsiya usulidan foydalanish hisobiga ma'lumot uzatish tezligi 224 Gbit/s ga yetkazilganligi laboratoriya sharoitlarida 21