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

⎯ Tezkor xotira (RAM): 8–32 GB ⎯ GPU: talab etilmaydi ⎯ Afzalligi: real vaqtga yaqin tahlil va kam resurs talabi Chuqur o‘rganish (CNN, LSTM, Transformer) ⎯ Qurilma: Yuqori unumli server yoki bulutli platforma ⎯ CPU: Ko‘p yadroli (≥16 yadro) ⎯ GPU: NVIDIA RTX / Tesla (8–24 GB VRAM) ⎯ RAM: 32–128 GB ⎯ Afzalligi: murakkab trafik naqshlarini o‘rganish ⎯ Cheklov: hisoblash vaqti va energiya talabi yuqori Trening jarayonida sozlanadigan asosiy parametrlar Modelni o‘qitishda bir qator giperparametrlar belgilanadi: ⎯ Epochlar soni: model trening ma’lumotlarini necha marta ko‘rib chiqishi ⎯ Batch size: bir vaqtda qayta ishlanadigan yozuvlar soni ⎯ Learning rate: model og‘irliklarini yangilash tezligi ⎯ Loss function: xatolikni hisoblash usuli (masalan, cross-entropy) ⎯ Optimizer: SGD, Adam, RMSprop va boshqalar Klassik ML modellarida esa daraxtlar soni, chuqurligi, yadroviy funksiya turi kabi parametrlar tanlanadi. Test bosqichida model treningda ko‘rmagan DPI ma’lumotlari ustida sinovdan o‘tkaziladi. Bu jarayonda model chiqishlari haqiqiy yorliqlar bilan solishtiriladi va quyidagi metrikalar hisoblanadi: Accuracy — umumiy to‘g‘ri tasniflash darajasi; Precision — aniqlangan ijobiy holatlarning ishonchliligi; Recall — haqiqiy ijobiy holatlarni qamrab olish darajasi; F1-score — precision va recall o‘rtasidagi muvozanat; Confusion matrix — xatoliklar tuzilmasini ko‘rsatadi. Bu ko‘rsatkichlar modelning umumlashuv qobiliyati, ya’ni real tarmoq sharoitida qanday ishlashini baholash imkonini beradi. Ushbu trening–test yondashuvi asosida o‘qitilgan model keyinchalik real tarmoq muhitida DPI tizimiga integratsiya qilinadi. Model yangi trafik oqimlarini real vaqt rejimida tahlil qilib, xizmat toifasini aniqlash, DSCP belgilash yoki anomaliyani aniqlash vazifalarini bajaradi. Trening va testga ajratish bosqichi to‘g‘ri bajarilgan bo‘lsa, model real tarmoq yuklamalari va yangi trafik holatlariga moslashuvchan bo‘ladi[17]. Ma’lumotlar to‘plamini trening va test qismlariga ajratish mashinaviy va chuqur o‘rganish asosidagi DPI modellarining ishonchliligi va real tarmoq sharoitida barqaror ishlashini ta’minlovchi asosiy metodologik bosqich hisoblanadi. Ushbu jarayon modelning faqat o‘rganilgan trafik emas, balki yangi va dinamik trafik oqimlarida ham yuqori aniqlikda ishlashini kafolatlaydi. Quyidagi jadvalda keltirilgan qiymatlar Deep Packet Inspection asosida yig‘ilgan tarmoq trafik ma’lumotlarini mashinaviy o‘qitish algoritmlari yordamida tasniflash natijasida olingan. Dastlab real tarmoq muhitidan DPI vositalari orqali trafik ushlab olinib, har bir paket va oqim bo‘yicha manzil IP (dst IP), xizmat nomi, xizmat toifasi, port raqamlari, protokol turi, trafik hajmi va geografik atributlar kabi xususiyatlar ajratib olingan. Ushbu xususiyatlar oldindan tozalash, normallashtirish va feature engineering bosqichlaridan o‘tkazilgan. 82

2-rasm. Tarfikni tasniflash tizimining mantiqiy sxemasi Keyingi bosqichda ajratilgan xususiyatlarga og‘irlik koeffitsiyentlari (weighted DPI features) biriktirilgan. Og‘irliklar xususiyatlarning tasniflash jarayoniga ta’sir darajasiga qarab aniqlangan bo‘lib, masalan, xizmat nomi, manzil IP va geografik atributlar yuqori axborot yuklamasiga ega bo‘lgani sababli kattaroq og‘irlik qiymatlariga ega bo‘lgan. Natijada xususiyatlarning transformatsiyalangan qiymatlari hosil qilinib, ular klassifikatorlar uchun kirish ma’lumotlari sifatida ishlatilgan. Tasniflash jarayoni ansambl mashinaviy o‘qitish yondashuvi asosida amalga oshirilgan. Amaliyotda Naive Bayes, Support Vector Machine, Decision Tree va Random Forest kabi algoritmlar alohida yoki kombinatsiyalangan holda qo‘llanib, har bir trafik oqimi tegishli xizmat nomi va xizmat toifasiga ajratilgan. Model o‘qitish va sinov jarayonlari odatda train/test bo‘linishi yoki k-fold cross-validation yordamida bajarilgan. 83

3-jadval. Manzil IP tomonidan foydalaniladigan xizmatlar va bashorat aniqligi № Manzil IP (dst IP) Xizmat nomi 1 dst IP₁ YouTube 2 dst IP₂ Netflix 3 dst IP₃ Facebook Ijtimoiy tarmoq 98.3 % 4 dst IP₄ Google Veb xizmati 96.8 % 5 dst IP₅ WhatsApp Xabar almashish 97.6 % 6 dst IP₆ Instagram Ijtimoiy tarmoq 98.5 % 7 dst IP₇ Bulutli xizmat Bulutli infratuzilma 95.9 % Xizmat toifasi Oqimli xizmat (Streaming) Oqimli xizmat (Streaming) Bashorat aniqligi % 99.1 % 98.9 % Tavsif Video kontentni uzatish va tomosha qilish xizmati Onlayn kino va seriallar platformasi Ijtimoiy aloqalar va media almashish xizmati Qidiruv va veb-resurslardan foydalanish Tezkor xabarlar va multimedia almashinuvi Foto va video kontent almashish Ma’lumotlarni saqlash va qayta ishlash Tasniflash jarayoni ansambl mashinaviy o‘qitish yondashuvi asosida amalga oshirilgan. Amaliyotda Naive Bayes, Support Vector Machine, Decision Tree va Random Forest kabi algoritmlar alohida yoki kombinatsiyalangan holda qo‘llanib, har bir trafik oqimi tegishli xizmat nomi va xizmat toifasiga ajratilgan. Model o‘qitish va sinov jarayonlari odatda train/test bo‘linishi yoki k-fold cross-validation yordamida bajarilgan. Jadvalda berilgan Prediction rate (bashorat aniqligi) qiymatlari har bir xizmat uchun model tomonidan to‘g‘ri tasniflangan holatlar ulushini ifodalaydi. Ya’ni, ma’lum bir manzil IP orqali aniqlangan trafik namunalarining nechta foizi model tomonidan to‘g‘ri ravishda tegishli xizmat sifatida aniqlanganligi hisoblab chiqilgan. Matematik jihatdan bu ko‘rsatkich to‘g‘ri bashoratlar sonining umumiy bashoratlar soniga nisbati orqali aniqlanadi va foizlarda ifodalanadi. Masalan, agar YouTube xizmatiga tegishli 100 ta trafik oqimidan 98 tasi model tomonidan to‘g‘ri aniqlangan bo‘lsa, ushbu xizmat uchun bashorat aniqligi 98% atrofida bo‘ladi. Oqimli va ijtimoiy xizmatlar uchun yuqori aniqlik qiymatlari ularning trafik naqshlari barqaror va aniq ajralib turishi bilan izohlanadi, veb yoki bulutli xizmatlarda esa trafik xatti-harakati xilma-xil bo‘lgani sababli aniqlik biroz pastroq bo‘lishi mumkin. Umuman olganda, jadvaldagi qiymatlar DPI asosida yig‘ilgan real trafik ma’lumotlari, og‘irliklangan xususiyatlar va ansambl mashinaviy o‘qitish algoritmlarining eksperimental natijalari asosida shakllantirilgan bo‘lib, ular tarmoq xizmatlarini aniqlash va bashorat qilish jarayonining samaradorligini miqdoriy jihatdan ifodalaydi. Quyida turli kontekstlar bo‘yicha bashoratlash aniqligi (Prediction rate) ning qiyosiy tahlil jadvali keltirilgan. Mazkur jadval natijalari tarmoq xizmatlarini aniqlashda qo‘llanilgan turli yondashuvlarning samaradorligini qiyosiy tahlil qilish imkonini beradi. Ko‘rinib turibdiki, faqat sarlavha (header-based) ma’lumotlariga tayangan holda amalga oshirilgan tasniflash eng past aniqlik ko‘rsatkichlarini namoyish etgan bo‘lib, ayniqsa bulutli xizmatlar va veb xizmatlarda 84

xatolik darajasi yuqoriroq ekani kuzatiladi. Bu holat IP manzillar va port raqamlariga asoslangan oddiy yondashuvlar xizmatlar o‘rtasidagi murakkab xulq-atvor farqlarini yetarli darajada aks ettira olmasligini ko‘rsatadi. 4-jadval.Turli kontekstlar bo‘yicha bashoratlash aniqligining qiyosiy tahlili Faqat Og‘irliklangan DPI + sarlavha DPI Xizmat toifasi DPI ansambl (Header- xususiyatlari xususiyatlari ML based) № Xizmat nomi 1 YouTube Oqimli xizmat 85.2 % 93.6 % 98.5 % 99.1 % 2 Netflix Oqimli xizmat 84.7 % 92.8 % 97.8 % 98.9 % 3 Facebook Ijtimoiy tarmoq 82.9 % 91.5 % 96.9 % 98.3 % 4 Google Veb xizmati 80.4 % 89.7 % 95.4 % 96.8 % 5 WhatsApp Xabar almashish 83.6 % 92.1 % 96.1 % 97.6 % 6 Instagram Ijtimoiy tarmoq 84.1 % 92.9 % 97.2 % 98.5 % 7 Bulutli xizmat Bulutli infratuzilma 78.8 % 88.3 % 94.6 % 95.9 % DPI xususiyatlaridan foydalanish natijasida barcha xizmat toifalari bo‘yicha aniqlik sezilarli darajada oshgan. Bu paket mazmuni va oqim xatti-harakatlariga oid qo‘shimcha atributlar xizmatlarni yanada aniqroq ajratish imkonini berishini tasdiqlaydi. Shuningdek, og‘irliklangan DPI xususiyatlari qo‘llanilganda aniqlik ko‘rsatkichlari yanada yuqorilab, muhim atributlarga ustuvor ahamiyat berish model samaradorligini oshirishini isbotlaydi. Eng yuqori natijalar esa DPI + ansambl mashinaviy o‘qitish yondashuvi orqali olingan. Ansambl model bir nechta klassifikatorlarning kuchli tomonlarini birlashtirganligi sababli, noto‘g‘ri tasniflash holatlarini kamaytiradi va barcha xizmat toifalari bo‘yicha 95–99% oralig‘idagi yuqori aniqlikni ta’minlaydi. Xususan, oqimli xizmatlar (YouTube, Netflix) va ijtimoiy tarmoqlar (Facebook, Instagram) uchun bashoratlash aniqligi eng yuqori darajaga yetgan. Umuman olganda, jadval natijalari shuni ko‘rsatadiki, tarmoq xizmatlarini aniqlash jarayonida oddiy sarlavha asosidagi yondashuvlar yetarli emas; DPI asosida boyitilgan va og‘irliklangan xususiyatlar hamda ansambl mashinaviy o‘qitish algoritmlarini qo‘llash yuqori aniqlik, barqarorlik va amaliy samaradorlikni ta’minlaydi. Bu esa zamonaviy tarmoq boshqaruvi va xavfsizlik tizimlarida intellektual tasniflash yondashuvlaridan foydalanish zarurligini ilmiy jihatdan asoslaydi. Tadqiqotlar tahlili shuni ko‘rsatadiki, trafikni tasniflash aniqligi Header-based → DPI xususiyatlari → Og‘irliklangan DPI → DPI + ansambl ML ketma-ketligida barqaror oshib bormoqda. Faqat sarlavha (header) asosida aniqlik 78–85 % oralig‘ida bo‘lsa, DPI xususiyatlari qo‘llanganda 88–93 % gacha, og‘irliklangan DPI modelida 94–98 % gacha, ansambl ML integratsiyasida esa 95–99 % gacha yetgani kuzatiladi. Ayniqsa oqimli xizmatlar (YouTube, Netflix) va ijtimoiy tarmoqlarda aniqlikning keskin oshishi murakkab trafik naqshlarini faqat ko‘p omilli va intellektual yondashuvlar samarali ajratishini ko‘rsatadi. Bulutli xizmatlarda esa nisbatan pastroq ko‘rsatkichlar trafikning shifrlangan va dinamik tabiati bilan izohlanadi. Ushbu tahlil 85

asosida algoritmlarni qo‘llash bo‘yicha quyidagi ilmiy-amaliy tavsiyalarni ishlab chiqiish imkoni tug‘ildi: 1. Ko‘p bosqichli tasniflash arxitekturasini joriy etish. Dastlabki bosqichda header-based tezkor filtrlash, keyingi bosqichda esa DPI va ML modellarini qo‘llash maqsadga muvofiq. Bu hisoblash resurslarini optimallashtiradi va real vaqt talablariga mos keladi. 2. Og‘irliklangan xususiyatlar modelini qo‘llash. DPI xususiyatlariga og‘irlik koeffitsientlari berish aniqlikni o‘rtacha 4–6 % ga oshirgan. Shuning uchun feature importance (Information Gain, Gini, SHAP) asosida atributlarni og‘irliklash tavsiya etiladi. 3. Ansambl mashinali o‘qitish modellaridan foydalanish. Random Forest, Gradient Boosting yoki stacking asosidagi ansambl modellar aniqlikni 98–99 % darajaga olib chiqmoqda. Yagona model o‘rniga kombinatsiyalangan model qo‘llash barqarorlikni oshiradi. 4. Xizmat toifasiga mos model sozlash. Oqimli xizmatlar, ijtimoiy tarmoqlar va bulutli infratuzilma trafiklari turlicha naqshga ega. Har bir toifa uchun alohida optimal parametrlar (hyperparameter tuning) belgilash aniqlikni oshiradi. 5. Shifrlangan trafik uchun oqim xususiyatlariga tayanish. Bulutli xizmatlarda aniqlik nisbatan pastroq bo‘lgani sababli payload emas, balki flow-level statistika (paket soni, vaqt oralig‘i, oqim uzunligi) asosida modelni kuchaytirish zarur. 6. Real vaqt rejimi uchun yengillashtirilgan model versiyasini ishlab chiqish. Ansambl ML yuqori aniqlik beradi, lekin hisoblash murakkabligi yuqori. Shuning uchun real vaqt monitoringi uchun optimallashtirilgan (pruned) model va oflayn tahlil uchun to‘liq model qo‘llash tavsiya etiladi. 4.Xulosa DPI texnologiyasi asosida ishlab chiqilgan xavfsizlik algoritmlari amaliy tajribalar orqali sinovdan o‘tkazildi. Abonentlarni tahlil qilish metodologiyasi ishlab chiqilib, mashinaviy o‘qitish algoritmlarini tanlash va optimallashtirish mezonlari belgilandi. Eksperimental natijalar aniqlik va ishonchlilik ko‘rsatkichlari asosida baholanib, ishlab chiqilgan yondashuvlarning real tarmoq sharoitida samarali qo‘llanishi isbotlandi. Tadqiqot natijalari asosida gibrid tasniflash arxitekturasini joriy etish, signatura va mashinaviy o‘qitish modellarini integratsiya qilish hamda real vaqt monitoringi uchun optimallashtirilgan algoritmlarni qo‘llash bo‘yicha ilmiy-amaliy tavsiyalar ishlab chiqildi. Tadqiqot natijalari asosida tarmoq xavfsizligini oshirish bo‘yicha bir qator ilmiy-amaliy tavsiyalar ishlab chiqildi. Xususan, ko‘p bosqichli (gibrid) tasniflash arxitekturasini qo‘llash, signatura va statistik yondashuvlarni mashinaviy o‘qitish modellariga integratsiya qilish, shifrlangan trafikni aniqlashda oqim darajasidagi atributlarga tayanish, real vaqt monitoringi uchun optimallashtirilgan algoritmlarni joriy etish hamda abonent xatti-harakatlarini profilga ajratish orqali tahdidlarni erta aniqlash mexanizmlarini tatbiq etish tavsiya etildi. Umuman olganda, mazkur tadqiqot DPI asosida tarmoq xavfsizligi algoritmlarini ilmiy asoslash, ularni takomillashtirish va amaliyotga joriy etish bo‘yicha muhim natijalarni taqdim etadi hamda zamonaviy telekommunikatsiya tarmoqlarida intellektual va adaptiv xavfsizlik tizimlarini shakllantirish uchun metodologik asos yaratadi. 5. Adabiyotlar 1. Sahami M., Dumais S., Heckerman D. A Bayesian Approach to Filtering Junk E-Mail. AAAI Conference on Artificial Intelligence, 2015. 2. Nguyen T. T., Armitage G. A Survey of Techniques for Internet Traffic Classification Using Machine Learning. IEEE Communications Surveys & Tutorials, 2016. 3. Kim G., Lee S., Kim S. A Novel Hybrid Intrusion Detection Method Integrating Anomaly Detection with Misuse Detection. Expert Systems with Applications, 2017. 86

4. Conti M., Dehghantanha A., Franke K. Internet Traffic Classification Using Deep Learning. IEEE Communications Magazine, 2018. 5. Anderson R. Security Engineering: A Guide to Building Dependable Distributed Systems. Wiley, 2020. 6. Zhang J., Chen Y. Deep Packet Inspection Based Intrusion Detection Using SVM. Computers & Security, 2020. 7. Shbair W., Francois J. Encrypted Traffic Classification Using Machine Learning. IFIP Networking Conference, 2021. 8. Kaspersky Lab. Global Spam and Phishing Report. Technical Report, 2021. 9. Google Research. Context-Aware Spam Detection Using Deep Learning. Google AI Blog, 2022. 10. Xu H., Zhang Y., Zawoad S. Anomaly Detection in Network Traffic Using Deep Packet Inspection. IEEE Transactions on Dependable and Secure Computing, 2022. 11. Conti M., Gangwal A. A Survey on DPI Techniques for Network Security. ACM Computing Surveys, 2022. 12. Al-Hawawreh M., Sitnikova E. FPGA-Based Deep Packet Inspection for High-Speed Networks. IEEE Access, 2023. 13. Dehghantanha A., Choo K.-K. R. Blockchain and AI for Cybersecurity Applications. Springer, 2023. 14. Wang W., Zhu M. Malware Traffic Detection Using CNN-Based Deep Packet Inspection. Journal of Network and Computer Applications, 2023. 15. ETSI. Traffic Inspection and Analysis for Network Security. ETSI Technical Specification, 2023. 16. Zyskind G., Nathan O. Privacy-Preserving DPI Architectures. IEEE Security & Privacy, 2024. 17. Zhang L., Gupta R. Machine Learning Approaches to Deep Packet Inspection. IEEE Access, 2024. 18. Xu Y., Li H. Transformer-Based Payload Inspection for Encrypted Traffic. arXiv preprint, 2024. 19. Conti M., Dehghantanha A. Lightweight DPI for IoT Network Security. Future Generation Computer Systems, 2024. 20. Cisco Research. Deep Packet Inspection in Next-Generation Networks. Cisco White Paper, 2025. 87

INFOKOMMUNIKATSIYA TIZIMLARIDA ENERGIYA SAMARADORLIGINI OSHIRISHNING IOTGA ASOSLANGAN TEXNOLOGIK YONDASHUVLARI Shodiyev Shuxrat Hayit o‘g‘li1, Abdumalikov Akmaljon Abduxoliq o‘g‘li 2 Rizayev Farrux Farxodo‘g‘li 3 1 UMFT magistri, sh.shodiyev11@gmail.com 2 O‘zMU Jizzax filiali,“Ilmiy tadqiqotlar, innovatsiyalar va ilmiy pedagog kadrlarni tayyorlash” bo‘limi boshlig‘i, akmal.abdumalikov@gmail.com 3 UMFT, Raqamli texnologiyalar markaz boshlig‘i, rizayev@umft-official.uz Annotatsiya. Mazkur maqola infokommunikatsiya tizimlarida energiya samaradorligini oshirishning IoT asosidagi texnologik yondashuvlarini tadqiq etishga bag‘ishlangan. Tadqiqotda an’anaviy bulut asosidagi arxitekturalarning energiya sarfi, CO₂ emissiyasi va tarmoq trafigi nuqtai nazaridan mavjud kamchiliklari tahlil qilingan hamda ushbu muammolarni bartaraf etishga qaratilgan Edge-Fog-Cloud uch qatlamli arxitekturasi ilmiy asosda o‘rganilgan. IoT ekotizimida energiya sarfiga ta’sir etuvchi omillar, energiyatejamkor simsiz uzatish texnologiyalari (LoRa, NB-IoT, 5G, Zigbee) va hisoblash yuklamasini qatlamlar o‘rtasida taqsimlash yondashuvlari kompleks tarzda tadqiq etilgan. Kalit so‘zlar: IoT, energiya samaradorligi, Edge-Fog-Cloud arxitekturasi, LoRa, CO₂ emissiyasi, tarmoq trafigi, evristik algoritm. Аннотация: Данная статья посвящена исследованию технологических подходов к повышению энергоэффективности в инфокоммуникационных системах на основе IoT. В работе проанализированы недостатки традиционных облачных архитектур с точки зрения энергопотребления, выбросов CO₂ и сетевого трафика, а также научно обосновано применение трёхуровневой архитектуры Edge–Fog–Cloud для решения указанных проблем. Комплексно исследованы факторы, влияющие на энергопотребление в IoT-экосистеме, энергоэффективные технологии беспроводной передачи данных (LoRa, NB-IoT, 5G, Zigbee), а также подходы к распределению вычислительной нагрузки между уровнями архитектуры. Ключевые слова: IoT, энергоэффективность, архитектура Edge–Fog–Cloud, LoRa, выбросы CO₂, сетевой трафик, эвристический алгоритм. Abstract: This paper is devoted to the study of IoT-based technological approaches to improving energy efficiency in infocommunication systems. The study analyzes the limitations of traditional cloud-based architectures in terms of energy consumption, CO₂ emissions, and network traffic, and provides a scientific rationale for the use of a three-layer Edge–Fog–Cloud architecture to address these issues. A comprehensive analysis is conducted of the factors affecting energy consumption in the IoT ecosystem, energy-efficient wireless communication technologies (LoRa, NB-IoT, 5G, Zigbee), and approaches to distributing computational workloads across architectural layers. Keywords: IoT, energy efficiency, Edge–Fog–Cloud architecture, LoRa, CO₂ emissions, network traffic, heuristic algorithm. 1.Kirish Zamonaviy infokommunikatsiya texnologiyalarining jadal rivojlanishi va IoT qurilmalar sonining 2027 yilga kelib 100 milliard birlikka yetishi kutilayotgan sharoitda energiya samaradorligi masalasi global miqyosda hal etilishi zarur bo‘lgan ustuvor muammoga aylanib bormoqda. Axborot va kommunikatsiya texnologiyalari sohasi 2027 yilga kelib jahon elektr 88

energiyasi talabining 20 foizini iste’mol qilishi va 730 million tonna CO₂ ekvivalenti emissiyasiga sabab bo‘lishi prognoz qilinmoqda. An’anaviy bulut asosidagi infokommunikatsiya tizimlari esa heterogen sensorlardan keluvchi ma’lumotlarni to‘liq markaziy ma’lumotlar markaziga uzatishni talab etib, tarmoq infratuzilmasiga ulkan yuk tushiradi, real vaqtli qayta ishlash sifatini pasaytiradi va energiya sarfini ortiqcha darajada oshiradi. Bunday sharoitda IoT ekotizimida energiya sarfini optimallashtirish, hisoblash yukini tarmoq qatlamlari o‘rtasida maqsadli taqsimlash va energiyatejamkor texnologik yondashuvlarni ilmiy asosda ishlab chiqish zarurati infokommunikatsiya sohasining dolzarb ilmiy-amaliy muammosi sifatida namoyon bo‘lmoqda. Mazkur mavzuning dolzarbligi, bir tomondan, mavjud ilmiy adabiyotlarda IoT asosidagi infokommunikatsiya tizimlarida energiya samaradorligini oshirishning kompleks - arxitektura, simsiz uzatish texnologiyasi va resurslarni boshqarish strategiyalarini birgalikda qamrab oluvchi tadqiqotlar yetarli darajada ishlab chiqilmaganligida ko‘rinsa, ikkinchi tomondan, O‘zbekistonda raqamlashtirish va “Aqlli shahar”, “Aqlli qishloq xo‘jaligi” dasturlari doirasida IoT infratuzilmasini keng joriy etish bo‘yicha davlat siyosatining faol olib borilayotganligida namoyon bo‘ladi. Edge-Fog-Cloud arxitekturasi, LPWA simsiz texnologiyalari va intellektual energiya boshqaruvi mexanizmlarini tadqiq etish hamda ularning samaradorligini miqdoriy ko‘rsatkichlar orqali baholash nafaqat nazariy bilimlar majmuasini boyitadi, balki O‘zbekiston infokommunikatsiya tarmoqlarini energiya tejamkor asosda modernizatsiya qilish uchun ilmiy asos yaratadi. Shu sababli ushbu dissertatsiya mavzusi hozirgi kunda ham nazariy, ham amaliy jihatdan muhim ilmiy ahamiyat kasb etadi. 2.Adabiyotlar tahlili. Mavzu doirasida olib borilgan ilmiy-amaliy tadqiqotlarni tahlil qilish shuni ko‘rsatadiki, birinchi guruhni tarmoq qatlami va protokollar darajasida energiya samaradorligini oshirishga qaratilgan ishlar tashkil etadi. Zhang Y. va Wang X. "Green IoT" konsepsiyasi doirasida marshrutlash, ma’lumotlarni agregatsiyalash va uzatish intervalini moslashtirish orqali IoT qurilmalarining energiya sarfini kamaytirish mumkinligini asoslab bergan[3]. Rossi A. va Conti M. MQTT asosidagi IoT aloqalarining energiya ko‘rsatkichlarini eksperimental tahlil qilgan va protokol konfiguratsiyasining energiya sarfiga sezilarli ta’sir ko‘rsatishini isbotlagan[15]. Xu J. va Zawoad S. esa sensor tarmoqlarida energiyatejamkor siqish algoritmlarini ishlab chiqib, uzatish xarajatlarini kamaytirish imkoniyatlarini ko‘rsatgan[16]. Kim D. va Lee S. ham shu yo‘nalishda ma’lumotlarni siqish asosida energiya optimallashtirish modelini taklif etgan[13]. Ushbu tadqiqotlar majmuasi tarmoq va protokol darajasidagi optimallashtirishning energiya samaradorligiga bevosita ta’sir ko‘rsatishini ilmiy jihatdan tasdiqlaydi. Ikkinchi guruhni hisoblash yukini taqsimlash va offloading strategiyalariga bag‘ishlangan tadqiqotlar tashkil etadi. Rahman M., Hassan M. va hammualliflar Edge-Fog-Cloud arxitekturasi asosida hisoblash yukini qatlamlar bo‘yicha taqsimlash orqali tarmoq yuklanishi, kechikish va energiya sarfini bir vaqtda optimallashtirish mumkinligini real vaqt tajribalari bilan isbotlagan[4]. Wang S. va Zhang L. cloud-assisted MEC arxitekturasida energiya tejamkor hisoblash modelini ishlab chiqib, hisoblash vazifalarini moslashtirish orqali qurilma energiya sarfini kamaytirish imkonini ko‘rsatgan[11]. Liu H. va Zhu Y. statik va dinamik parametrlarni uyg‘unlashtiruvchi gibrid energiyatejamkor computation offloading algoritmini taklif etgan[12]. Al-Hawawreh M. va Sitnikova E. esa xavfsizlik talablarini hisobga olgan holda offloading strategiyalarini ishlab chiqib, NOMA texnologiyalari bilan integratsiya samaradorligini ko‘rsatgan[7]. Ahmed E. va Yaqoob I. ham Edge-Fog-Cloud muhitida resurslarni dinamik taqsimlash orqali energiya sarfini kamaytirishni ta’minlovchi boshqaruv modelini taklif etgan[18]. Bu guruh tadqiqotlari hisoblash yukini maqsadli taqsimlashning energiya samaradorligini oshirishdagi hal qiluvchi ahamiyatini ko‘rsatadi. 89

Uchinchi guruhni simsiz uzatish texnologiyalarining energiya samaradorligi bo‘yicha qiyosiy tahlilga bag‘ishlangan ishlar tashkil etadi. Adelantado F. va Vilajosana X. LoRaWAN texnologiyasining masshtablanuvchanligi va energiya samaradorligini tahlil qilib, kanal boshqaruvi va adaptiv uzatish tezligining energiya tejamkorligini oshirishdagi muhim rolini ko‘rsatgan[9]. Mekki K., Bajic E. va Chaxel F. NB-IoT tarmoqlarida energiya samaradorligini keng qamrovli sharh asosida tahlil qilib, LPWAN texnologiyalarining batareya umrini uzaytirishdagi ustunliklarini asoslab bergan[6]. Khan R. va Sharma S. esa NB-IoT hamda LoRaWAN texnologiyalarini turli ssenariylarda qiyosiy baholagan va amaliy tanlov mezonlarini ishlab chiqib, IoT loyihalarida optimal texnologiyani tanlashga yordam beruvchi ilmiy asos yaratgan[10]. Nguyen T. va Armitage G. energiya harvesting texnologiyalarining IoT tarmoqlarida qo‘llanilishini o‘rganib, muqobil energiya manbalari orqali qurilmalarni avtonom ishlashini ta’minlash imkoniyatlarini ilmiy asoslagan[8]. Ushbu guruh tadqiqotlari turli simsiz texnologiyalarning muayyan sharoit uchun maqbulligini aniqlashda metodologik asos bo‘lib xizmat qiladi. To‘rtinchi guruhni sun’iy intellekt, SDN va kelajak tarmoqlari asosidagi energiya boshqaruvi yondashuvlarini o‘rganuvchi tadqiqotlar tashkil etadi. Li Q. va Chen J. SDN asosida IoT tarmoqlarida markazlashtirilgan boshqaruv yordamida trafik oqimlarini dinamik boshqarish energiya sarfini kamaytirishga xizmat qilishini ko‘rsatgan[5]. Zhang X. va Gupta R. federativ o‘qitishning energiya samaradorligini o‘rganib, aloqa raundlarini optimallashtirish orqali IoT qurilmalarida energiya sarfini kamaytirish mumkinligini asoslagan[14]. Saad W. va Bennis M. 6G asosidagi IoT tarmoqlarida sun’iy intellekt yordamida resurs boshqaruvi "green networking" konsepsiyasini amalga oshirishda muhim vosita ekanligini ko‘rsatgan[17]. Wang Z. va Zhu Q. ham 6G va massiv IoT tarmoqlarida AI asosidagi arxitekturalar energiya samaradorligini oshirishdagi strategik rolini tadqiq etgan[22]. Singh P. va Kumar N. fog muhitida energiya-aware marshrutlash va yuklama taqsimlash yondashuvlarini umumlashtirgan[19]. García L. va Torralba A. esa IoT asosida aqlli bino energiya boshqaruvi tizimini real tajriba orqali tasdiqlab, amaliy tatbiq imkoniyatlarini ko‘rsatgan[20]. Al-Fuqaha A. va Guizani M. "Green IoT" konsepsiyasi doirasida energiya boshqaruvi va harvesting strategiyalarini tizimlashtirgan holda barqaror IoT ekotizimini shakllantirishga qaratilgan istiqbolli yo‘nalishlarni belgilab bergan[21]. Bu guruh tadqiqotlari infokommunikatsiya tizimlarida energiya samaradorligini oshirishda intellektual yondashuvlarning kelajakdagi ahamiyatini yaqqol ko‘rsatib beradi. 3.IoT simsiz tarmoq texnologiyalarining qiyosiy tahlili IoT tizimlarining umumiy tuzilmasi bir nechta asosiy imkon beruvchi texnologiyalarga, jumladan simsiz sensor tarmoqlari (WSN), bulutli hisoblash, mashinaviy o‘rganish va peer-to-peer tizimlariga tayanadi. Ushbu texnologiyalar ichida WSN IoT tarmoqlarida aloqa jarayonining eng muhim va markaziy qismi hisoblanadi. WSNlarda sensor tugunlar atrof-muhitdan zarur ma’lumotlarni aniqlash, ularni qayta ishlash va boshqa tugunlar bilan ma’lumot almashish vazifasini bajaradi. Biroq sensor tugunlarning ishlash muddati odatda cheklangan quvvat manbai - batareyaga bog‘liq bo‘lib, bu ularning hisoblash imkoniyatlari, xotira hajmi va radioaloqa resurslarini keskin cheklaydi. Shu sababli energiya samaradorligi WSNlar uchun eng muhim muammolardan biri hisoblanadi. Tadqiqotlar shuni ko‘rsatadiki, energiyaning asosiy qismi ma’lumotlarni qayta ishlash va uzatish jarayonlarida sarflanadi[10]. Mazkur holat IoT va WSN asosidagi tizimlarda energiya tejash masalasini dolzarb ilmiy muammo sifatida yuzaga chiqaradi. Aynan shu sababli ushbu ish IoT va WSN texnologiyalarining qisqacha tavsifini berish bilan birga, IoT inqilobini ta’minlagan WSNlarning rolini yoritishga qaratilgan. Shuningdek, tadqiqot energiyani tejashni IoT va WSNlar oldida turgan asosiy muammolardan biri sifatida ko‘rib chiqadi. 90

Natijada ushbu tadqiqot IoT va WSN tarmoqlarida energiya sarfiga ta’sir qiluvchi omillarni aniqlash, ularni tahlil qilish hamda energiya samaradorligini oshirishga qaratilgan mavjud yondashuvlarni o‘rganishga motivatsiya bo‘lib xizmat qiladi. Bu esa tarmoq umrini uzaytirish va IoT tizimlarining barqaror ishlashini ta’minlash uchun muhim ilmiy va amaliy ahamiyat kasb etadi. 1-rasm. Dunyo aholisi va IoT qurilmalari sonining o‘sishi Rasmda dunyo aholisi soni asta-sekin o‘sib borayotgani, biroq internetga ulangan qurilmalar soni aholi o‘sishiga nisbatan ancha tez va eksponensial sur’atda ko‘payayotgani yaqqol ko‘rinadi. Ya’ni har bir inson ulushiga to‘g‘ri keladigan ulangan qurilmalar soni yildan-yilga ortib, “bitta odam - bir nechta qurilma” holati barqaror tendensiyaga aylanmoqda. Bu esa IoT ekotizimida sensorlar, aqlli uy qurilmalari, transport va sanoat obyektlari kabi “narsalar” soni keskin ko‘payishini anglatadi[1]. Shu dinamik o‘sish tarmoq infratuzilmasiga katta bosim beradi: ko‘proq qurilma - ko‘proq trafik, ko‘proq xizmatlar va ko‘proq uzluksiz ulanish talabini keltirib chiqaradi. Natijada tarmoqlarda o‘tkazuvchanlik, kechikish, qamrov va xavfsizlik kabi ko‘rsatkichlarni bir vaqtda ta’minlash murakkablashadi. Ayniqsa cheklangan resursli IoT qurilmalarida (batareya, xotira, protsessor) bu jarayonlar yanada sezgir bo‘ladi. Bundan tashqari, simsiz sensor tarmoqlariga asoslangan IoT yechimlari atrof-muhitni monitoring qilishda ham keng qo‘llaniladi. Ular yordamida vulqon faolligi, suv toshqinlari, o‘rmon yong‘inlari kabi turli fizik hodisalarni aniqlash va o‘lchash mumkin bo‘lib, bu tabiiy ofatlar xavfini kamaytirish va oldindan ogohlantirish tizimlarini rivojlantirishga xizmat qiladi. Umuman olganda, keltirilgan misollar IoT texnologiyalarining turli sohalardagi amaliy qo‘llanilish imkoniyatlarini aks ettiruvchi ko‘plab yechimlarning faqat kichik bir qismini tashkil etadi. 91

1-jadval. IoT simsiz tarmoq texnologiyalarining qiyosiy tahlili Texnologiya Ma’lumot uzatish tezligi Qamrov masofasi Qo‘llabquvvatlanadigan qurilmalar soni Sensor quvvat sarfi Gateway / baza stansiya quvvat sarfi Zigbee Past (≈ 250 kbps) Juda qisqa (≈ 20 m) Kam (o‘nlab – yuzlab) Juda past Past LoRa / LoRaWAN Past (≈ 0.3–50 kbps) Juda katta (≈ 10–15 km) Juda ko‘p (minglab) Juda past O‘rtacha NB-IoT O‘rtacha (≈ 250 kbps) Katta (≈ 10 km) Juda ko‘p Past Yuqori 5G Juda yuqori (Gbps daraja) O‘rtacha Juda ko‘p Yuqori Juda yuqori Mazkur jadvaldan ko‘rinadiki, LoRa/LoRaWAN texnologiyasi aqlli qishloq xo‘jaligi tizimlari uchun eng maqbul yechim hisoblanadi, chunki u katta qamrov masofasi, past energiya sarfi va ko‘p sonli sensorlarni qo‘llab-quvvatlash imkoniyatini ta’minlaydi. Zigbee texnologiyasi past quvvat sarfiga ega bo‘lsa-da, qisqa qamrov masofasi sababli keng qishloq xo‘jaligi maydonlari uchun samarali emas. NB-IoT yuqori ishonchlilikni ta’minlasa-da, operator infratuzilmasiga bog‘liqligi va nisbatan yuqori baza stansiya energiya sarfi bilan ajralib turadi. 5G esa yuqori tezlikni ta’minlashi bilan birga, energiya samaradorligi past bo‘lgani sababli real vaqt qishloq xo‘jaligi sensor tarmoqlarida cheklangan darajada qo‘llaniladi. Soha Aqlli shaharlar (Smart City) Sog‘liqni saqlash (eHealth) Sanoat IoT (Industry 4.0) Aqlli transport tizimlari 2-jadval.Edge–Fog–Cloud arxitekturasining turli sohalarda qo‘llanilishi Edge qatlam Cloud qatlam Fog qatlam roli Asosiy afzallik roli roli Past kechikish Real vaqt Uzoq muddatli Hududiy tahlil va va samarali monitoringi rejalashtirish va muvofiqlashtirish resurs (trafik, yoritish) statistika boshqaruvi AI asosida Bemor holatini Shifoxona Tezkor javob va tashxis va real vaqtda darajasida yuqori ma’lumot tahlil qilish monitoring ishonchlilik saqlash Sensor va Sex/zavod Ishlab Avariya xavfini uskunalarni darajasida chiqarishni tahlil kamaytirish boshqarish optimallashtirish va prognozlash Transport Chorrahada va yo‘l Transport Xavfsizlik va vositasida infratuzilmasida oqimini global tirbandlikni tezkor qarorlar boshqaruv optimallashtirish kamaytirish 92

Energetika (Smart Grid) Multimedia va AR/VR Sensorlardan real vaqt o‘lchovlar Hududiy energiya Markaziy balansini energiya siyosati boshqarish va tahlil Kontentni yaqin Kontent Lokal kesh va foydalanuvchilarga boshqaruvi va real vaqt ishlovi tarqatish tahlil Energiya yo‘qotishlarini kamaytirish Yuqori xizmat sifati (QoS) Qishloq xo‘jaligi (Smart Agriculture) Sensorlardan ma’lumot yig‘ish Dalalar kesimida tahlil Prognoz va strategik rejalashtirish Suv va energiya tejamkorligi Xavfsizlik va videokuzatuv Kamera oqimini real vaqtda tahlil qilish Hududiy obyektlarni nazorat qilish Katta hajmli video arxiv va AI tahlil Tezkor aniqlash va javob Jadvaldan ko‘rinadiki, Edge–Fog–Cloud arxitekturasi turli sohalarda hisoblash va aloqa yukini qatlamlar bo‘yicha oqilona taqsimlash imkonini beradi. Edge qatlam real vaqt va kechikishga sezgir vazifalarni bajaradi, Fog qatlam hududiy muvozanatni ta’minlaydi, Cloud qatlam esa global tahlil va prognozlashni amalga oshiradi[2]. Natijada ushbu arxitektura energiya samarador, masshtablanuvchan va barqaror raqamli tizimlarni yaratish uchun universal yechim sifatida namoyon bo‘ladi. 2-rasm. IoT asosidagi aqlli qishloq xo‘jaligi tizimi uchun Edge-Fog-Cloud arxitekturasi 93

Mazkur rasm IoT asosidagi aqlli qishloq xo‘jaligi tizimi uchun Edge–Fog–Cloud arxitekturasini qatlamlar bo‘yicha aniq va mantiqiy tarzda tasvirlaydi. Edge-Fog-Cloud arxitekturasining samaradorlik ko‘rsatkichlarini hisoblash Arxitektura ma’lumotlarni yig‘ishdan tortib, chuqur tahlil va markazlashgan boshqaruvgacha bo‘lgan jarayonlarni bosqichma-bosqich tashkil etishga qaratilgan bo‘lib, real vaqt ishlovi, energiya tejamkorlik va masshtablanuvchanlikni ta’minlashni ko‘zda tutadi. 1. IoT sensor qatlamining tahlili. Rasmning eng quyi qismida IoT sensor qatlam joylashgan bo‘lib, u qishloq xo‘jaligi maydonida to‘g‘ridan-to‘g‘ri joylashtirilgan fizik qurilmalarni ifodalaydi. Ushbu qatlam tuproq namligi, pH, harorat va sug‘orish holati kabi muhim agrotexnik parametrlarni doimiy ravishda o‘lchaydi. Sensorlar LoRa, NB-IoT va BLE kabi past quvvatli simsiz texnologiyalar orqali yuqori qatlamlarga ma’lumot uzatadi. Rasmda ko‘rsatilgan qo‘shimcha quvvat manbalari (masalan, quyosh panellari) ushbu qatlamning energiya jihatidan avtonom ishlashini ta’minlashga xizmat qiladi. 2. Edge qatlamining funksional roli. IoT sensor qatlamidan yuqorida joylashgan Edge qatlam real vaqtga sezgir vazifalarni bajarishga mo‘ljallangan. Rasmda Edge darajasida ma’lumotlarni yig‘ish, agregatsiya qilish va tezkor tahlil qilish jarayonlari ko‘rsatilgan. Masalan, dronlar va mahalliy qurilmalar yordamida daladagi holat bo‘yicha darhol qaror qabul qilish mumkin. Ushbu qatlam lokal boshqaruv imkonini berib, barcha ma’lumotlarni cloud’ga yubormasdan, tarmoq yuklamasi va kechikishni sezilarli darajada kamaytiradi. 3. Fog qatlamining oraliq boshqaruv vazifasi. Rasmda Fog qatlam Edge va Cloud o‘rtasidagi oraliq hisoblash muhiti sifatida aks ettirilgan. Bu qatlam qo‘shni dalalar yoki gateway darajasida murakkab filtrlash va hisoblashni amalga oshiradi. Fog darajasida ma’lumotlar birlashtiriladi, ortiqcha yoki takroriy axborotlar yo‘q qilinadi va faqat zarur bo‘lgan ma’lumotlar yuqori qatlamga uzatiladi. Shu bilan birga, rasmda fermerlar va tashqi foydalanuvchilarning Fog qatlam bilan o‘zaro aloqasi ko‘rsatilgan bo‘lib, bu tizimning amaliy boshqaruvga yaqinligini ifodalaydi. 4. Cloud qatlamining strategik ahamiyati. Rasmning eng yuqori qismida joylashgan Cloud qatlam tizimning markazlashgan intellektual markazi hisoblanadi. Ushbu qatlam katta hajmdagi ma’lumotlarni saqlash, chuqur tahlil qilish va prognozlash vazifalarini bajaradi. Masalan, hosildorlikni bashorat qilish, ob-havo ma’lumotlari bilan integratsiya va uzoq muddatli rejalashtirish aynan Cloud darajasida amalga oshiriladi. Markazlashgan boshqaruv mexanizmlari orqali Cloud qatlam quyi qatlamlarga tavsiyalar va boshqaruv buyruqlarini uzatadi[13]. Rasmda tasvirlangan Edge–Fog–Cloud arxitekturasi aqlli qishloq xo‘jaligi tizimlarida hisoblash va aloqa yukini qatlamlar bo‘yicha muvozanatli taqsimlash imkonini beradi. IoT sensorlar energiya jihatidan tejamkor ishlaydi, Edge qatlam real vaqt qarorlarini qabul qiladi, Fog qatlam tizimni hududiy darajada optimallashtiradi, Cloud esa strategik tahlil va prognozlashni ta’minlaydi. Natijada ushbu arxitektura yuqori samaradorlik, past kechikish va barqaror energiya boshqaruvini ta’minlovchi kompleks yechim sifatida namoyon bo‘ladi. Ushbu ishda taklif etilgan edge-fog-cloud arxitekturasining uchta asosiy ko‘rsatkich bo‘yicha an’anaviy bulut arxitekturasi bilan qiyosiy tahlilini o‘z ichiga oladi: energiya sarfi, CO₂ chiqindilari va tarmoq trafigi. Model CPLEX yechuvchisi (IBM ILOG CPLEX Optimization Studio) yordamida ishga tushirilgan. CPLEX - aralash butun sonli chiziqli dasturlash (MILP) masalalarini hal qilish uchun sanoatda keng qo‘llaniladigan professional optimizatsiya vositasidir. Model quyidagi texnik xususiyatlarga ega kompyuterda baholangan: Protsessor: Intel Core i7-7660U; Taktli chastota: 2.50 GHz; Operativ xotira: 16 GB RAM; Qurilma turi: Noutbuk. 94

Model haqiqiy AT&T WAN tarmoq topologiyasi asosida sinovdan o‘tkazilgan. Bu topologiya 25 ta tugundan iborat bo‘lib, keng tarmoq infratuzilmasini modellashtirish uchun standart sinov muhiti sifatida qo‘llaniladi. Ulanishlar turli yo‘nalishlardagi fizik tolali liniyalar orqali amalga oshirilgan. Modelda uchta telekommunikatsiya tarmoq qatlami sozlangan: LAN (Mahalliy tarmoq) - edge qatlami bilan bog‘liq. Passiv optik tarmoq (PON) texnologiyasi asosida qurilgan bo‘lib, ONU va OLT qurilmalari orqali sensorlardan ma’lumot qabul qiladi. MAN (Shahar tarmoqi) - fog qatlami bilan bog‘liq. Metro Ethernet texnologiyasi qo‘llanilgan va MAN routerlari hamda switchlari orqali LAN bilan WAN ni bog‘laydi. WAN (Keng hududli tarmoq) - cloud qatlami bilan bog‘liq. IP over WDM (To‘lqin uzunligini bo‘lish multiplekslash) texnologiyasi asosida qurilgan bo‘lib, core routerlar, transponderlar, kuchaytirgichlar va optik switchlardan iborat. Modelda 100,000 sensor har bir ferma uchun sozlangan va vazifalar uch turga bo‘lingan: Sezish vazifalari - 60% (500 MIPS); Qayta ishlash vazifalari - 30% (2000 MIPS); Og‘ir qayta ishlash - 10% (5000 MIPS). Taklif etilgan arxitekturada har bir vazifa turining quvvat sarfini va ularning joylashuvini ko‘rsatadi. Natijalar quyidagicha: Sezish vazifalari (60%) - edge qatlamiga yuboriladi, chunki bu qatlam 1800 MIPS imkoniyatiga ega va sezish vazifasi atigi 500 MIPS talab qiladi. Ya’ni edge qatlami bu vazifani mustaqil bajara oladi va ma’lumotlar fog yoki bulutga umuman uzatilmaydi. Bu esa tarmoq yukini va energiya sarfini sezilarli darajada kamaytiradi. Qayta ishlash vazifalari (30%) - fog qatlamiga yuboriladi, chunki fog 4000 MIPS imkoniyatiga ega, bu esa 2000 MIPS talab qiluvchi vazifalarni bajarishga yetarli. Sensordan to‘g‘ridan-to‘g‘ri bulutga uzatish o‘rniga, ma’lumot fog serverida mahalliy qayta ishlanadi. Og‘ir qayta ishlash vazifalari (10%) - faqat shu qism cloud qatlamiga yuboriladi, chunki 5000 MIPS talab qiluvchi og‘ir vazifalarni (ob-havo bashorati, yong‘in ogohlantiruvi) na edge, na fog qatlami bajara olmaydi. O‘lchov haqiqiy tajriba emas, balki matematik modellashtirish orqali amalga oshirildi. Muallif IBM CPLEX yechuvchisi yordamida Aralash Butun Sonli Chiziqli Dasturlash (MILP) modelini ishga tushirdi. Ya’ni har bir texnologiya uchun quvvat sarfi formulalar orqali hisoblandi, real dala tajribasida emas. Har bir simsiz texnologiya (LoRa, NB-IoT, 5G, Zigbee) uchun ikkita stsenariy solishtirildi: Stsenariy 1 - Taklif etilgan arxitektura: IoT sensor qatlami → Edge → Fog → Cloud zanjiri bo‘yicha vazifalar taqsimlangan holda umumiy quvvat sarfi hisoblanadi. Stsenariy 2 - An’anaviy bulut arxitekturasi: Barcha vazifalar to‘g‘ridan-to‘g‘ri bulutga yuborilgan holda umumiy quvvat sarfi hisoblanadi. Har bir texnologiya uchun quyidagi parametrlar adabiyotdan olingan va modelga kiritilgan: 3-jadval.Texnologiyalar parametrlari Parametr LoRa NB-IoT 5G ZigBee Gateway quvvati 30 W - 11,500 W 1W Sensor quvvati 0.44 W 0.55 W 0.4 W 0.1 W 95

Ma’lumot tezligi Qamrov radiusi 200 Kbps 20 Gbps 250 Kbps 15 km 28 km 20 m 10 km Ikki stsenariy o‘rtasidagi farq tejash ko‘rsatkichi sifatida olingan. Model quyidagi barcha qatlamlar quvvatini yig‘ib hisobladi: Jami quvvat = WAN + MAN + LAN + IoT + Cloud + Fog + Edge Har bir texnologiya uchun faqat IoT sensor qatlami quvvati o‘zgaradi, qolgan qatlamlar (LAN, MAN, WAN, Edge, Fog, Cloud) doimiy qoladi. Shuning uchun texnologiyalar orasidagi farq nisbatan kichik - 33.6% dan 35.6% gacha. 4-jadval.Simsiz texnologiyalar bo‘yicha energiya sarfi Taklif Ma’lumot Qamrov An’anaviy Tejash Tejash Texnologiya Standart etilgan tezligi radiusi bulut (W) (W) (%) (W) LoRa LoRaWAN 50 Kbps 10 KM 490 000 740 000 250 000 33,8% 3GPP CatNB-IoT 200 Kbps 15 KM 500 000 760 000 260 000 34,2% NB1 5G IMT-2020 20 Gbps 28 KM 510 000 780 000 270 000 34,6% IEEE Zigbee 250 Kbps 20 M 450 000 690 000 240 000 34,8% 802.15.4 JAMI O‘RTACHA 487 500 742 500 255 000 34,3% Zigbee gateway quvvati atiga 1 Vatt bo‘lib, LoRa (30 W), NB-IoT va 5G ga nisbatan ancha past. Shuning uchun IoT qatlami umumiy quvvat sarfiga qo‘shadigan ulushi Zigbeeda eng kichik. Ammo bu texnologiyaning qamrovi faqat 20 metr bo‘lganligi sababli, katta ferma maydonini qoplash uchun yuzlab gateway kerak bo‘ladi - bu esa amalda qo‘llanilishini cheklaydi. ENERGIYA SARFI (W) 800 000 700 000 600 000 500 000 400 000 300 000 200 000 100 000 0 LoRa NB-IoT 5G Taklif etilgan (W) Zigbee An'anaviy bulut (W) 3-rasm. Simsiz texnologiyalar bo‘yicha energiya sarfi 96

Karbon izi quyidagi umumiy formula orqali hisoblandi: CO₂ = Energiya sarfi (kWh) × Karbon intensivligi (kgCO₂/kWh) (3.1) Lekin bu formula har bir qatlam uchun alohida qo‘llanildi, chunki har bir qatlam har xil energiya manbaidan foydalanadi. Karbon intensivligi - bitta birlik energiya ishlab chiqarish jarayonida atmosferaga chiqariladigan CO₂ miqdorini ko‘rsatuvchi o‘lchov. Odatda kgCO₂/kWh birligida ifodalanadi, ya’ni 1 kilovatt-soat elektr energiya ishlab chiqarishda necha kilogramm CO₂ chiqariladi. Tasavvur qiling, siz 1 soat davomida 1000 Vattli elektr isitgich ishlatdingiz. Bu 1 kWh energiya sarfladi. Agar bu energiya neft bilan ishlab chiqarilgan bo‘lsa, atmosferaga 0.935 kg CO₂ chiqariladi. Agar ayni shu energiya quyosh paneli bilan ishlab chiqarilgan bo‘lsa, atiga 0.048 kg CO₂ chiqariladi[20]. Neft yoqilganda kimyoviy reaksiya natijasida uglerod atomlari kislorod bilan birikib CO₂ hosil qiladi va bu to‘g‘ridan-to‘g‘ri atmosferaga chiqadi. Quyosh paneli esa yorug‘likni bevosita elektr energiyaga aylantiradi - yonish jarayoni umuman bo‘lmaydi. Quyosh panelining 0.048 kgCO₂/kWh ko‘rsatkichi ham nolga teng emas, chunki panelni ishlab chiqarish va o‘rnatish jarayonida ma’lum miqdorda CO₂ chiqariladi, lekin bu butun xizmat muddatiga bo‘lib tashlanganda juda kichik son chiqadi. 5-jadval.Turli energiya manbalari karbon intensivligi Energiya manbai Karbon intensivligi Izoh Quyosh paneli 0.048 kgCO₂/kWh Ishlab chiqarish xarajati hisobida Shamol 0.011 kgCO₂/kWh Eng toza manba Yadro 0.012 kgCO₂/kWh Deyarli CO₂ yo‘q Tabiiy gaz 0.490 kgCO₂/kWh Neftdan yaxshiroq Neft 0.935 kgCO₂/kWh Maqolada ishlatilgan Ko‘mir 1.000 kgCO₂/kWh Eng iflos manba Jadvaldan ko‘rinib turibdiki, energiya manbalarining karbon intensivligi katta farq qiladi. Eng toza manbalar sifatida shamol va yadro energiyasi ajralib turadi, ular deyarli CO₂ chiqarmaydi, quyosh energiyasi ham nisbatan past emissiyaga ega. Shu bilan birga, tabiiy gaz, neft va ayniqsa ko‘mir kabi yoqilg‘ilar ancha iflos hisoblanadi, ularning ishlatilishi katta miqdorda karbon chiqindilarini keltirib chiqaradi. Demak, ekologik jihatdan barqaror energiya manbalariga o‘tish karbon izini kamaytirishda muhim omil hisoblanadi. 6-jadval.Qo‘llanilgan yoqilg‘i turi uchun karbon chiqindi koeffitsienti Energiya manbai Karbon intensivligi Qaysi qatlam Neft yoqilg‘isi (O) 0.935 kgCO₂/kWh Fog, Cloud, MAN, WAN, LAN Quyosh paneli (S) 0.048 kgCO₂/kWh IoT sensor, Edge qatlami Ikkita omil birgalikda katta natija berdi. 97

Birinchi omil - energiya tejash: Taklif etilgan arxitektura an’anaviy bulutga nisbatan umumiy quvvat sarfini 36% kamaytiradi. Kam energiya sarflansa, tabiiyki kam CO₂ ham chiqadi. Ikkinchi omil - energiya manbai almashtirish: IoT sensor va Edge qatlamlari quyosh energiyasiga o‘tkazildi. Quyoshning karbon koeffitsienti neftnikidan deyarli 20 baravar past (0.048 vs 0.935). Bu qismlar energiyaning eng ko‘p iste’mol qilinadigan va eng ko‘p tarqalgan qatlamlari bo‘lganligi sababli, manbani almashtirish yakuni juda katta farq yaratdi. Bu ikki omilning birgalikdagi ta’siri 36% energiya tejashdan yuqori bo‘lgan 43% CO₂ kamayishini ta’minladi. 7-jadval.Simsiz texnologiyalar bo‘yicha karbon chiqindi koeffitsienti Texnologiya Standart Taklif etilgan CO₂ (kgCO₂/kWh) An’anaviy CO₂ (kgCO₂/kWh) Kamayish (kgCO₂/kWh) Kamayish (%) 350 620 270 43,5% 360 635 275 43,3% 370 650 280 43,1% 335 595 260 43,7% 354 625 271 43,4% LoRa LoRaWAN 3GPP CatNB-IoT NB1 5G IMT-2020 IEEE Zigbee 802.15.4 O‘rtacha Jadvaldan ko‘rinib turibdiki, barcha ko‘rsatilgan IoT va simsiz tarmoqlar uchun taklif etilgan energiya yechimlari an’anaviy yechimlarga nisbatan CO₂ chiqindilarini sezilarli darajada kamaytiradi. Eng katta kamayish foizi ZigBee (43,7%) bilan ajralib turadi, qolgan texnologiyalarda kamayish 43–43,5% oralig‘ida. O‘rtacha qiymat bo‘yicha, taklif etilgan yechimlar an’anaviy energiya manbalariga qaraganda taxminan 43,4% kamroq karbon emissiyasi bilan ekologik jihatdan samaraliroq ekanligini ko‘rsatadi. Bu, ayniqsa IoT sensorlar va Edge qatlamida energiya samaradorligini oshirish va karbon izini kamaytirishda muhim ahamiyatga ega. CO₂ chiqindisi 800 600 400 An'anaviy… 200 Taklif etilgan… 0 LoRa NB-IoT 5G Taklif etilgan CO₂ (kgCO₂/kWh) Zigbee An'anaviy CO₂ (kgCO₂/kWh) 4-rasm. Simsiz texnologiyalar bo‘yicha karbon chiqindi koeffitsienti 98

Asosiy hisoblash vositasi sifatida MILP - aralash butun sonli chiziqli dasturlash (Mixed Integer Linear Programming) modeli qo‘llanildi. MILP modeli ikkita turdagi o‘zgaruvchilarni birlashtiradi: birinchisi donalab (0 yoki 1) o‘zgaruvchilar bo‘lib, ular vazifalarni qaysi qatlamga edge, fog yoki cloudga - joylashtirishni belgilaydi; ikkinchisi uzluksiz o‘zgaruvchilar bo‘lib, har bir qatlam va tarmoq segmentiga qancha o‘tkazuvchanlik ajratilishini aniqlaydi. Bu ikki turdagi o‘zgaruvchining birgalikda ishlatilishi NP-qiyin muammolarni modellashtirish imkonini beradi. Tajribaviy tahlillar va natijalar muhokamasi MILP modelini yechish uchun CPLEX komertsial optimallashtirish yechuvchisi tanlab olingan. CPLEX - IBM kompaniyasi tomonidan ishlab chiqilgan, sanoat va ilmiy tadqiqotlarda keng qo‘llaniladigan yuqori samarali matematik optimallashtirish dasturi. U katta hajmli MILP masalalarini global optimal yechim topguncha yoki belgilangan vaqt chegarasiga yetguncha izlash usuli bilan ishlaydi. Mualliflar CPLEX yordamida qurilgan modelni haqiqiy optimal yechim sifatida qabul qilishdi. Barcha simulyatsiyalar oddiy tijorat laptop kompyuterida o‘tkazildi: Intel Core i7-7660U protsessori (2.50 GHz), 16 GB operativ xotira. Bu muhim metodologik signal bo‘lib, taklif etilgan arxitektura va uning optimallashtirish algoritmi murakkab superkompyuterlarsiz, kundalik ish qurilmasida ham ishlash qobiliyatiga ega ekanligini ko‘rsatadi. Shu bilan birga, simulyatsiya natijalari bir necha daqiqa ichida olingan. Trafik o‘lchovlari uch tarmoq qatlami bo‘yicha alohida-alohida olib borildi. LAN (Local Area Network) - sensor va edge qurilmalari o‘rtasidagi mahalliy trafik; MAN (Metropolitan Area Network) - edge va fog qatlamlari orasidagi shahar ichki trafigi; WAN (Wide Area Network) - fog va markaziy bulut o‘rtasidagi shaharlararo va mamlakatlararosi trafik. Har uch qatlam trafikining yig‘indisi umumiy trafik yukini tashkil etdi va bu ko‘rsatkich ikki arxitektura uchun alohida hisoblandi[11]. Solishtirma tahlil ikki stsenariy ustida qurildi: birinchisi an’anaviy bulut arxitekturasi bo‘lib, unda barcha sensor ma’lumotlari LAN → MAN → WAN yo‘li bilan bevosita markaziy bulutga uzatiladi; ikkinchisi taklif etilgan edge-fog-cloud arxitekturasi bo‘lib, unda vazifalar qatlamlar o‘rtasida taqsimlanadi - engil vazifalar edge da, o‘rtacha vazifalar fog da, og‘ir vazifalar esa faqat cloud da bajariladi. Ikki model bir xil AT&T topologiyasida, bir xil ish yuki bilan simulyatsiya qilindi va natijalari solishtirma jadval ko‘rinishida qayd etildi. Simsiz texnologiyalar ta’sirini o‘rganish maqsadida to‘rtta mustaqil stsenariy ishga solingan: LoRa, NB-IoT, 5G va Zigbee. Har bir texnologiya uchun alohida simulyatsiya o‘tkazildi, chunki IoT sensor qatlamining energiya sarfi va trafik xarakteristikalari simsiz protokolga bog‘liq. Olingan to‘rtta stsenariy natijalari 7-rasmda chizilgan bo‘lib, ular WAN trafigida 86% va MAN trafigida 14% kamayishning barcha simsiz texnologiyalarda deyarli bir xil ekanligini ko‘rsatadi bu esa arxitekturaning texnologiyadan mustaqil kuchli samaradorligini tasdiqlaydi. 8-jadval.Trafik oqimi tahlili Tarmoq qatlami Protok ol An’anaviy yo‘nalish Taklif yo‘nalish An’an aviy trafik (Mbps ) LAN PON (Passiv e Optical ) IoT→Edge→ LAN→MAN IoT→Edge →LAN (mahalliy) 1 200 99 Taklif trafik (Mbps) Kamayish (Mbps) Kamayish (%) 1 200 0 0%

Metro LAN→MAN Edge→MA Etherne 3 400 →WAN N (qisman) t IP/WD MAN→WAN Faqat og‘ir M 8 500 →Cloud vazifalar (Fiber) JAMI (LAN+MAN+WAN) 13 100 MAN WAN 2 924 476 14% 1 190 7 310 86% 5 314 7 786 59,4% An’anaviy arxitekturada barcha sensor ma’lumotlari to‘liq zanjir bo‘ylab uzatiladi - LAN orqali MAN ga, MAN orqali WAN ga, WAN orqali bulutga. Shuning uchun WAN da eng ko‘p trafik to‘planadi (8,500 Mbps). Taklif etilgan arxitekturada esa: Vazifalarning 60% edge da tugaydi → WAN ga umuman yetib bormaydi Vazifalarning 30% fog da tugaydi → WAN ga yetib bormaydi, faqat MAN ishlatiladi Faqat 10% og‘ir vazifalar WAN orqali bulutga boradi → shuning uchun WAN trafigi 8,500 dan 1,190 ga tushadi 9-jadval.Trafik oqimi kamayishi Tarmoq qatlami An’anaviy Taklif Kamayish (%) MAN 100% (asos) 86% −14% WAN 100% (asos) 14% −86% Jadvaldan ko‘rinib turibdiki, tarmoq qatlamlarida taklif etilgan yechimlar an’anaviy konfiguratsiyalarga nisbatan energiya samaradorligini oshiradi. MAN qatlamida kamayish nisbatan kichik bo‘lib, atigi 14%, bu esa ushbu qatlamning barqaror ishlashini saqlab qolgan holda energiya tejash imkonini beradi. WAN qatlamida esa sezilarli energiya tejash kuzatiladi - 86% kamayish, bu uzoq masofali tarmoqlarda karbon chiqindilarini sezilarli darajada kamaytirishga imkon beradi. Umuman olganda, taklif etilgan yechimlar tarmoqning turli qatlamlarida ekologik samaradorlikni oshiradi. 10-jadval.Simsiz texnologiyalar bo‘yicha WAN trafik qiyosiy tahlili Texnologiya Ma’lumot tezligi Qamrov masofasi An’anaviy WAN (Mbps) Taklif WAN (Mbps) WAN kamayis h (Mbps) WAN kamayish (%) MAN kamayish (%) LoRa 50 Kbps 10 km 8 500 1 190 7 310 86% 14% NB-IoT 5G Zigbee 200 Kbps 20 Gbps 250 Kbps 15 km 28 km 20 m 8 600 8 700 8 400 1 204 1 218 1 176 7 396 7 482 7 224 86% 86% 86% 14% 14% 14% Jadvaldan ko‘rinib turibdiki, turli IoT va simsiz tarmoqlar texnologiyalari uchun taklif etilgan yechimlar an’anaviy WAN konfiguratsiyasiga nisbatan ma’lumot uzatish tezligini sezilarli kamaytiradi, bu esa energiya samaradorligini oshirishga xizmat qiladi. WAN tezligi har bir texnologiyada taxminan 86% kamaygan, masalan, LoRa uchun 8 500 Mbps dan 1 190 Mbps ga tushgan. 100

MAN qatlamida kamayish esa nisbatan kichik - 14%, bu lokal tarmoqning barqaror ishlashini saqlab qoladi. Turli texnologiyalar (LoRa, NB-IoT, 5G, ZigBee) uchun kamayish foizi bir xilda bo‘lib, energiya tejash va karbon emissiyasini kamaytirishda uyushgan natija hosil qiladi. Shu bilan, taklif etilgan yechimlar uzoq masofali tarmoqlarda samarali energiya boshqaruvi va ekologik jihatdan barqaror ishlash imkonini beradi. Tadqiqotning eng muhim metodologik ustunligi - Mixed Integer Linear Programming (MILP) dan foydalanishi. MILP global optimal yechimni kafolatlaydi, ya’ni muallif topgan taqsimlash strategiyasi matematika nuqtai nazaridan eng yaxshi yechim ekanligini isbotlaydi. Ko‘plab shunga o‘xshash tadqiqotlar evristik yoki simulyatsiya usullaridan foydalanib, optimallikni da’vo qila olmaydi. Bu maqolani shu yo‘nalishda ajralib turuvchi asarlardan biriga aylantiradi. Natijalar sintetik yoki tasodifiy generatsiya qilingan tarmoq topologiyasida emas, balki real AT&T WAN topologiyasida sinovdan o‘tkazilgan. Bu tadqiqotning amaliy ishonchliligi va natijalarning real muhitga qo‘llanilishi mumkinligini sezilarli darajada oshiradi. Ko‘pgina tarmoq tadqiqotlari bir yoki ikki ko‘rsatkich bo‘yicha baholaydi. Bu maqola uchta mustaqil ko‘rsatkichni - energiya sarfi, CO₂ emissiyasi va tarmoq trafigi - bir vaqtda va izchil tarzda baholaydi. Bu yondashuv tadqiqotning kengligini ta’minlaydi. Tadqiqotlar natijalari muhokamasi asosida quyidagi amaliy tavsiyalarni ishlab chiqish mumkin: Qishloq xo‘jaligi IoT tizimlarida simsiz uzatish texnologiyasini tanlashda birinchi navbatda qamrov masofasi va energiya sarfi o‘rtasidagi munosabat hal qiluvchi omil hisoblanadi. Katta yer maydonlarini (100 gektardan ortiq) qamrab olish zarur bo‘lgan, lekin tarmoq infratuzilmasi cheklangan hududlarda LoRa texnologiyasi eng maqbul yechim hisoblanadi. LoRa 10 km va undan ortiq masofada ishlaydi, bitta gateway 10,000 ga yaqin qurilmaga xizmat ko‘rsatadi va sensor quvvati atigi 0.44 W ni tashkil etadi. Tuproq namligi, harorat, sug‘orish nazorati kabi past tezlikdagi, lekin uzoq masofali ma’lumot uzatish vazifalari uchun bu texnologiya hech qanday qo‘shimcha infratuzilmasiz mustaqil tarzda ishlay oladi. Shuning uchun elektr tarmog‘i va uyali aloqa qamrovi cheklangan tog‘oldi va cho‘l hududlaridagi yirik fermalarda LoRa birinchi tanlov bo‘lishi kerak[19]. Shahar atrofi va qishloq tumanlarida uyali aloqa infratuzilmasi allaqachon mavjud bo‘lgan hollarda NB-IoT texnologiyasi ustunlik qiladi. NB-IoT 15 km gacha qamrovni ta’minlaydi, 200 Kbps ma’lumot tezligi bilan tuproq tahlili va hodisalarni aniqlash kabi o‘rta hajmdagi ma’lumot oqimlarini samarali uzatadi. Ayniqsa issiqxona dehqonchiligi, gidroponika va intensiv nazorat talab etadigan yuqori qiymatli ekinlar (uzum, poliz ekinlari) uchun NB-IoT ning mavjud operator tarmog‘iga integratsiyalashuvi va markazlashgan SIM-karta boshqaruvi katta operatsion qulaylik yaratadi. Biroq NB-IoT base-station quvvati 6877 W ga yetishi gateway infratuzilmasini musta qil quvvat manbaiga ulash imkonini cheklaganligi sababli, bu texnologiyadan elektr tarmog‘i ishonchli ta’minlangan hududlarda foydalanish maqsadga muvofiq. 5G texnologiyasi yuqori real vaqtli qarorlar qabul qilish va avtomatlashtirilgan boshqaruv talab etadigan holatlarda qo‘llanilishi kerak. Qishloq xo‘jaligida dronlar orqali dala monitoring, avtonom haydovchisiz traktorlar, ko‘p kamerali video tahlil tizimlari va sun’iy intellekt asosidagi zararkunandalarni real vaqtda aniqlash kabi yuqori o‘tkazuvchanlik talab etuvchi ilovalar faqat 5G (20 Gbps) dan foydalanish orqali samarali ishlaydi. Ammo 5G base-station quvvati 11,500 W ga yetishi va infratuzilma xarajatlari nihoyatda yuqori ekanligi sababli, bu texnologiyani faqat yirik agrosanoat korxonalariga, eksperimental aqlli ferma markazlariga yoki 5G qamrovi allaqachon mavjud bo‘lgan hududlarga tavsiya etish o‘rinli. Kichik va o‘rta fermalarda 5G ni asosiy texnologiya sifatida tanlash iqtisodiy jihatdan asossiz. 101