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

5. Edgar M.G. Topology and Fraktal Geometry // Springer-Verlag, New York, 1990. –C. 92-99. 6. Акимов О.Е. Дискретная математика: логика, группы, графы, фракталы. // М: Издатель АКИМОВА, 2005. - 656 с. 7. Балханов В.К. Основы фрактальной геометрии и фрактального исчисления // Отв. ред. Ю.Б. Башкуев. -Улан-Удэ: Изд-во Бурятского госуниверситета, 2013. -224 с. 8. Брылкин Ю.В. Создание цифровых моделей рельефа в трёхмерном пространстве методами фрактальной геометрии // Digital Earth and Big Data GraphiCon 2017. – C. 295-297. 9. Гелашвили Д.Б., Иудин Д.И., Розенберг Г.С., Якимов В.Н., Солнцев Л.А. Фракталы и мультифракталы в биоэкологии. // Монография. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2013, - 370 с. 10. Saidkulov E.A. Fraktal tuzilishli yer sirtini geometrik modellashtirish va vizuallashtirish. // Jurnal.Umft.uz ISSN 3060-5008. «Toshkent» -2025. -003 c. 11. Saidkulov E.A. Ibrohimova Z.E. Doirani geometrik shakillar bilan to‘ldirish yordamida orol dengizining fraktal o‘lchovini aniqlash. // Jurnal.Umft.uz ISSN 3060-5008. «Toshkent» -2025. -003 c. 62

ONLAYN MASOFAVIY TA’LIM TIZIMIDA BILIMLAR BAZASINI SHAKLLANTIRISH ALGORITMLARI Yakubov Maksadxan Sultaniyazovich1, Bekmuxammedov Bunyodbek Nurmuxammad o‘g‘li2 1 Toshkent axborot texnologiyalar universiteti professori maksadkhan@mail.ru, 2 Qoʻqon davlat universiteti doktoranti, bekmuhammedovb@gmail.com Annotatsiya: maqolada masofaviy ta’lim tizimlarining predmet sohalari bo‘yicha bilimlarni adekvat tarzda tavsiflaydigan original ontologik bilimlar modeli ishlab chiqilgan, ontologik tavsiflar bo‘limlari izomorfizmi tushunchasi kiritilgan hamda taklif etilgan amaliy ontologiyaning vazifaviy va mazmuniy qismlari o‘rtasidagi izomorfizmning konstruktiv isboti keltirilgan,.ontologiyaning mazmuniy va vazifaviy tarkibiy qismlarining izomorfizmi bunday ontologiyani ta’lim jarayonida qo‘llash uchun zaruriy shart ekanligi asoslab berilgan, individual o‘quv trayektoriyalaridagi nazorat nuqtalarini formal tahlil qilishga asoslangan holda ta’lim jarayonini nazorat qilish uchun semantik metrika ishlab chiqilgan. Individual o‘quv trayektoriyalarining predmet sohaga oid bilimlarni ontologik taqdim etish tizimi bilan o‘zaro bog‘liqligi isbotlangan bo‘lib, bu o‘quv materiallari klasterlarini shakllantirish jarayonlari bilan individual ta’lim trayektoriyalarini alohida ajratish imkonini beradi. Kalit so‘zlar: individual ta’lim trayektoriyalari, ontologiya, semantik tarmoqlar, tezaurus, masofaviy ta’limni individuallashtirish, gomomorfizm, psixologik model, izomorfizm, deskriptiv mantiq, ontologik model, intellektual texnologiya. Аннотация: В статье разработана оригинальная онтологическая модель знаний, адекватно описывающая предметные области систем дистанционного обучения. Введено понятие изоморфизма разделов онтологического описания, а также приведено конструктивное доказательство изоморфизма между функциональной и содержательной частями предложенной прикладной онтологии. Обосновано, что изоморфизм содержательных и функциональных компонентов онтологии является необходимым условием её эффективного применения в образовательном процессе. На основе формального анализа контрольных точек в индивидуальных образовательных траекториях разработана семантическая метрика для мониторинга учебного процесса. Доказана взаимосвязь индивидуальных образовательных траекторий с системой онтологического представления предметных знаний, что позволяет разделять индивидуальные траектории обучения и процессы формирования кластеров учебных материалов. Ключевые слова: индивидуальные образовательные траектории, онтология, семантические сети, тезаурус, индивидуализация дистанционного обучения, гомоморфизм, психологическая модель, изоморфизм, дескриптивная логика, онтологическая модель, интеллектуальные технологии. Abstract: This paper presents an original ontological knowledge model that adequately represents domain knowledge in distance learning systems. The concept of isomorphism between sections of ontological descriptions is introduced, and a constructive proof of the isomorphism between the functional and content components of the proposed applied ontology is provided. It is substantiated that the isomorphism of the content and functional components of an ontology is a necessary condition for its effective application in the educational process. Based on the formal analysis of control points in individual learning trajectories, a semantic metric for monitoring the learning process has been developed. The interrelation between individual learning trajectories 63

and the system of ontological representation of domain knowledge is proven, enabling the separation of individual learning paths from the processes of clustering educational materials. Keywords: individual learning trajectories, ontology, semantic networks, thesaurus, personalization of distance learning, homomorphism, psychological model, isomorphism, description logic, ontological model, intelligent technologies. 1. Kirish. Hozirgi vaqtda butun dunyoda inson faoliyatining barcha sohalarida texnologiyalarning intellektuallashuvi jarayoni uzluksiz ravishda ortib bormoqda. Bu holat qisqa vaqt ichida o‘z malakasini oshirish yoki qayta tayyorlanish imkoniyatiga ega bo‘lgan yuqori malakali mutaxassislarga bo‘lgan talabni yuzaga keltirmoqda. Shu munosabat bilan, zarurat tug‘ilganda ishlab chiqarishdan ajralmagan holda, minimal vaqt va moddiy xarajatlar evaziga qo‘shimcha bilimlarni egallay oladigan mutaxassislarning ahamiyati tobora ortib bormoqda. Nogironlik, vaqt yetishmasligi, ta’lim muassasasining uzoqligi, ta’limning yuqori narxi va boshqa omillar sababli o‘z ta’lim ehtiyojlarini to‘liq qondira olmayotgan shaxslar soni ham ortib bormoqda. Ushbu omillar ta’lim olishning yangi yo‘llarini izlashga undab, kompyuter va tarmoq texnologiyalaridan keng foydalangan holda tashkil etiladigan masofaviy ta’limga (MT) bo‘lgan e’tiborni kuchaytirmoqda. Onlayn masofaviy ta’limni tashkil etishda ta’lim muhitini to‘g‘ri tanlash muammosi muhim ahamiyat kasb etadi, chunki noto‘g‘ri tanlov ta’lim samaradorligining pasayishiga olib keladi. Bu holat o‘quv materialining noto‘g‘ri tushunilishi va yetarli darajada o‘zlashtirilmasligi, ta’limga bo‘lgan qiziqishning yo‘qligi, bilimlarni noto‘g‘ri baholash hamda belgilangan ta’lim maqsadlariga erishilmasligi bilan izohlanadi. Masofaviy ta’lim rivoji davomida minglab o‘quv ilovalari va o‘quv dasturlari yaratilgan va foydalanishga joriy etilgan bo‘lib, ular orasida eng keng tarqalganlari masofaviy ta’lim tizimlari (MTT) hisoblanadi. Masofaviy ta’lim tizimi deganda masofaviy ta’lim texnologiyalaridan foydalangan holda o‘quv dasturlarini yaratish va amaliyotga tatbiq etishda ishtirok etuvchi tashkiliy, telekommunikatsion, pedagogik va ilmiy resurslar, shuningdek texnik vositalar majmuasidan iborat bo‘lgan murakkab ko‘p komponentli tizim tushuniladi. Zamonaviy masofaviy ta’lim tizimlari, ilmiy tadqiqotlar natijalari va nashrlar tahlili shuni ko‘rsatadiki, hozirgi kunda MTTlarda tashqi resurslarda saqlanayotgan bilimlar, o‘quv materiallari va test topshiriqlarini to‘plash jarayoni yetarli darajada avtomatlashtirilmagan. Tizimlarda muayyan predmet sohasi bo‘yicha bilimlarni adekvat tavsiflaydigan va ularni keyingi masofaviy ta’lim jarayonida qo‘llash imkonini beradigan model mavjud emas. Shuningdek, o‘quvchi tizim bilan ishlashi davomida to‘plangan individual xususiyatlari haqidagi bilimlarni hisobga olgan holda o‘quv-uslubiy materiallar va nazorat test topshiriqlarini shakllantirish jarayoni ham yetarlicha avtomatlashtirilmagan. O‘quv kursining tuzilmasi to‘liq o‘qituvchi tomonidan belgilanadi, bu esa masofaviy ta’limning moslashuvchanligini pasaytiradi va agar kurs ustida bir nechta o‘qituvchi ishlasa, o‘quv materialining mazmuni hamda belgilangan ta’lim maqsadlarining turlicha talqin qilinishiga olib keladi. Natijada, o‘quv materiallarini avtomatlashtirilgan holda tanlashda individual yondashuvni va malakali yordamni ta’minlay oladigan yangi usullar hamda dasturiy vositalardan foydalanish zarurati yuzaga keladi. 2. Materiallar va usullar. Masofaviy ta’lim tizimlarining predmet sohalari bo‘yicha bilimlarni adekvat tavsiflash imkonini beruvchi amaliy ontologiya 1-rasmda keltirilgan. Taklif etilgan amaliy ontologiya doirasida masalaviy yondashuvning quyidagi asosiy g‘oyasini shakllantirish maqsadga muvofiq: “masalani yechish uchun talaba ushbu masalani yechishda zarur bo‘lgan barcha tushunchalarni o‘zlashtirishi lozim.” 64

Instrument System Concept SubjectMatter Subsection Problem *hasElement Learned Subsection NotSolvedProblem *hasSolved *hasLearned UnLearned Subsection Solver Student 1-rasm. “Problem, Subsection” ontologiyasi fragmentining semantik tarmog‘i Deskriptiv mantiq formulalari bilan konstruktiv ishlashni ta’minlash maqsadida ifodalar ikki bo‘limga ajratilgan: TBox va ABox, ular mos ravishda amaliy ontologiyaning abstrakt va konkret tarkibiy qismlarini tavsiflaydi. Ta’limga mo‘ljallangan amaliy ontologiya formulalarining raqamlanishi 1-jadvalda keltirilgan. № 1 2 3 4 5 6 7 8 9 10 11 12 13 14 1-jadval. Ta’limga mo‘ljallangan amaliy ontologiya formulalarining raqamlanishi Tushuncha / Konsept Formal ta’rif (deskriptiv mantiq) System = ∀ hasElement.Element Causa = ∃ hasConsequence.Consequence Instrument = ∃ hasActor.Person ∩ ∃ isApplied⁻.Problem Solver = ∃ isSolved.Problem ∩ Student SolvedProblem = ∃ isSolved⁻.Problem ∪ ∃ isSolved.Solver NotSolvedProblem = ∃ hasSolver.⊥ Problem = ∃ isSolved⁻.Problem ∪ ∃ isSolved.Solver SubjectMatter ⊆ System ∩ Instrument SubjectMatter = ∀ hasElement.Subsection Subsection ⊆ SubjectMatter Problem ⊆ SubjectMatter Subsection = ∀ hasElement.Problem ∩ ∀ hasElement.Concept LearnedSubsection = Subsection ∩ (∃ hasLearned⁻.Subsection ∪ ∃ hasLearned.Student) UnLearnedSubsection = Subsection ∩ ∃ hasLearned.⊥ 65

16 17 18 Student Process Learning ⊆ Person = Dynamic ⊆ Process ∩ ∃ hasConsequence.SolvedProblem 19 Learn_the_Concept = ∃ hasLearn.Concept 20 ProblemConcepts = Concept ∩ ∀ isApplied⁻.SolvedProblem 21 LearnProblemConcepts = Learning ∩ ∀ hasLearn.ProblemConcepts Ta’lim jarayonining formal tarkibiy qismi ta’lim vositalari majmuasidan iborat bo‘lib, unga o‘quv-uslubiy materiallar, qo‘llanmalar, laboratoriya ishlari, stendlar hamda test topshiriqlari kiradi. Ta’lim sifatini sezilarli darajada pasaytirmagan holda ushbu vositalarni ikki asosiy qism to‘plamga ajratish mumkin: o‘quv materiallari va test topshiriqlari. Ushbu to‘plamlar elementlarining o‘zaro mosligi aniqligi ta’lim jarayonining sifatini belgilaydi. Har ikkala to‘plam ham o‘xshash tuzilishga ega bo‘lib, ularning asosi bo‘lgan tushunchalarning bazaviy to‘plamlariga tayanadi. 3. Natijalar va Muhokama. Matematik nuqtai nazardan o‘quv materialining strukturaviy elementlarini test topshiriqlarining mos strukturaviy elementlariga turli xil akslantirishlarni ko‘rib chiqish maqsadga muvofiqdir. Ushbu akslantirishlar ichida eng maqbul variant sifatida bazaviy to‘plamlar elementlari o‘rtasida bir qiymatli va o‘zaro moslikni ta’minlaydigan izomorfizm taklif etiladi. Ontologiyalar izomorfizmini matematik jihatdan qat’iy tavsiflash uchun ushbu ontologiyalarning to‘g‘ri tuzilgan formulalari (TTF) to‘plami tartiblangan juftliklar (C,F) to‘plami sifatida qaraladi, bunda C — konseptlar to‘plami, F esa TBox bo‘limidagi formulalar to‘plamini ifodalaydi. Shunday qilib, C×F iniversiyasi yordamida deskripsiya munosabati 𝑅𝑑 ⊆ 𝐶 × 𝐹 aniqlanadi. Keyingi bosqichda ushbu munosabatning faqatgina o‘ng tomoni, ya’ni F qismi, munosabatning ikkinchi argumentiga proeksiya sifatida qaralishi mumkin. Bunda F qismidagi to‘g‘ri tuzilgan formulalar ifodalari C to‘plamidagi {𝑐1 , 𝑐2 , … , 𝑐𝑘 } elementlarning chekli kompozitsiya amallari natijasi sifatida tasvirlanadi. Ushbu ifodalar konseptlar nomlari 𝑐𝑗 dan deskriptiv mantiqqa xos bo‘lgan maxsus belgilar yordamida hosil qilinadi: {⊆,=,¬,∀,∃,∪,∩,⋅,−}. Kompozitsiya amallari Ω ning semantikasi, ushbu amallarning F to‘plamida yopiq ekanligini hisobga olgan holda, 2-jadvalda keltirilgan. № 1 2 3 4 5 6 7 2-jadval. To‘g‘ri tuzilgan formulalar (TTF) kompozitsiya amallari Ω to‘plamidan operatsiya Operatsiya semantikasi (natijasi) belgilanishi ω∩ (Fᵢ, Fⱼ) Fᵢ ∩ Fⱼ ω∪ (Fᵢ, Fⱼ) Fᵢ ∪ Fⱼ ω∃Rᵢ (cⱼ) ∃Rᵢ · cⱼ ω∀Rᵢ (cⱼ) ∀Rᵢ · cⱼ ω∀Rᵢ⁻ (cⱼ) ∀Rᵢ⁻ · cⱼ ω∃Rᵢ⁻ (cⱼ) ∃Rᵢ⁻ · cⱼ ω• (cᵢ) cᵢ To‘g‘ri tuzilgan formulalar (TTF) doirasida ontologik ta’riflarning chap va o‘ng qismlarini bog‘lovchi ikkita munosabatni ajratib ko‘rsatish mumkin: {⊆,=}, Kiritilgan belgilashlarga muvofiq, ontologiyaning TTF to‘plami ustida quyidagi algebraik sistema aniqlanadi: A=⟨F,Ω,{⊆,=}⟩. 66

Mazkur algebraik sistema A doirasida o‘z tashuvchi to‘plamlariga nisbatan yopiq bo‘lgan qismalgebralarni ajratish mumkin. Xususan, ⟨F,Ω⟩ uchun ikkita qismalgebra G va D quyidagicha aniqlansin: G=(Fg,Ωg), D=(Fd,Ωd). Bu holda quyidagi munosabatlar o‘rinlidir: Fg⊆F, Ωg⊆Ω, Fd⊆F, Ωd⊆Ω. Shuningdek, ushbu qismalgebralar bir xil tipga ega deb faraz qilamiz. G va D algebralari bir xil tipdagi algebralar hisoblanadi. G va D algebralari gomomorf bo‘ladi, chunki quyidagi shartni qanoatlantiruvchi akslantirish mavjud: Γ:Mg→Md, Γ(ωg(fg1,fg2))=ωd(Γ(fg1),Γ(fg2)), (1) bu yerda 𝑓𝑑1 , 𝑓𝑑2 ⊆ 𝐹𝑑 unda G va D algebralari izomorf, ya’ni bir qiymatli gomomorf hisoblanadi. Shuningdek, ushbu qismalgebralar bir xil tipga ega deb faraz qilamiz. Bundan tashqari, G va D algebralari tashuvchi to‘plamlarining barcha elementlari uchun aniqlanayotgan har bir konseptning algebraik tizimlarida {⊆,=} munosabatlariga muvofiqlik talab qilinadi. Ya’ni, agar G algebrasidagi biror konsept yakuniy tavsifda ⊆ munosabati orqali bog‘langan bo‘lsa, unga mos keluvchi D algebrasidagi konsept ham ⊆ munosabati yordamida tavsiflanishi lozim. Agar G algebrasidagi konseptni tavsiflashda tenglik munosabati = qo‘llanilgan bo‘lsa, D algebrasidagi mos konsept ham tenglik orqali ifodalanishi kerak. (2)-tenglama (1)-tenglamaga quyidagi tarzda keltiriladi. 1. (1)-shartda chap tomonlarni o‘ng tomonlarga almashtiramiz: 𝑤𝑔 (Г(𝑓𝑔1 ), Г(𝑓𝑔2 )) = Г(𝑤𝑔 (𝑓𝑔1 , 𝑓𝑔2 )). 2. Hosil bo‘lgan tenglamaning har ikki tomoniga Γ-1akslantirishni qo‘llaymiz: Г−1 (𝑤𝑑 (Г(𝑓𝑔1 ), Г(𝑓𝑔2 ))) = Г−1 (Г (𝑤𝑔 (𝑓𝑓1 , 𝑓𝑓2 ))) = 𝑤𝑔 (𝑓𝑔𝑔1 , 𝑓𝑔𝑔2 ) Г(𝑓𝑔𝑖 ) = 𝑓𝑑𝑖 , 𝑓𝑑𝑖 ∈ 𝐹𝑑 , bo‘lganligi sababli, 𝑓𝑔𝑖 = Г−1 (𝑓𝑑𝑖 ) ekanligi kelib chiqadi. Shunday qilib, quyidagi tenglik o‘rinli bo‘ladi: 𝑤𝑔 (Г−1 (𝑓𝑑1 ), Г−1 (𝑓𝑑2 )) = Г−1 (𝑤𝑑 (𝑓𝑑1 , 𝑓𝑑2 )). Izomorf bo‘lgan G va D algebralarning asosiy tashuvchi to‘plamlarining quvvatlari o‘zaro teng bo‘ladi. Demak, G va D algebralari o‘rtasidagi izomorfizm o‘ziga izomorfizm, ya’ni avtomorfizm sifatida talqin qilinadi. Ontologiyalarning ikki lokal fragmenti o‘rtasidagi izomorfizmning konstruktiv isboti mos keluvchi to‘g‘ri tuzilgan formulalarning (TTF) konseptlar mosligini aniqlash darajasigacha bo‘lgan to‘liq strukturaviy mosligi sifatida qaralishi mumkin. Amaliy ontologiyalardagi izomorfizm o‘quv tizimlarida “Material–Test” juftliklarini qo‘llash imkonini beradi hamda ontologiyaning ABox bo‘limiga o‘quv materiallarini avtomatik tanlash jarayonida shunga o‘xshash isbotlardan foydalanish uchun asos yaratadi. Axborot omborlari asosida shakllantiriladigan ontologiyaning ABox bo‘limlari izomorfizmini avtomatik tarzda isbotlash uchun ikki yangi mexanizmdan foydalanish zarur bo‘ladi. Ushbu mexanizmlar “tezaurus” va “unifikatsiya” tushunchalari orqali ifodalanadi. Tezaurus deganda, tarkibiga kiruvchi har bir leksik birlik uchun kamida bitta tur–jins (giperonimiya) munosabati, sinonimiya, ehtimol antonimiya hamda tezaurus administratori tomonidan belgilanishi mumkin bo‘lgan boshqa semantik munosabatlarni o‘z ichiga olgan kontseptual lug‘at tushuniladi. Bunda tur–jins munosabati leksik birlikning yanada umumiy 67

tushuncha bilan bog‘lanishini, ya’ni taksonomik ierarxiyadagi o‘rnini ifodalaydi. Taklif etilayotgan tezaurusdagi leksik birlikning tuzilmasi quyidagicha aniqlanadi: Leksik birlik nomi + [Normal shakl] + [Ildiz asos] + [Ajdod leksik birlik] + {[Antonim]} + {[Sinonim]} Ontologik tavsiflarni unifikatsiyalash deganda, boshlang‘ich tavsiflarni qayta tashkil etish orqali ikki xil tavsifni ularga ekvivalent bo‘lgan yagona tavsifga keltirishga qaratilgan jarayon tushuniladi. Bu yerda terminlar sifatida predmet sohani tavsiflovchi deskriptiv mantiqning to‘g‘ri tuzilgan formulalari qaraladi. Ontologiyalarda unifikatsiyani amalga oshirish uchun barcha tarkibiy qismlar bo‘yicha ekvivalentlik va o‘xshashlik sinflari aniqlanadi. Unifikatsiya algoritmi (2-rasm) ikki ontologik tavsif o‘rtasida mavjud bo‘lgan barcha munosabatlarni aniqlashni maqsad qiladi. Bunda tavsiflarning amaliy qismi amaliy formulalar to‘plami asosida unifikatsiyalanishi mumkin bo‘lsa, masalaviy ontologiya uchun ABox bo‘limi doirasida alohida yondashuv qo‘llaniladi. 1 Boshlash ABox ni birlashtirish Yo q TBox Ha InitAllTerms(X1) Boshlang ich sozlash InitAllTerms(X2) Fan sohalarini belgilash (X1) Tezaurus asosida ajratib olish Masalalarni belgilash (X2) InitServInterface(X1, X2) Yo q Joriy(X1)!=Null SubjKWForming(X1, X2) Ha ProblKWForming(X1, X2) Yo q Joriy(x2) != Null Ha TBox ni birlashtirish Kalit so zlarni moslashtirish UnifyTerms(Fᵢ Fⱼ) Match(SubjKW(X1, X2) UnifyTerms(Fᵢ Fⱼ) Match(ProblKW(X1, X2)) UnifyTerms( Rᵢ · cⱼ) Xizmat interfeysi orqali o quv materialini shakllantirish UnifyTerms( Rᵢ · cⱼ) Xizmat natijasi UnifyTerms( Rⱼ · cᵢ) Materialni bilimlar bazasiga uzatish UnifyTerms( Rⱼ · cᵢ) Yakunlash 1 2-rasm — Ontologiya bo‘limlari terminlarini unifikatsiyalash algoritmi Ushbu rasmda algoritm blok-sxemasida qo‘llanilgan InitAllTerms, UnifyTerms, Match kabi ingliz tilidagi atamalar mos ravishda terminlarni boshlang‘ich yuklash, ontologik elementlarni birlashtirish hamda kalit so‘zlarni moslashtirish jarayonlarini ifodalaydi. Mazkur jarayonda tezaurus leksik birliklaridagi ekvivalentlik sinflari aniqligi darajasida konseptlar o‘rtasidagi munosabatlardan foydalanadigan algoritm qo‘llanilishi lozim. Algoritmning boshlang‘ich bosqichida TBox bo‘limiga mansub mos keluvchi bo‘limlar (A₁ va A₂) o‘rtasidagi izomorfizm tekshiriladi. Buning uchun terminlarni birlashtirish va kesish 68

amallariga asoslangan ontologik tavsiflar, shuningdek, konseptlar o‘rtasida o‘zaro akslantiriluvchi xususiyatlarning mavjudligi simmetrik gomomorfizm nuqtai nazaridan tahlil qilinadi. Tekshiruv jarayonida A₁ va A₂ bo‘limlariga tegishli barcha to‘g‘ri tuzilgan formulalar (TTF) bo‘yicha to‘liq ko‘rib chiqishni ta’minlovchi ichma-ich sikllardan foydalaniladi. TBox bo‘limlari unifikatsiyalash imkoniyatiga ega ekanligi aniqlangach, mos keluvchi A₁ va A₂ bo‘limlariga tegishli ABox qismlarining unifikatsiyasi amalga oshiriladi, bu TTF konstruksiyalarining izomorfizmini isbotlash vazifasini bajaradi. Algoritmning yakuniy bosqichida kalit so‘zlar amaliy ontologiya tavsiflari orqali aniqlangan sintaktik bog‘lanishlar agregatsiyasida mavjudligi bo‘yicha o‘zaro solishtiriladi. Taklif etilgan unifikatsiya algoritmi yetarlicha samarali bo‘lib, moslashuvchanlik xususiyatiga ega, chunki u tezaurusdagi ekvivalentlik sinflarini moslashtirish orqali leksik birliklarning mazmuniy qismini tanlash aniqligini boshqarish imkonini beradi. O‘quvchiga test topshirig‘ini taklif etishdan avval, ushbu topshiriqni bajarish mumkin bo‘lgan ta’limiy vaziyatning barcha asosiy elementlari ta’minlanishi zarur, jumladan: • o‘quvchiga test topshirig‘ini bajarish uchun mazmunan yetarli bo‘lgan o‘quv-uslubiy material taqdim etilishi; • o‘quv-uslubiy material o‘quvchining tayyorgarlik darajasiga mos bo‘lishi, ya’ni materialning to‘g‘ri tushunilishi va o‘zlashtirilishini ta’minlashi; • materialning bayon shakli, murakkablik darajasi va tafsilotlar chuqurligi o‘quvchining psixologik shaxs tipi bilan mos kelishi; • muayyan vaqt momentida taklif etilayotgan test topshirig‘i psixologik shaxs tipi hisobga olingan holda o‘quvchining tayyorgarlik darajasiga mos bo‘lishi; • taqdim etilayotgan o‘quv materiallari va test topshiriqlari ketma-ketligi o‘quvchining psixologik shaxs tipiga muvofiq shakllantirilishi. O‘quv materiallarini tanlash va individual o‘qitish traektoriyasini shakllantirish jarayonida quyidagi funksiyalardan foydalaniladi: 𝑀𝐶𝑜𝑚(𝑚𝑖 ): 𝑚𝑖 → [0,1] — o‘quv-uslubiy material birligi mᵢ ning murakkablik darajasini aniqlash funksiyasi: 𝑀𝐶𝑜𝑚(𝑚𝑖 ) = |𝑀 ′ (𝐶𝑟𝑒𝑞 )| |𝐶𝑐ℎ𝑎𝑝𝑡 | , bu yerda |𝑀 ′ (𝐶𝑟𝑒𝑞 )| — o‘quv-uslubiy material birligi uchun zarur bo‘lgan tushunchalar to‘plamining quvvati; |𝐶𝑐ℎ𝑎𝑝𝑡 | — kurs bo‘yicha barcha tushunchalar to‘plamining quvvati. 𝑃𝐶𝑜𝑚(𝑝𝑖 ): 𝑝𝑖 → [0, 1], — test topshirig‘i pᵢ ning murakkablik darajasini aniqlash funksiyasi: 𝑃𝐶𝑜𝑚(𝑝𝑖 ) = |𝑃′ (𝐶𝑟𝑒𝑞 )| |𝐶𝑐ℎ𝑎𝑝𝑡 | , bu yerda |𝑃 ′ (𝐶𝑟𝑒𝑞 )|— test topshirig‘ini bajarish uchun talab etiladigan tushunchalar to‘plamining quvvati. 𝑀𝑇𝑦𝑝𝑒(𝑚𝑗 , 𝑡𝑚𝑘 ) ∶ 𝑚𝑗 × 𝑡𝑚𝑘 ; → [0,1 ] — o‘quv materiali mⱼ ning ma’lum psixologik tip tmₖ tomonidan o‘zlashtirilish darajasini aniqlovchi funksiya: |𝑇𝑚| 𝑀𝑇𝑦𝑝𝑒(𝑚𝑗 , 𝑡𝑚𝑘 ) = ∑𝑖=1 𝑀𝐴𝑐𝑐(𝑚𝑗 , 𝑡𝑚𝑘,𝑖 )/|𝑇𝑚|, 69

bu yerda MAcc — o‘quv materiali 𝑚𝑗 ning shaxs tipi xususiyati 𝑚𝑡𝑘,𝑖 ga mosligini aniqlovchi funksiya; Tm — o‘quv materiali birligi xususiyatlari to‘plamining quvvati. 𝑃𝑇𝑦𝑝𝑒(р𝒋 , 𝑡𝑝𝑘 ): 𝑝𝑗 × 𝑡𝑝𝑘 → [0, 1], — test topshirig‘i 𝑝𝑗 ning psixologik tip 𝑡𝑝𝑘 tomonidan bajarilish darajasini aniqlovchi funksiya: |𝑇𝑝| 𝑃𝑇𝑦𝑝𝑒(𝑝𝑗 , 𝑡𝑝𝑘 ) = ∑ 𝑃𝐴𝑐𝑐(𝑝𝑗 , 𝑡𝑝𝑘,𝑖 )/|𝑇𝑝| 𝑖=1 bu yerda PAcc — test topshirig‘i 𝑝𝑗 ning shaxs tipi xususiyati 𝑡𝑝𝑘,𝑖 ga mosligini aniqlovchi funksiya; |Тр| — o‘quvchining psixologik shaxs tipini aniqlashda foydalaniladigan test topshirig‘i xususiyatlari to‘plamining quvvati. 𝑃𝑆𝑒𝑚(𝑐𝑖 , р𝑗 ): с𝑖 × р𝑗 → [0,1] — har bir tushuncha с𝑖 , ning o‘quv-uslubiy material birligi 𝑚𝑗 ga moslik darajasini aniqlovchi funksiya: 𝑀𝑆𝑒𝑚(𝑐𝑖 × 𝑝𝑗 ) = |𝑀𝑐 1 𝑣𝑖𝑒𝑤 | , 𝑐 ∈ 𝑀𝑐𝑣𝑖𝑒𝑤 , bu yerda |Мс𝑣𝑖𝑒𝑤 |— o‘quv-uslubiy material birligi tarkibida ko‘rib chiqilgan tushunchalar to‘plamining quvvatini bildiradi. 𝑃𝑆𝑒𝑚(𝑐𝑖 , р𝑗 ): с𝑖 × р𝑗 → [0,1]— har bir tushuncha cᵢ ning tanlanayotgan test topshirig‘i pⱼ ga moslik darajasini aniqlovchi funksiya: 𝑃𝑆𝑒𝑚(𝑐𝑖 , р𝑗 ) = 1 , (|𝑃𝑐𝑣𝑖𝑒𝑤 | + |𝑃𝑐𝑠𝑒𝑟𝑣 |) 𝑐𝑖 𝜖𝑃𝑐𝑣𝑖𝑒𝑤 ∨ 𝑐𝑖 ∈ 𝑃𝑐𝑠𝑒𝑟𝑣 , bu yerda |𝑃𝑐𝑣𝑖𝑒𝑤 | — test topshirig‘ida bevosita ko‘rib chiqilgan tushunchalar to‘plamining quvvatini bildiradi. 𝑀𝑉𝑎𝑙(𝑚𝒊 ): 𝑚𝑖 → [0, 1] — o‘quv-uslubiy material birligi mᵢ ning muhimlik darajasini aniqlovchi funksiya: ′ 𝑀𝑉𝑎𝑙(𝑚𝒊 ) = |𝑀𝑐𝑟𝑒𝑞 = 𝑀𝑐𝑣𝑖𝑒𝑤 |/|𝑀|, ′ bu yerda |𝑀𝑐𝑟𝑒𝑞 = 𝑀𝑐𝑣𝑖𝑒𝑤 | — ko‘rib chiqilgan tushunchalari talab etiladigan bo‘lgan o‘quv-uslubiy material birliklari to‘plamining quvvati; |М| — kurs bo‘yicha barcha o‘quv materiallari to‘plamining quvvati. 𝑃𝑉𝑎𝑙(𝑝𝒊 ): 𝑝𝑖 → [0, 1], — test topshirig‘i pᵢ ning muhimlik darajasini aniqlovchi funksiya: ′′ 𝑃𝑉𝑎𝑙(𝑝𝒊 ) = |𝑀𝑐𝑟𝑒𝑞 = 𝑀𝑐𝑣𝑖𝑒𝑤 |/|𝑀| ′′ bu yerda |𝑀𝑐𝑟𝑒𝑞 = 𝑀𝑐𝑣𝑖𝑒𝑤 | — joriy test topshirig‘ida ko‘rib chiqilgan tushuncha zarur bo‘lgan o‘quv-uslubiy material birliklari to‘plamining quvvati; - 𝐶𝑆𝑡(𝑐𝒊 , 𝑠𝑗 ): 𝑐𝑖 × 𝑠𝑗 → [0, 1] o‘quvchi sⱼ tomonidan predmet soha tushunchasi cᵢ ning o‘zlashtirilish darajasini formal ifodalovchi ifoda: ′ 𝐶𝑆𝑡(𝑐𝑖 , 𝑠𝑗 ) = |𝑃𝑐𝑣𝑖𝑒𝑤 = 𝑐𝑖 |/|𝑃𝑐𝑣𝑖𝑒𝑤 = 𝑐𝑖 | 70

bu yerda |𝑃𝑐𝑣𝑖𝑒𝑤 = 𝑐𝑖 | — sⱼ-o‘quvchi tomonidan yechilgan test topshiriqlari orasida joriy tushuncha cᵢ ko‘rib chiqilgan holatlar to‘plamining quvvati; ′ |𝑃𝑐𝑣𝑖𝑒𝑤 = 𝑐𝑖 | — sⱼ - o‘quvchi tomonidan yechilgan va yechilmagan test topshiriqlari ichida joriy tushuncha cᵢ ko‘rib chiqilgan holatlar to‘plamining quvvati. - 𝑇𝑆𝑡(𝑡𝒊 , 𝑠𝑗 ): 𝑡𝑖 × 𝑠𝑗 → [0, 1] o‘quvchi sⱼ ning muayyan psixologik shaxs tipi tᵢ ga mansublik darajasini formal ifodalovchi ifoda: |𝑃𝑠𝑡𝑢𝑑,𝑗 | 𝑇𝑆𝑡(𝑡𝒊 , 𝑠𝑗 ) = ∑ 𝑃𝑡𝑦𝑝𝑒(𝑝𝑘 , 𝑡𝑝𝑖 )/|𝑃𝑠𝑡𝑢𝑑,𝑗 | 𝑘=1 bu yerda |𝑃𝑠𝑡𝑢𝑑,𝑗 | — j-o‘quvchi (sⱼ) tomonidan yechilgan barcha test topshiriqlari to‘plamining quvvatini bildiradi. Zarur o‘quv materiallarini 𝑀+ ⊆ 𝑀 quyi to‘plam sifatida hamda test topshiriqlarini 𝑃+ ⊆ 𝑃 quyi to‘plam sifatida tanlash maqsadi quyidagi ifoda orqali tavsiflanadi: {𝑀+ , 𝑃+ : 𝑚𝑖 , 𝑝𝑡 |∀𝑚𝑖 ∈ 𝑀, ∀𝑝𝑖 ∈ 𝑃, 𝑛 𝑚 𝑀𝑡𝑦𝑝𝑒(𝑚𝑖 𝑡𝑚𝑘 ) > 𝑚𝑖𝑛𝑗=1 (𝑚𝑗 )&𝑃𝑇𝑦𝑝𝑒(𝑝𝑣 , 𝑡𝑝𝑘 ) > 𝑚𝑖𝑛𝑣=1 (𝑝𝑣 )} bu yerda min amali M va P to‘plamlarining elementlarini muayyan shaxs tipiga mosligi bo‘yicha tanlashda qo‘llaniladigan tegishlilik chegarasini belgilaydi. Quyidagi ifodalar to‘plami esa o‘quvchining tayyorgarlik darajasi hamda masalalar murakkabligiga asoslangan holda test topshiriqlari Р∗ ⊆ 𝑃 quyi to‘plam sifatida, o‘quv materiallari esa 𝑀∗ ⊆ 𝑀 quyi to‘plam sifatida tanlanishini tavsiflaydi: {𝑃∗ : 𝑝𝑡 |∀𝑐𝑖 ∈ 𝐶, ∀𝑝𝑡 ∈ 𝑃, ∃𝑠𝑗 𝑇𝑆𝑡(𝑡𝑟 , 𝑠𝑗 ) > 𝑛 𝑛 𝑚 (𝑡 )&CSt(𝑐 𝑚𝑖𝑛𝑟=1 𝑟 𝑖 , 𝑠𝑗 ) > 𝑚𝑖𝑛𝑖=1 (𝑐1 )&𝑃𝑠𝑒𝑚(𝑐𝑖 , 𝑝𝑡 ) > 𝑚𝑖𝑛𝑖=1 (𝑝𝑡 )}, 𝑚 (𝑡 )&𝐶𝑆𝑡(𝑐 {𝑀∗ : 𝑚𝑡 |∀𝑐𝑖 ∈ 𝐶, ∀𝑚𝑖 ∈ 𝑀, ∃𝑠𝑗 𝑇𝑆𝑡(𝑡𝑟 , 𝑠𝑗 ) > 𝑚𝑖𝑛𝑟=1 𝑟 𝑖 , 𝑠𝑗 ) > 𝑛 𝑚 𝑚𝑖𝑛𝑗=1 (𝑐1 )&𝑀𝑆𝑒𝑚(𝑐𝑗 , 𝑚𝑡 ) > 𝑚𝑖𝑛𝑡=1 (𝑚𝑡 )} Yakuniy o‘quv materiallari М0 va test topshiriqlari 𝑃0 to‘plamlarini aniqlash uchun hosil qilingan quyi to‘plamlarning kesishmasini hisoblash zarur: М0 = 𝑀 ∗ ∩ 𝑀 + , 𝑃0 = 𝑃∗ ∩ 𝑃 + Natijada hosil bo‘lgan to‘plamlar muayyan psixologik tipga ega bo‘lgan o‘quvchi uchun maxsus tanlangan o‘quv-uslubiy materiallar hamda test topshiriqlarini, shuningdek mazkur o‘quvchi tomonidan o‘zlashtirilishi lozim bo‘lgan predmet soha tushunchalarini o‘z ichiga oladi. Topshiriqlar va o‘quv materiallari tanlanishini shakllantirishning yakuniy bosqichi sifatida 𝑀0 va 𝑃0 to‘plamlari elementlarini tartiblash orqali individual o‘qitish traektoriyasini shakllantirish bosqichi amalga oshiriladi. 𝐶𝑜𝑟𝑡𝑀(𝑚1 , 𝑚2 , … 𝑚𝑖 , … 𝑚𝑘 ): ∀m𝑖 , m𝑖+1 𝑀𝐶𝑜𝑚(𝑚𝑖 ) ≤ 𝑀𝐶𝑜𝑚(𝑚𝑖+1 ), 𝐶𝑜𝑟𝑡𝑃(𝑝1 , 𝑝2 , … 𝑝𝑗 , … 𝑝𝑡 ): ∀p𝑗 , 𝑝𝑗+1 𝑃𝐶𝑜𝑚(𝑝𝑗 ) ≤ 𝑃𝐶𝑜𝑚(𝑝𝑗+1 ) bu yerda CortM va CortP mos ravishda o‘quv materiallarini tanlash ketma-ketligi hamda test topshiriqlarini taqdim etish ketma-ketligini ifodalovchi kortejlardir. 71

4. Xulosa. Masofaviy ta’lim tizimlarining mavjud turlariga xos bo‘lgan kamchiliklar aniqlandi hamda tayyor o‘quv-uslubiy materiallar va test namunalarini saqlovchi mavjud axborot omborlari asosida bilimlar bazalarini shakllantirish uchun avtomatlashtirilgan vositalarni yaratish vazifasining dolzarbligi asoslab berildi. Keyingi masofaviy ta’lim jarayonlarida qo‘llash uchun mo‘ljallangan predmet sohalari bo‘yicha bilimlarni adekvat tarzda tavsiflash imkonini beruvchi original ontologik bilim modeli ishlab chiqildi. O‘quvchining psixologik modeliga yo‘naltirilgan o‘qituvchi resurslarni sintez qilish masalasi qo‘yildi. Ushbu yangi qo‘yilmada o‘quvchi tomonidan predmet sohaga oid tushunchalarni samarali o‘zlashtirish uchun yetarli bo‘lgan o‘quv materiallarini tanlash tamoyillari formal tarzda bayon etildi. Predmet sohaga oid bilimlar modeli sifatida ontologiyalardan hamda o‘quvchining shaxsiy xususiyatlarini hisobga oluvchi individual o‘qitish traektoriyasidan foydalanishga asoslangan holda o‘quv materiallari va test topshiriqlarini shakllantirish jarayoni ishlab chiqildi. 5.Adabiyotlar. 1. Медведев Р.Е. Изоморфизм в онтологической модели знаний интеллектуальной системы дистанционного обучения //Вестник РГРТУ. 2013. №45. С. 62-65. 2. Якубов, М. С. (2023). Таълим Тизимида Элeктрон Хужжат Айланишини Такомиллаштириш Омиллари. Barqarorlik Va Yetakchi Tadqiqotlar Onlayn Ilmiy Jurnali, 3, 145-149. 3. Якубов, М. С. (2023). Таълим Соҳасида Электрон Ҳужжат Айланиш Тизимини Жорий Этишнинг Ўзига Хос Хусусиятлари: Specific Characteristics Of The Implementation Of The Electronic Document Circulation System In The Field Of Education. Молодой специалист, 2, 45-53. 4. Бекмухаммедов, Б., & Тохтасинов, А. (2025). Разработка моделей дистанционного обучения в системе непрерывного профессионального образования. yangi o ‘zbekiston, yangi tadqiqotlar jurnali, 3(1), 99-105. 5. Бекмукхаммедов, Б. (2025). Artificial intelligence and machine learning technologies in forming online education systems. Международный мультидисциплинарный журнал исследований и разработок, 1(3), 230-235. 6. Leontyeva, I. A. (2018). Modern distance learning technologies in higher education: Introduction problems. EURASIA Journal of Mathematics, Science and Technology Education, 14(10), em1578. https://doi.org/10.29333/ejmste/92284. 7. Lytvynov, D. (2019). Distance education as a form of education organization. Scientific Text, 84–87. 8. Bekmuxammedov, B. (2024). The Development Strategy And Importance Of Online Education System. DTAI–2024, 1(DTAI), 436-439. 9. Якубов, М. С. (2024). Таълим Тизимида Электрон Хужжат Айланишини Ташкил Этиш Тамойиллари. Pedagogs, 54, 113-118. 10. Якубов, М. С. (2024). Таълим Тизимида Структуралашган Маълумотлар Алмашинувининг Ўзига Хос Ҳусусиятлари. Iqro Indexing, 8(2), 247-254. 72

DPI TEXNOLOGIYASI MISOLIDA TARMOQ XAVFSIZLIGI ALGORITMLARINI TADQIQ QILISH Ismoilov Azamat Parxatovich1, Akmuradov Baxtiyor Uralovich2 1 UMFT magistranti, a.ismoilov@gmail.com 2 UMFT, Kommunikatsiya va axborot texnologiyalar kafedrasi mudiri, b.u.akmuradov@gmail.com Annotatsiya. Mazkur ishda paketlarni chuqur tahlil qilish (Deep Packet Inspection) texnologiyasi asosida telekommunikatsiya tarmoqlarida xavfsizlik algoritmlarini takomillashtirish masalasi tadqiq etilgan. Ishda DPI texnologiyasining nazariy asoslari va axborot xavfsizligidagi o‘rni yoritilib, tahdidlarni aniqlashda Naive Bayes hamda Support Vector Machine (SVM) algoritmlarining qo‘llanilishi o‘rganilgan. Trafik atributlari tanlanib, modellar optimallashtirilgan va eksperimental sinovlar orqali ularning aniqlik hamda samaradorligi baholangan. Kalit so‘zlar: Deep Packet Inspection, algoritm, IoT, tarmoq xavfsizligi, mashinaviy o‘qitish. Аннотация: В данной работе исследуется задача совершенствования алгоритмов безопасности в телекоммуникационных сетях на основе технологии глубокого анализа пакетов (Deep Packet Inspection, DPI). Рассмотрены теоретические основы технологии DPI и её роль в обеспечении информационной безопасности, а также изучено применение алгоритмов Naive Bayes и Support Vector Machine (SVM) для выявления угроз. Проведён отбор атрибутов сетевого трафика, выполнена оптимизация моделей и на основе экспериментальных испытаний оценены их точность и эффективность. Ключевые слова: Deep Packet Inspection, алгоритм, IoT, сетевая безопасность, машинное обучение. Abstract: This study investigates the improvement of security algorithms in telecommunication networks based on Deep Packet Inspection (DPI) technology. The theoretical foundations of DPI and its role in information security are discussed, and the application of Naive Bayes and Support Vector Machine (SVM) algorithms for threat detection is examined. Traffic features were selected, the models were optimized, and their accuracy and efficiency were evaluated through experimental testing. Keywords: Deep Packet Inspection, algorithm, IoT, network security, machine learning. 1.Kirish Zamonaviy telekommunikatsiya tarmoqlarida ma’lumotlar oqimining hajmi, tezligi va tarkibiy murakkabligi keskin ortib bormoqda. 5G va istiqboldagi 6G texnologiyalarining joriy etilishi, “Internet of Things” qurilmalarining ommalashuvi, bulutli hisoblash xizmatlari, mobil ilovalar hamda yuqori aniqlikdagi multimedia oqimlarining keng qo‘llanilishi tarmoq infratuzilmasiga tushayotgan yuklamani sezilarli darajada oshirmoqda. Bunday sharoitda tarmoqlarda shakllanayotgan trafik nafaqat hajm jihatidan katta, balki protokollar, xizmatlar va ilovalar xilma-xilligi nuqtayi nazaridan ham murakkablashmoqda. Shu bilan birga, kiberxavfsizlik tahdidlarining soni va ko‘lami ortib, zararli dasturlar, botnetlar, DDoS hujumlar, ma’lumotlarni yashirin uzatish kanallari kabi xavf-xatarlar tobora murakkab va adaptiv tus olmoqda. An’anaviy portga yoki sarlavha maydonlariga asoslangan aniqlash va filtrlash mexanizmlari ko‘plab zamonaviy hujum turlarini aniqlashda yetarli darajada samarali emasligi amaliyotda kuzatilmoqda. Ayniqsa, trafikning katta qismi shifrlangan protokollar orqali uzatilayotgan sharoitda zararli faoliyatni aniqlash masalasi yanada dolzarblashmoqda. 73

Paketlarni chuqur tahlil qilishga asoslangan yondashuvlar tarmoqdagi ma’lumotlarni ko‘p qatlamli darajada o‘rganish imkonini berib, tahdidlarni aniqlash jarayonini sifat jihatdan yangi bosqichga olib chiqadi. Biroq bunday texnologiyalarni samarali qo‘llash uchun ularning asosida ishlovchi xavfsizlik algoritmlarini ilmiy jihatdan takomillashtirish, hisoblash samaradorligini oshirish va real vaqt rejimida ishlash imkoniyatini ta’minlash zarur. Statistik usullar, signatura asosidagi mexanizmlar hamda mashinaviy o‘qitish yondashuvlarini uyg‘unlashtirish orqali aniqlikni oshirish, noto‘g‘ri aniqlash ko‘rsatkichlarini kamaytirish va adaptiv xavfsizlik tizimlarini yaratish imkoniyati mavjud. Shu bilan birga, shifrlangan trafik sharoitida metama’lumotlar va oqim xususiyatlariga asoslangan tahlil usullarini rivojlantirish, hisoblash resurslaridan optimal foydalanish hamda maxfiylik va huquqiy talablarni inobatga olish muhim ilmiy muammo bo‘lib qolmoqda. Mazkur yo‘nalishdagi tadqiqotlar telekommunikatsiya infratuzilmasining barqaror ishlashini ta’minlash, xizmat sifati va axborot xavfsizligini oshirish hamda milliy kiberxavfsizlik salohiyatini mustahkamlash nuqtayi nazaridan alohida ahamiyat kasb etadi. 2.Adabiyotlar tahlili Ilmiy tadqiqotlar telekommunikatsiya tarmoqlari xavfsizligi va paketlarni chuqur tahlil qilish yo‘nalishida nazariy hamda amaliy yondashuvlarning izchil rivojlanishini namoyon etadi. Xususan, Sahami va hammualliflar Bayes ehtimollik nazariyasiga asoslangan spam filtrlash modelini taklif etib, probabilistik yondashuv DPI tizimlarida boshlang‘ich filtr sifatida samarali qo‘llanishi mumkinligini isbotlagan[1]. Nguyen va Armitage esa mashinaviy o‘qitish asosidagi trafik tasniflash usullarini tizimli tahlil qilib, DPI yondashuvi an’anaviy port va signatura usullariga nisbatan yuqori aniqlik berishini ko‘rsatgan[2]. Shu bilan birga, Kim, Lee va Kim tomonidan taklif etilgan gibrid IDS modeli anomaliya va signatura asosidagi algoritmlarni birlashtirib, noto‘g‘ri musbat aniqlashlarni kamaytirishga erishgan[3]. Chuqur o‘rganish asosidagi yondashuvlar ham mazkur yo‘nalishda muhim o‘rin egallaydi. Conti va hammualliflar CNN va RNN modellarini DPI bilan integratsiya qilib, murakkab trafik naqshlarini aniqlashda yuqori samaradorlikka erishgan[4]. Zhang va Chen SVM algoritmiga asoslangan IDS modelini ishlab chiqib, zararli trafikni aniqlash aniqligini oshirganini ko‘rsatgan[5]. Shuningdek, Shbair va Francois shifrlangan trafikni mashinaviy o‘qitish yordamida tahlil qilish mumkinligini asoslab bergan bo‘lsa, Xu, Zhang va Zawoad real vaqt sharoitida anomaliyalarni aniqlash imkoniyatlarini ilmiy jihatdan tasdiqlagan[6,7]. Nazariy va konseptual yondashuvlar nuqtayi nazaridan Anderson tarmoq xavfsizligi muhandisligi konsepsiyasini ishlab chiqib, DPIni ishonchli tizimlar qurishda muhim komponent sifatida talqin etgan. Conti va Gangwal DPI algoritmlarining evolyutsiyasini sharhlab, signatura asosidan sun’iy intellektga asoslangan adaptiv tizimlarga o‘tish jarayonini ko‘rsatgan[11]. Dehghantanha va Choo esa DPIni sun’iy intellekt va blokcheyn texnologiyalari bilan integratsiya qilish istiqbollarini tahlil qilgan[12]. Bundan tashqari, Wang va Zhu CNN asosidagi model yordamida yuqori aniqlikka ega zararli trafik aniqlash algoritmini ishlab chiqqan, Xu va Li esa transformer modellarining shifrlangan trafikni aniqlashdagi ustunligini ko‘rsatgan[18]. DPI asosida abonentlarni tahlil qilish metodoloiyasi So‘nggi yillarda global internet trafigining jadal sur’atlarda ortib borishi va foydalanuvchilar tomonidan turli xil tarmoq xizmatlaridan faol foydalanilishi telekommunikatsiya operatorlari va tarmoq administratorlari oldiga yangi vazifalarni qo‘ymoqda. Xususan, tarmoq resurslarini samarali boshqarish, xizmat sifatini (QoS) ta’minlash, abonentlarning xulq-atvorini chuqur tushunish hamda tarmoqdagi g‘ayrioddiy va zararli faoliyatlarni o‘z vaqtida aniqlash dolzarb muammolardan biri hisoblanadi. Ushbu muammolarni hal etishda tarmoq trafigini an’anaviy sarlavha darajasida tahlil qilish ko‘plab holatlarda yetarli bo‘lmay qolmoqda. Shu nuqtai nazardan, Deep Packet Inspection (DPI) texnologiyasi tarmoq trafigini yanada chuqurroq o‘rganish imkonini beruvchi muhim vosita sifatida qaraladi. DPI texnologiyasi 74

paketlarning nafaqat sarlavha qismini, balki foydali yuk qismini ham tahlil qilish orqali tarmoqda uzatilayotgan ilovalar, xizmatlar va foydalanuvchi faoliyati haqida batafsil axborot olish imkonini beradi. Natijada tarmoq operatorlari abonentlarning real foydalanish xususiyatlarini aniqlashi, trafikni xizmat toifalari bo‘yicha guruhlashlari va tarmoq siyosatlarini yanada aniqroq shakllantirishlari mumkin bo‘ladi. Zamonaviy tarmoqlarda foydalanuvchilar sonining ortishi va xizmatlar xilma-xilligining kengayishi tarmoqda uzatilayotgan ma’lumotlar hajmining sezilarli darajada ko‘payishiga olib kelmoqda. Bu esa tarmoqni qo‘lda boshqarish va an’anaviy statistik usullar yordamida tahlil qilishni murakkablashtiradi. Shu sababli tarmoq trafigini avtomatik ravishda tahlil qilish va tasniflash uchun mashinaviy o‘qitish usullarini joriy etish zarurati yuzaga kelmoqda[16]. Mazkur tadqiqotda tarmoq abonentlarining xulq-atvorini o‘rganish maqsadida DPI texnologiyasi asosida shakllantirilgan ma’lumotlar to‘plamidan foydalaniladi. Abonentlar tarmoq xizmatlaridan foydalanuvchi shaxslar yoki foydalanuvchilar guruhi sifatida qaraladi va ularning tarmoqdan foydalanish xususiyatlari DPI orqali olinadigan turli atributlar yordamida ifodalanadi. Ushbu atributlar asosida mashinaviy o‘qitish algoritmlarini qo‘llash orqali abonentlarni xizmat toifalari bo‘yicha tasniflash hamda ularning kelajakdagi xatti-harakatlarini bashorat qilish imkoniyati yaratiladi. Tadqiqotning asosiy maqsadi DPI ma’lumotlari asosida tarmoq abonentlarini chuqur tahlil qilish va ansambl mashinaviy o‘qitish usullarining ushbu masaladagi samaradorligini baholashdan iborat. Olingan natijalar tarmoq operatorlariga foydalanuvchi ehtiyojlarini yaxshiroq tushunish, xizmatlarni optimallashtirish va tarmoq xavfsizligini oshirishda amaliy yordam berishi kutiladi. Ushbu tadqiqot ishida zamonaviy kompyuter tarmoqlarida abonentlarning xulq-atvorini chuqur va tizimli o‘rganish maqsadida Deep Packet Inspection (DPI) texnologiyasi asosida maxsus ma’lumotlar to‘plamini shakllantirish masalasi ko‘rib chiqiladi. Tadqiqot doirasida DPI yordamida real tarmoq muhitidan yig‘ilgan ma’lumotlar asosida abonentlarning tarmoqdan foydalanish xususiyatlarini ifodalovchi muhim atributlar ajratib olinadi hamda ushbu atributlar mashinaviy o‘qitish algoritmlarini qo‘llash uchun tayyorlanadi. Shuningdek, olingan natijalarni baholash va ishonchliligini tekshirish maqsadida DPI asosida shakllantirilgan ma’lumotlar to‘plami UGRansome kabi keng tarqalgan ochiq ma’lumotlar to‘plami bilan taqqoslanadi[19]. Mazkur ishda abonent tushunchasi tarmoq xizmatlaridan foydalanayotgan yoki tarmoqqa ulanish imkoniyatiga ega bo‘lgan alohida shaxs yoki foydalanuvchilar guruhini anglatadi. DPI asosida ajratilgan xususiyatlar abonentlarning tarmoqdagi faoliyatini, jumladan trafik hajmi, xizmat turlari, paketlar intensivligi va foydalanish davriyligini tavsiflaydi. Ushbu xususiyatlar abonentning tarmoqdan foydalanish holatini modellashtirish va uning xizmatlarga bo‘lgan qiziqishini aniqlash imkonini beradi. Tadqiqotda ushbu ma’lumotlar asosida ansambl mashinaviy o‘qitish yondashuvi joriy etilib, u abonentlarning tarmoqdagi xizmat toifalarini bashorat qilish vazifasini samarali bajarishga yo‘naltirilgan. Ansambl o‘qitish usullarini qo‘llash natijasida DPI ma’lumotlar to‘plami asosida amalga oshirilgan tasniflash va bashoratlash jarayoni juda yuqori aniqlik ko‘rsatkichlarini namoyish etgan bo‘lib, eksperimental natijalarga ko‘ra model 100% aniqlik darajasiga erishgan. Ushbu holat DPI texnologiyasi va mashinaviy o‘qitish algoritmlarining integratsiyasi abonent xulq-atvorini aniqlash va xizmatlarni toifalashda yuqori samaradorlikka ega ekanligini ko‘rsatadi[20]. Tadqiqot natijalariga ko‘ra, kelgusi yillarda tarmoq trafigida veb xizmatlari va oqimli xizmatlar (streaming) toifalari ustunlik qilishi kutilmoqda. Xususan, Netflix, Facebook va YouTube kabi platformalar abonentlar tomonidan eng ko‘p foydalaniladigan xizmatlar sifatida shakllanishi bashorat qilinadi. Ushbu xulosalar tarmoq resurslarini rejalashtirish, xizmat sifatini boshqarish va xavfsizlik siyosatlarini ishlab chiqishda muhim amaliy ahamiyat kasb etadi. 75

1-rasm. DPI asosida abonentlarni tahlil qilish metodoloiyasi Umuman olganda, mazkur tadqiqot tarmoqdagi faol abonentlarning o‘ziga xos xulqatvorini chuqurroq anglash, yangi va noma’lum tarmoq anomaliyalarini aniqlash hamda mashinaviy o‘qitishga asoslangan zamonaviy DPI tizimlarini loyihalash va takomillashtirish uchun mustahkam ilmiy va amaliy asos yaratadi. Mazkur tadqiqotda tarmoq abonentlarining xulq-atvorini chuqur tahlil qilish va ularni xizmat toifalari bo‘yicha tasniflash maqsadida Deep Packet Inspection (DPI) ma’lumotlariga asoslangan metodologiya taklif etiladi. Taklif etilgan yondashuv bir nechta ketma-ket bosqichlardan iborat bo‘lib, ular ma’lumotlarni yig‘ish, oldindan qayta ishlash, xususiyatlarni tanlash, mashinaviy o‘qitish modellarini qo‘llash hamda natijalarni baholash jarayonlarini o‘z ichiga oladi[10]. Dastlab, real tarmoq muhitida DPI texnologiyasi yordamida trafik ma’lumotlari yig‘iladi. Ushbu bosqichda paketlarning sarlavha va foydali yuk qismlaridan abonent faoliyatini ifodalovchi turli atributlar ajratib olinadi. Olingan ma’lumotlar abonentlarning tarmoq xizmatlaridan 76

foydalanish xususiyatlarini aks ettiruvchi maxsus DPI ma’lumotlar to‘plamini shakllantirish uchun asos bo‘lib xizmat qiladi. Ma’lumotlar to‘plamida xizmat nomlari, xizmat toifalari, trafik hajmi, paketlar soni, IP manzillar hamda boshqa statistik ko‘rsatkichlar mavjud bo‘ladi. Atributlar guruhi Identifikatsion atributlar Vaqt va sessiya atributlari Hajm va trafik xususiyatlari Ilova va xizmat atributlari QoS va ustuvorlik atributlari 1-jadval. DPI asosida yig‘iladigan atributlar tasnifi Qatlam Ilmiy izoh (abonent faoliyati bilan Atribut nomi (OSI) bog‘liqligi) Abonent yoki qurilmaning Manba IP manzili L3 tarmoqdagi manbasini aniqlaydi Abonent murojaat qilayotgan server Manzil IP manzili L3 yoki xizmatni ko‘rsatadi Abonent tomondagi ilova yoki Manba porti L4 servis identifikatori Xizmat yoki ilova turini aniqlash Manzil porti L4 (HTTP, HTTPS, FTP va h.k.) TCP/UDP asosida xizmat Protokol turi L4 xususiyatlarini farqlash Abonentning xizmatdan foydalanish Sessiya davomiyligi L4–L7 intensivligini ko‘rsatadi Abonent faoliyatining hajmiy Paketlar soni L3–L4 ko‘rsatkichi Oqim boshlanish va L4 Faollik vaqt oralig‘ini aniqlash tugash vaqti Paketlar orasidagi Xulq-atvor va xizmat turini bilvosita L4 vaqt (IAT) ifodalaydi Ovoz, video yoki ma’lumotlar Paket hajmi L2–L4 trafiki farqlanadi Umumiy trafik hajmi Abonent iste’mol qilgan resurs L3–L4 (bytes) miqdori Kiruvchi/chiquvchi Abonent roli L3 trafik nisbati (iste’molchi/jo‘natuvchi) aniqlanadi Trafik dinamikasi va yuklama Oqim intensivligi L4 darajasi Abonent foydalangan aniq ilova Xizmat nomi L7 (YouTube, Netflix va b.) Web, streaming, gaming, file Xizmat toifasi L7 transfer HTTP, HTTPS, DNS, FTP, SIP va Protokol nomi L7 boshqalar Uzatilayotgan ma’lumot tabiatini Kontent turi (MIME) L7 aniqlash DSCP qiymati L3 Paketning tarmoqdagi ustuvorligi Trafik sinfi (DiffServ) L3 QoS siyosatini qo‘llash uchun asos Real vaqt xizmatlari sifatini Kechikish (delay) L4 baholash Jitter L4 Ovoz/video xizmatlar barqarorligi Paket yo‘qotilishi L3–L4 Tarmoq sifati va abonent tajribasi Trafik yo‘nalishi L3 Ichki/tashqi yoki ingress/egress 77

Xavfsizlik xulq-atvor atributlari va Noodatiy paket naqshlari Sessiya takrorlanish chastotasi Aloqa grafigi xususiyatlari L4–L7 L4 L3–L7 Anomaliya va potentsial tahdidlarni aniqlash Bot yoki avtomatlashtirilgan faoliyat belgisi Abonentning tarmoqdagi munosabatlar tuzilmasi Keyingi bosqichda ma’lumotlar oldindan qayta ishlanadi. Bu jarayonda yetishmayotgan yoki takroriy qiymatlar bartaraf etiladi, atributlar normallashtiriladi va tahlil uchun yaroqli ko‘rinishga keltiriladi. Oldindan qayta ishlash bosqichi mashinaviy o‘qitish modellarining barqaror va aniq ishlashini ta’minlashda muhim ahamiyatga ega. DPI asosida yig‘ilgan real tarmoq ma’lumotlari ko‘pincha to‘liq va mukammal bo‘lmaydi. Paketlarni ushlab olish jarayonida ayrim atributlar texnik sabablar tufayli yozilmasligi yoki bir xil oqim bir necha marta qayd etilishi mumkin. Shu sababli dastlabki bosqichda ma’lumotlar sifati tekshiriladi. Yetishmayotgan qiymatlar, masalan, manzil porti, xizmat nomi yoki DSCP qiymati mavjud bo‘lmagan yozuvlar aniqlanadi. Bunday holatlar statistik usullar yordamida to‘ldiriladi (o‘rtacha, median qiymat bilan) yoki tahlil natijalariga salbiy ta’sir ko‘rsatishi mumkin bo‘lgan yozuvlar butunlay olib tashlanadi. Takroriy yozuvlar esa bir xil IP manzillar, portlar va vaqt belgilariga ega bo‘lgan oqimlar asosida aniqlanib, faqat bitta nusxasi qoldiriladi. Bu jarayon modelni noto‘g‘ri o‘qitilishidan va ma’lumotlar og‘ishidan (bias) himoya qiladi. DPI ma’lumotlarida turli atributlar o‘lchov birliklari va qiymatlar diapazoniga ega bo‘ladi. Masalan, paket hajmi baytlarda o‘lchanadi, sessiya davomiyligi soniyalarda ifodalanadi, paketlar soni esa butun sonlar ko‘rinishida bo‘ladi. Ushbu atributlarni bevosita mashinaviy o‘qitish algoritmlariga uzatish modelning ayrim atributlarga haddan tashqari ustunlik berishiga olib kelishi mumkin[8]. Shu sababli atributlar yagona miqyosga keltiriladi. Bunda min–max normallashtirish, standartlashtirish (z-score) yoki logarifmik o‘zgartirish kabi usullar qo‘llaniladi. Natijada barcha atributlar bir xil ahamiyatda ko‘rib chiqiladi va algoritmlar ular orasidagi haqiqiy bog‘liqlikni samaraliroq o‘rganadi. Ushbu bosqichda ma’lumotlar mashinaviy o‘qitish modellariga mos formatga o‘tkaziladi. Masalan, xizmat nomlari yoki protokol turlari kabi kategoriyaviy atributlar sonli qiymatlarga kodlanadi (label encoding yoki one-hot encoding). Shuningdek, vaqtga bog‘liq atributlardan yangi hosila xususiyatlar (feature engineering) ajratib olinadi, masalan, o‘rtacha paket hajmi, oqim intensivligi yoki kiruvchi va chiquvchi trafik nisbati. Bundan tashqari, DPI ma’lumotlari oqim yoki sessiya darajasida agregatsiya qilinib, paket darajasidagi shovqin kamaytiriladi. Natijada modelga uzatiladigan ma’lumotlar ixcham, semantik jihatdan boy va statistik jihatdan barqaror holatga keltiriladi. Ma’lumotlarni oldindan qayta ishlash jarayoni DPI asosida yig‘ilgan xom trafik ma’lumotlarini tozalash, normallashtirish va semantik jihatdan boyitish orqali ularni mashinaviy va chuqur o‘rganish algoritmlari uchun ishonchli va samarali kirish ma’lumotlariga aylantirishni ta’minlaydi. Ushbu bosqich keyingi tasniflash va bashoratlash jarayonlarining aniqligi va barqarorligini belgilovchi hal qiluvchi omil hisoblanadi. Shundan so‘ng, abonentlarni tasniflash va bashorat qilish uchun ansambl mashinaviy o‘qitish yondashuvi qo‘llaniladi. Ansambl yondashuvi bir nechta klassik mashinaviy o‘qitish algoritmlarining kombinatsiyasiga asoslanib, yakka modelga nisbatan yuqoriroq aniqlik va ishonchlilikni ta’minlashga xizmat qiladi. 78

Mashinaviy o‘qitish algoritmlarini tanlash va tavsiflash Zamonaviy axborot-kommunikatsiya tizimlarida katta hajmdagi ma’lumotlarni tezkor va aniq tahlil qilish zarurati mashinaviy o‘qitish algoritmlarining keng qo‘llanilishiga olib kelmoqda. Ayniqsa, tasniflash va regressiya masalalarida samarali ishlovchi statistik hamda matematik modellar tarmoq xavfsizligi, trafikni boshqarish va abonent xulq-atvorini aniqlash kabi sohalarda muhim ahamiyat kasb etadi. Shu nuqtai nazardan, Naive Bayes va Support Vector Machine (SVM) algoritmlari nazariy asoslanganligi, amaliy samaradorligi va turli sohalarda muvaffaqiyatli qo‘llanilishi bilan ajralib turadi. Naive Bayes algoritmi ehtimollik nazariyasiga asoslangan bo‘lib, Bayes teoremasi orqali obyektning ma’lum bir sinfga tegishliligini baholaydi. U xususiyatlar o‘zaro mustaqil degan soddalashtirilgan farazga tayansa-da, katta hajmdagi ma’lumotlar bilan ishlashda tezkorligi va barqarorligi bilan ajralib turadi. Shu sababli ushbu algoritm real vaqt rejimidagi tizimlarda, jumladan, tarmoq trafigini tezkor tasniflash va DPI asosidagi monitoring jarayonlarida keng qo‘llaniladi. Support Vector Machine algoritmi esa maksimal chegara (maximum margin) tamoyiliga asoslangan bo‘lib, sinflarni ajratuvchi optimal gipertekislikni aniqlashga qaratilgan. SVM ayniqsa murakkab va chiziqli bo‘lmagan ma’lumotlar fazosida yuqori aniqlik ko‘rsatadi hamda kernel funksiyalari yordamida yuqori o‘lchamli fazolarda samarali ishlash imkonini beradi. Ushbu algoritm shovqinli va murakkab strukturaga ega ma’lumotlar to‘plamlarida barqaror natija berishi bilan tavsiflanadi. Tadqiqotda, xususan, Naive Bayes va Support Vector Machine (SVM) algoritmlarining kombinatsiyasi tanlanib, ularning natijalari birgalikda baholanadi. Ushbu algoritmlar DPI ma’lumotlari asosida abonentlarning xizmat toifalarini aniqlash uchun o‘qitiladi[13]. Naive Bayes algoritmi - bu ehtimollik nazariyasiga, aniqrog‘i Bayes teoremasiga asoslangan nazoratli mashinaviy o‘qitish algoritmi bo‘lib, asosan tasniflash (classification) masalalarida qo‘llaniladi. Algoritmning asosiy g‘oyasi shundan iboratki, obyekt ma’lum bir sinfga tegishli bo‘lish ehtimoli uning xususiyatlari (feature’lari) asosida hisoblanadi. Ilmiy nuqtai nazardan, Naive Bayes algoritmi “sodda (naive)” deb atalishining sababi shundaki, u barcha xususiyatlar bir-biridan mustaqil (independent) deb faraz qiladi. Amalda bu faraz ko‘pincha to‘liq bajarilmasada, algoritm ko‘plab real masalalarda yuqori samaradorlikni namoyish etadi. Matematik jihatdan algoritm quyidagi Bayes formulasi asosida ishlaydi: (1) bu yerda: C - sinf (class), X - obyektning xususiyatlar to‘plami, P(C) - sinfning aprior ehtimoli, P(X∣C) - xususiyatlarning berilgan sinf ostidagi ehtimoli. Naive Bayes algoritmi ushbu ehtimollarni o‘quv ma’lumotlari asosida hisoblaydi va eng katta ehtimollikka ega bo‘lgan sinfni natija sifatida tanlaydi. Amaliyotda Naive Bayes algoritmining bir nechta keng tarqalgan turlari mavjud: Gaussian Naive Bayes - uzluksiz (continuous) sonli ma’lumotlar uchun, Multinomial Naive Bayes - diskret sanaladigan qiymatlar (masalan, so‘zlar soni) uchun, Bernoulli Naive Bayes - ikkilik (0/1) xususiyatlar uchun. Naive Bayes algoritmi hisoblash jihatidan juda tez, kam resurs talab qiladi va katta hajmdagi ma’lumotlar bilan samarali ishlaydi. Shu sababli u tarmoq trafigini tasniflash, DPI 79

tizimlari, spam aniqlash, matn klassifikatsiyasi va anomaliya aniqlash kabi sohalarda keng qo‘llaniladi. Support Vector Machine (SVM) - bu nazoratli mashinaviy o‘qitish algoritmi bo‘lib, asosan tasniflash (classification) va regressiya (regression) masalalarida qo‘llaniladi. SVM algoritmining asosiy g‘oyasi - ma’lumotlar sinflarini eng katta ajratuvchi chegara (maximum margin) bilan ajratib turuvchi optimal gipertekislikni (hyperplane) topishdan iborat. Ilmiy jihatdan SVM sinflar orasidagi chegarani shunday tanlaydiki, ushbu chegara bilan eng yaqin nuqtalar (ular support vectors deb ataladi) orasidagi masofa maksimal bo‘lsin. Aynan shu nuqtalar model qarorini belgilovchi asosiy elementlar hisoblanadi. Bu yondashuv SVM’ni shovqinli va murakkab ma’lumotlar bilan ishlashda barqaror qiladi. Matematik ko‘rinishda SVM quyidagi optimallashtirish masalasini yechadi: u xususiyatlar fazosida w⋅x+b=0 ko‘rinishidagi gipertekislikni topadi, bunda sinflar uchun cheklovlar kiritiladi va chegara (margin) maksimal qilinadi. Agar ma’lumotlar chiziqli ajraladigan bo‘lsa, SVM to‘g‘ridan-to‘g‘ri ishlaydi; aks holda kernel usuli orqali ma’lumotlar yuqori o‘lchamli fazoga proyeksiya qilinadi. SVM algoritmining muhim afzalliklaridan biri - kernel funksiyalari yordamida murakkab, chiziqli bo‘lmagan chegaralarni ham samarali o‘rganish imkoniyatidir. Amaliyotda keng qo‘llaniladigan kernel turlari quyidagilar: Linear kernel - chiziqli ajraladigan ma’lumotlar uchun, Polynomial kernel - ko‘p hadli bog‘liqliklar uchun, RBF (Gaussian) kernel - eng keng tarqalgan, murakkab naqshlar uchun, Sigmoid kernel - neyron tarmoqlarga o‘xshash xatti-harakat beradi. SVM algoritmi yuqori aniqligi bilan ajralib turadi, ayniqsa o‘lchamlari katta, ammo namunalari nisbatan kam bo‘lgan ma’lumotlar to‘plamlarida samarali ishlaydi. Shu bilan birga, u parametrlarni (C, kernel parametrlari) to‘g‘ri sozlashni talab qiladi, aks holda hisoblash murakkabligi oshishi mumkin[15]. Amaliy jihatdan SVM tarmoq trafigini tasniflash, DPI tizimlari, spam va zararli trafikni aniqlash, tasvir va matn klassifikatsiyasi, shuningdek bioinformatika kabi ko‘plab sohalarda keng qo‘llaniladi. Quyida tasniflash (classification) va regressiya (regression) masalalarida qo‘llaniladigan Naive Bayes, Support Vector Machine (SVM) va boshqa keng tarqalgan algoritmlarning xususiyatlari bo‘yicha qiyosiy tahlil jadvali keltirilgan. 2-jadval.Mashinaviy o‘qitish algoritmlarining qiyosiy tahlili Algoritm Xususiyatlarga bog‘liqlik Hisoblash murakkabligi Aniqlik DPI / tarmoq trafigida qo‘llanishi Naive Bayes Past Juda past O‘rtacha– yuqori Trafikni tezkor tasniflash, DPI, spam aniqlash Yuqori Yuqori Yuqori Trafik klassifikatsiyasi, anomaliya aniqlash O‘rtacha Past O‘rtacha Oddiy trafik va QoS tasnifi Decision Tree O‘rtacha O‘rtacha O‘rtacha Random Forest O‘rtacha Yuqori Yuqori Support Vector Machine (SVM) Logistic Regression 80 Trafik siyosatlari va qaror qabul qilish DPI, DSCP tasnifi, xavfsizlik

k-NN Linear Regression Neural Network (MLP) Yuqori Yuqori (testda) O‘rtacha Kichik trafik to‘plamlarida Yuqori Past O‘rtacha Trafik yuklamasini bashorat qilish Past (avtomatik) Juda yuqori Yuqori Murakkab DPI va shifrlangan trafik Naive Bayes tezkor va resurs tejamkor bo‘lib, real vaqt rejimidagi DPI va katta trafik oqimlari uchun qulay. SVM yuqori aniqlik talab etiladigan, ammo ma’lumotlar hajmi cheklangan muhitlarda samarali. Ansambl algoritmlar (Random Forest) barqarorlik va aniqlik jihatidan DPI va xavfsizlik tizimlarida eng ko‘p qo‘llaniladi. Neyron tarmoqlar murakkab va shifrlangan trafikni aniqlashda ustun bo‘lsa-da, resurs talabi va tushuntirilish darajasi past[14]. Modelni o‘qitish jarayonida ma’lumotlar to‘plami trening va test qismlariga ajratiladi. Trening ma’lumotlari yordamida model o‘rganiladi, test ma’lumotlari esa modelning umumlashuv qobiliyatini baholash uchun qo‘llaniladi. Tasniflash natijalari aniqlik (accuracy), aniqlik darajasi (precision), qamrov (recall) va F1-ko‘rsatkich kabi standart metrikalar asosida baholanadi. 3.Amaliy tajribalarni tashkil etish va natijalarni muhokamasi Modelni o‘qitishda ma’lumotlar to‘plamini trening (training) va test (testing) qismlariga ajratishdan asosiy maqsad - ishlab chiqilgan mashinaviy yoki chuqur o‘rganish modelining faqat ko‘rilgan ma’lumotlarga moslashib qolmasdan, balki ilgari uchramagan yangi trafik holatlarida ham to‘g‘ri ishlash qobiliyatini baholashdir. Trening qismida model DPI asosida ajratilgan atributlar va ularning haqiqiy yorliqlari (masalan, xizmat toifasi yoki DSCP sinfi) o‘rtasidagi bog‘liqlikni o‘rganadi, test qismida esa ushbu o‘rganilgan bilimlarning umumlashuv darajasi tekshiriladi[9]. Amaliyotda DPI ma’lumotlar to‘plami odatda 70/30, 80/20 yoki 75/25 nisbatlarda bo‘linadi. Masalan, 100 000 ta DPI yozuvdan iborat datasetda 80 000 tasi trening, 20 000 tasi test uchun ajratiladi. Ajratish jarayoni tasodifiy (random split) yoki stratifikatsiyalangan (stratified split) usulda amalga oshiriladi. Stratifikatsiyalangan ajratish, ayniqsa, DSCP sinflari yoki xizmat toifalari nomutanosib bo‘lgan holatlarda muhim bo‘lib, har bir sinfning trening va test qismlarida mutanosib saqlanishini ta’minlaydi. Trening jarayoni qanday muhitda o‘tkaziladi Modelni o‘qitish jarayoni odatda dasturiy hisoblash muhitida amalga oshiriladi. Tadqiqotlarda ko‘p hollarda quyidagi muhitlardan biri tanlanadi: Operatsion tizim: Linux (Ubuntu 20.04/22.04) yoki Windows 10/11 Dasturlash muhiti: Python (3.8–3.11) Kutubxonalar: scikit-learn (klassik ML uchun) TensorFlow / Keras yoki PyTorch (DL modellari uchun) Ma’lumotlar bilan ishlash: pandas, numpy Vizualizatsiya: matplotlib, seaborn Ushbu muhitlar DPI asosidagi katta hajmdagi trafik ma’lumotlarini qayta ishlash va modelni takrorlanadigan tarzda o‘qitish imkonini beradi. Modelning turiga qarab ishlatiladigan qurilmalar farqlanadi: Klassik ML modellari (Random Forest, SVM, Naive Bayes) ⎯ Qurilma: Oddiy ish stansiya yoki server ⎯ Protsessor: Intel Core i5/i7 yoki Xeon (4–16 yadro) 81