Sun’iy Intellekt va Raqamli Iqtisodiyot

Annotatsiya. Ushbu maqolada Xorazm shevasi va o‘zbek adabiy tili o‘rtasida neyron mashinaviy tarjima (NMT) modellarini yaratish bilan bog‘liq nazariy yondashuvlar, dialektlararo tarjima jarayonidagi lingvistik xususiyatlar hamda zamonaviy NMT arxitekturalarining imkoniyatlari tahlil qilinadi. Maqolada shuningdek boshqa tillar dialektlari bo‘yicha olib borilgan ilmiy tadqiqotlar natijalariga tayangan holda dialekt–adabiy til tarjimasi uchun real amaliy tajriba va nazariy asoslar keltiriladi. Xorazm shevasiga oid mavjud manbalar yetishmasligi sababli tadqiqotlar nazariy va analogik xulosalar asosida yoritilgan. Kalit so‘zlar. Xorazm shevasi, O‘zbek adabiy tili, Neyron mashinaviy tarjima (NMT), Transformer modeli, mBART, LLaMA adapter, Parallel korpus Аннотация. В данной статье анализируются теоретические подходы к созданию моделей нейронного машинного перевода (НМТ) между хорезмским диалектом и узбекским литературным языком, лингвистические особенности в процессе междиалектного перевода и возможности современных архитектур НМТ. В статье также представлены реальный практический опыт и теоретические основы перевода диалектов и литературных языков на основе результатов научных исследований диалектов других языков. В связи с отсутствием существующих источников по хорезмскому диалекту исследование проводилось на основе теоретических и аналоговых выводов. Ключевые слова: хорезмский диалект, узбекский литературный язык, нейронный машинный перевод (НМТ), модель трансформера, mBART, адаптер LLaMA, параллельный корпус. Abstract. This article analyzes theoretical approaches to the creation of neural machine translation (NMT) models between the Khorezm dialect and the Uzbek literary language, linguistic features in the process of interdialectal translation, and the capabilities of modern NMT architectures. The article also presents real practical experience and theoretical foundations for dialect-literary language translation based on the results of scientific research on dialects of other languages. Due to the lack of existing sources on the Khorezm dialect, the research was carried out on the basis of theoretical and analogical conclusions. Keywords. Khorezm dialect, Uzbek literary language, Neural machine translation (NMT), Transformer model, mBART, LLaMA adapter, Parallel corpus Kirish. O‘zbek tili ko‘plab hududiy shevalarga ega bo‘lib, ular tilning tarixiy rivoji va madaniy xilma-xilligini aks ettiradi. Ushbu shevalardan biri bo‘lgan Xorazm shevasi fonetik, leksik va grammatik jihatdan o‘ziga xos xususiyatlarga ega. Zamonaviy axborot texnologiyalari rivojlanib borayotgan hozirgi davrda milliy til resurslarini raqamlashtirish va ularni avtomatik qayta ishlash muhim ilmiy yo‘nalishlardan biri hisoblanadi. So‘nggi yillarda tabiiy tilni qayta ishlash (NLP) sohasida neyron mashinaviy tarjima (Neural Machine Translation – NMT) modellari keng qo‘llanilmoqda. Ushbu modellar turli tillar o‘rtasida yuqori sifatli tarjimani ta’minlash bilan birga, dialekt va adabiy til o‘rtasidagi farqlarni avtomatik aniqlash va moslashtirish imkonini ham beradi. Xorazm shevasi va o‘zbek adabiy tili o‘rtasidagi avtomatik tarjima tizimlarini yaratish nafaqat til texnologiyalarini rivojlantirish, balki milliy til merosini saqlash va raqamlashtirish nuqtai nazaridan ham muhimdir. Ushbu tadqiqotning maqsadi — Xorazm shevasi va o‘zbek adabiy tili o‘rtasida neyron mashinaviy tarjima modellarini yaratishning nazariy asoslarini o‘rganish hamda mavjud modellarning imkoniyatlarini tahlil qilishdir. 439

Dialektlararo tarjima klassik til juftliklariga nisbatan murakkabroq bo‘lib, bunda asosiy muammolar quyidagilardan iborat: sheva yozuvining bir xilda bo‘lmasligi, fonetik va grammatik farqlarning aniqligi, parallel korpuslarning kamligi, morfologik qisqarishlar va lokal leksika. Yuqorida aytib o‘tilgan muammolarga oid bir qancha namunalar quyidagi jadvalda tasvirlangan. Asosiy qism. Xorazm shevasi o‘zbek tilining hududiy dialektlar tizimida muhim o‘rin tutuvchi dialektlardan biri hisoblanadi. Ushbu sheva tarixiy rivojlanish jarayonida shakllangan bo‘lib, fonetik, leksik va morfologik jihatlari bilan o‘zbek adabiy tilidan ayrim farqlarga ega. Dialektal nutqda tovush almashuvlari, mahalliy leksik birliklarning qo‘llanishi hamda grammatik shakllarning qisqarishi kabi hodisalar keng kuzatiladi.[1] Xususan, Xorazm shevasida adabiy tilga nisbatan ayrim fonetik transformatsiyalar, o‘ziga xos leksik birliklar hamda morfologik soddalashuv jarayonlari uchraydi. Ushbu lingvistik xususiyatlar dialekt va adabiy til o‘rtasidagi tafovutlarning shakllanishida muhim omil hisoblanadi. Mazkur farqlarni quyidagi asosiy guruhlarga ajratish mumkin: ➢ fonetik o‘zgarishlar; ➢ leksik tafovutlar; ➢ morfologik qisqarishlar. Xorazm shevasi va o‘zbek adabiy tili o‘rtasidagi ayrim lingvistik farqlar 1-jadvalda misollar orqali ko‘rsatilgan. 1-jadval Xorazm shevasi va o‘zbek adabiy tili o‘rtasidagi ayrim lingvistik farqlar Xorazm shevasi galing go‘z ongsot galyotir Adabiy til Izoh fonetik o‘zgarish undosh almashuvi leksik variant fe’l shakli keling ko‘z oson kelmoqda Yuqoridagi jadvaldan ko‘rinib turibdiki, fonetik va leksik farqlar tarjima tizimlarini yaratishda muhim lingvistik muammo hisoblanadi.[2] Dialekt va adabiy til o‘rtasida avtomatik tarjima tizimlarini yaratish jarayoni bir qator lingvistik va texnologik murakkabliklar bilan tavsiflanadi. Dialektal 440

nutqning o‘ziga xosligi, uning yozma shaklda yetarlicha standartlashmaganligi hamda til birliklarining hududiy variantlari mavjudligi tarjima modellarini ishlab chiqishda muhim muammolarni yuzaga keltiradi. Avvalo, ko‘pgina dialektlar singari Xorazm shevasida ham yozuvning yagona ortografik normasi shakllanmagan. Natijada bir xil so‘z turli yozuv shakllarida uchrashi mumkin. Bu holat avtomatik matnni qayta ishlash jarayonida normalizatsiya bosqichini murakkablashtiradi va modelning umumlashtirish qobiliyatiga salbiy ta’sir ko‘rsatadi. Ikkinchi muhim muammo – parallel korpuslarning yetishmasligidir. Neyron mashinaviy tarjima modellarini samarali o‘qitish uchun katta hajmdagi dialekt– adabiy til juftliklaridan iborat matnlar zarur bo‘ladi. Biroq dialektlar uchun bunday resurslar ko‘pincha mavjud emas yoki juda cheklangan hajmda bo‘ladi. Shu sababli dialekt tarjimasi tadqiqotlarida kichik hajmdagi ma’lumotlar bilan ishlash muammosi dolzarb hisoblanadi. Shuningdek, dialektal nutqda fonetik variantlarning ko‘pligi ham muhim lingvistik muammo hisoblanadi. Bir xil leksik birlik turli talaffuz va yozuv shakllarida namoyon bo‘lishi mumkin. Masalan, ayrim hollarda undoshlarning almashuvi yoki unli tovushlarning o‘zgarishi natijasida bir so‘zning bir necha varianti shakllanadi. Bu esa tokenizatsiya va morfologik tahlil jarayonlarini murakkablashtiradi. Bundan tashqari, dialektlarga xos lokal leksika mavjudligi ham tarjima jarayonida muayyan qiyinchiliklarni keltirib chiqaradi. Mahalliy so‘zlar yoki iboralar adabiy til bilan to‘liq semantik moslikka ega bo‘lmasligi mumkin. Natijada bunday birliklarning adabiy tildagi ekvivalentlarini aniqlash tarjima modelidan chuqur kontekstual tahlilni talab qiladi. Yuqorida qayd etilgan muammolar dialekt tarjimasi uchun maxsus yondashuvlarni qo‘llash zarurligini ko‘rsatadi. Xususan, kichik hajmdagi ma’lumotlar bilan ishlay oladigan neyron modellar, transfer learning usullari hamda ma’lumotlarni sun’iy kengaytirish (data augmentation) texnikalari dialekt tarjimasi tizimlarining samaradorligini oshirishda muhim ahamiyat kasb etadi. Bu jihatlar kichik korpuslarga moslashgan yengil transformerlar, data augmentation va transfer learning texnikalarini qo‘llash zarurligini ko‘rsatadi.[3] Neyron Mashinaviy Tarjima Modellari. So‘nggi yillarda tabiiy tilni qayta ishlash sohasida neyron tarmoqlarga asoslangan mashinaviy tarjima tizimlari keng qo‘llanilmoqda. Ushbu modellar katta hajmdagi matnlar asosida o‘rganish orqali kiruvchi va chiquvchi matn birliklari o‘rtasidagi murakkab lingvistik bog‘lanishlarni aniqlash imkonini beradi. Dialekt va adabiy til o‘rtasidagi avtomatik tarjima jarayonida ham aynan shunday modellar yuqori samaradorlikni ta’minlay oladi. Dialekt tarjimasi uchun amaliyotda bir nechta asosiy arxitekturalar qo‘llaniladi. Ular orasida encoder–decoder tuzilmasiga asoslangan Seq2Seq modellar hamda transformer arxitekturasi alohida ahamiyat kasb etadi.[4] Seq2Seq + Attention modeli. Seq2Seq (Sequence-to-Sequence) modeli encoder va decoder bloklaridan tashkil topgan neyron tarmoq arxitekturasiga 441

asoslanadi. Encoder kiruvchi matn ketma-ketligini vektor ko‘rinishida kodlaydi, decoder esa ushbu kodlangan reprezentatsiya asosida chiqish ketma-ketligini hosil qiladi. Keyinchalik model samaradorligini oshirish maqsadida attention mexanizmi joriy etilgan bo‘lib, u tarjima jarayonida kiruvchi matnning muhim qismlariga e’tibor qaratish imkonini beradi. Mazkur model kichik hajmdagi korpuslar bilan ishlashda nisbatan moslashuvchan hisoblanadi. Biroq uzun kontekstlarni qayta ishlash jarayonida uning samaradorligi ma’lum darajada cheklanadi. Shu sababli so‘nggi yillarda yanada samarali arxitekturalarga o‘tish tendensiyasi kuzatilmoqda.[6] Transformer modeli. Transformer arxitekturasi zamonaviy mashinaviy tarjima tizimlarining asosini tashkil etadi. Ushbu model self-attention mexanizmiga asoslangan bo‘lib, matndagi so‘zlar o‘rtasidagi kontekstual bog‘lanishlarni parallel tarzda tahlil qilish imkonini beradi. Transformer modelining asosiy ustunliklari quyidagilardan iborat: ➢ multi-head attention mexanizmi orqali kontekstni chuqur tahlil qilish; ➢ parallel hisoblash imkoniyati tufayli o‘qitish jarayonining tezlashishi; ➢ uzoq kontekstli matnlarni samarali qayta ishlash qobiliyati. Mashinaviy tarjima jarayonida model kiruvchi matn x asosida chiqish ketma-ketligi y ni ehtimollik modeli orqali hosil qiladi. Ushbu jarayon quyidagi matematik ifoda bilan ifodalanadi: Yuqoridagi ilmiy natijalarga tayanib, Xorazm shevasi uchun quyidagi nazariy xulosaga kelish mumkin: 𝑃(𝑦|𝑥) = ∏𝑇𝑡=1 𝑃(𝑦𝑡|𝑦1, 𝑦2, … , 𝑦𝑡 − 1, 𝑥) (1) Bu yerda yt chiqish ketma-ketligining navbatdagi elementi bo‘lib, u oldingi so‘zlar hamda kiruvchi matn kontekstiga asoslanib aniqlanadi. Mazkur probabilistik yondashuv modelga kontekstni hisobga olgan holda optimal tarjima variantini tanlash imkonini beradi.[6] So‘nggi yillarda dialekt tarjimasi sohasida ko‘p tilli oldindan o‘qitilgan (pretrained) modellar keng qo‘llanilmoqda. Bunday modellar katta hajmdagi ko‘p tilli korpuslar asosida o‘qitilgan bo‘lib, keyinchalik ma’lum bir til juftligiga moslashtirish uchun fine-tuning usuli qo‘llaniladi. Dialekt tarjimasida keng qo‘llanilayotgan modellar qatoriga quyidagilar kiradi: 442

mBART • ko‘p tilli encoder–decoder modeli bo‘lib, turli tillar o‘rtasidagi tarjima vazifalarida samarali qo‘llaniladi; mT5 • ko‘p tilli transformer modelining kengaytirilgan varianti bo‘lib, turli NLP vazifalarini bajarishga moslashtirilgan; LLaMA adapterlari • katta til modellari asosida qurilgan tizimlar bo‘lib, adapter mexanizmlari orqali muayyan vazifaga moslashtiriladi. Ushbu modellar transfer learning tamoyiliga asoslanadi. Ya’ni, model avval umumiy til bilimlarini o‘zlashtiradi, so‘ngra kichik hajmdagi dialekt korpusi yordamida nozik sozlash (fine-tuning) orqali muayyan vazifaga moslashtiriladi. Bu yondashuv kam resursli tillar va dialektlar bilan ishlashda ayniqsa samarali hisoblanadi.[7] Xulosa va amaliy tavsiyalar. O‘tkazilgan tahlillar natijasida Xorazm shevasi va o‘zbek adabiy tili o‘rtasidagi lingvistik tafovutlar avtomatik tarjima tizimlarini yaratish jarayonida muhim ilmiy ahamiyat kasb etishi aniqlandi. Dialektal nutqda uchraydigan fonetik o‘zgarishlar, leksik birliklarning hududiy xususiyatlari hamda morfologik shakllarning o‘ziga xosligi tarjima modellarini ishlab chiqishda alohida yondashuvni talab qiladi. Shu sababli dialekt va adabiy til o‘rtasidagi avtomatik moslashtirish masalasi tabiiy tilni qayta ishlash sohasida istiqbolli tadqiqot yo‘nalishlaridan biri sifatida qaraladi. O‘rganishlar davomida zamonaviy neyron mashinaviy tarjima modellarining imkoniyatlari ko‘rib chiqildi va dialekt tarjimasi uchun transformer arxitekturasiga asoslangan modellar hamda ko‘p tilli oldindan o‘qitilgan tizimlar eng samarali yondashuvlardan biri ekanligi qayd etildi. Bunday modellar kontekstual bog‘lanishlarni chuqur tahlil qilish hamda kichik hajmdagi ma’lumotlar asosida ham moslashuvchan tarzda ishlash imkoniyatiga ega. Shu bilan birga, dialekt tarjimasini rivojlantirishda asosiy muammolardan biri sifatida parallel korpuslarning yetishmasligi kuzatiladi. Dialektal matnlar va ularning adabiy tilga mos variantlaridan iborat katta hajmdagi ma’lumotlar bazasining mavjud emasligi modellarni samarali o‘qitish jarayonini murakkablashtiradi. Ushbu muammoni qisman bartaraf etish uchun ma’lumotlarni sun’iy kengaytirish (data augmentation) hamda transfer learning usullaridan foydalanish maqsadga muvofiq hisoblanadi. Amaliy nuqtai nazardan qaralganda, kelgusidagi tadqiqotlarda Xorazm shevasiga oid maxsus parallel korpuslarni shakllantirish, dialekt matnlarini standartlashtirish metodologiyasini ishlab chiqish hamda neyron mashinaviy tarjima modellarini ushbu ma’lumotlar asosida tajriba tariqasida o‘qitish muhim ahamiyatga ega. Bundan tashqari, dialektal matnlarni avtomatik normalizatsiya qilish tizimlarini ishlab chiqish ham dialekt va adabiy til o‘rtasidagi tarjima 443

jarayonining sifatini oshirishga xizmat qiladi. Bunday tadqiqotlar o‘zbek tilining hududiy shevalarini raqamlashtirish, ularni zamonaviy til texnologiyalari bilan integratsiya qilish hamda milliy til resurslarini kengaytirish yo‘lida muhim qadam bo‘lib xizmat qilishi mumkin. Foydalanilgan adabiyotlar ro‘yxati 1. Nurmonov, A. (2002). O‘zbek tilining dialektologiyasi. Toshkent: Fan nashriyoti. 2. Shodmonov, Q. (2017). Xorazm shevasining leksik xususiyatlari. Urganch: XDU Nashriyoti 3. Zhang, Y., & Cheng, L. (2020). Neural Machine Translation for Chinese Dialects. Proceedings of LREC 2020, 1047–1055. 4. S.G. Matlatipov, J. Rajabov, E. Kuriyozov, and M. Aripov, “UzABSA: Aspect-based sentiment analysis for the Uzbek language,” in Proc. 3rd Annu. Meeting Special Interest Group Under-resourced Lang. @ LREC-COLING 2024, May 2024, pp. 394–403. 5. D. Jurafsky and J.H. Martin, Speech and Language Processing, 3rd ed. draft. Pearson, 2020. 6. K. Madatov, S. Matlatipov, and M. Aripov, “Uzbek text’s correspondence with the educational potential of pupils: a case study of the School corpus,” arXiv preprint arXiv:2303.00465, 2023. 7. J. Mattiev, U. Salaev, and B. Kavšek, “Advanced Word Game Design Based on Statistics: A Cross-Linguistic Study with Extended Experiments,” Big Data Cogn. Comput., vol. 9, no. 4, p. 103, 2025. TUMANLI TARMOQLARDA IOT SENSORLARIDAN OLINGAN SIGNALLARNI PARALLEL QAYTA ISHLASH MODELLARI Soatov Ismoiljon Xabibullayevich, UMFT Raqamli texnologiyalar fakulteti magistranti Xoliqulov Sh.A., PhD, dotsent, JXU universiteti “Axborot texnologiyalari” kafedrasi o‘qituvchisi Annotatsiya. Ushbu maqolada tumanli tarmoqlarda IoT sensorlaridan olingan signallarni parallel qayta ishlash modellari ilmiy va amaliy jihatdan tahlil qilinadi. Tadqiqotda IoT sensor tarmoqlarida hosil bo‘ladigan katta hajmdagi ma’lumotlar oqimini samarali boshqarish masalalari ko‘rib chiqilib, tumanli hisoblash arxitekturasining imkoniyatlari yoritib beriladi. Shuningdek, sensor signallarini taqsimlangan muhitda parallel qayta ishlash usullari, ma’lumotlarni filtrlash va real vaqt rejimida tahlil qilish mexanizmlari tahlil qilinadi. Kalit so‘zlar: IoT, sensorlar, tarmoqlar, signallar, monitoring, algoritmlar. Аннотация. В данной статье научно и практически анализируются модели параллельной обработки сигналов, полученных от IoT-сенсоров в туманных сетях. В исследовании рассматриваются вопросы эффективного управления потоками больших данных, формируемых в сетях сенсоров IoT, а также раскрываются возможности архитектуры туманных вычислений. Кроме того, анализируются методы параллельной обработки сигналов сенсоров в распределённой среде, механизмы фильтрации данных и их анализа в режиме реального времени. Ключевые слова: IoT, сенсоры, сети, сигналы, мониторинг, алгоритмы. Abstract. This article presents a scientific and practical analysis of parallel processing models for signals obtained from IoT sensors in fog networks. The study examines the issues of efficient management of large-scale data streams generated in IoT sensor networks and highlights the capabilities of fog computing architecture. In addition, the methods of parallel processing of sensor signals in a distributed environment, mechanisms for data filtering, and real-time data analysis are analyzed. Key words: IoT, sensors, networks, signals, monitoring, algorithms. 444

Kirish. So‘nggi yillarda raqamli texnologiyalar rivojlanishi natijasida Internet of Things (IoT) tizimlari turli sohalarda keng qo‘llanila boshladi. IoT texnologiyasi turli sensorlar, qurilmalar va axborot tizimlarini o‘zaro bog‘lab, real vaqt rejimida katta hajmdagi ma’lumotlarni yig‘ish va qayta ishlash imkonini beradi. Aqlli shaharlar, sanoat avtomatizatsiyasi, transport tizimlari, qishloq xo‘jaligi, sog‘liqni saqlash hamda ekologik monitoring kabi sohalarda IoT sensorlari orqali yig‘iladigan ma’lumotlar hajmi tobora ortib bormoqda. Bunday tizimlarda sensorlardan uzatiladigan signallar tezkor tahlil qilinmasa, ularning amaliy samaradorligi pasayib ketishi mumkin [3]. An’anaviy markazlashgan bulutli hisoblash (cloud computing) arxitekturasi katta hajmdagi ma’lumotlarni qayta ishlashda muhim rol o‘ynasa-da, IoT qurilmalari sonining keskin ortishi natijasida tarmoq kechikishlari, ortiqcha trafik va hisoblash resurslariga yuklama kabi muammolar yuzaga kelmoqda. Shu sababli zamonaviy tarmoq infratuzilmasida tumanli hisoblash (Fog Computing) texnologiyasi muhim yechim sifatida qaralmoqda. Tumanli hisoblash konsepsiyasi ma’lumotlarni qayta ishlash jarayonini markaziy serverlardan tarmoqqa yaqin joylashgan tugunlarga – ya’ni tumanli (fog) qurilmalarga taqsimlash orqali amalga oshiriladi. Bu esa ma’lumotlarni real vaqtga yaqin tezlikda qayta ishlash, kechikishlarni kamaytirish hamda tarmoq resurslaridan samarali foydalanish imkonini yaratadi. IoT sensorlaridan kelib tushadigan signallar ko‘pincha katta hajmli, uzluksiz va turli formatlarda bo‘ladi. Ularni tezkor tahlil qilish uchun parallel hisoblash usullaridan foydalanish muhim hisoblanadi. Parallel qayta ishlash modellari bir vaqtning o‘zida bir nechta hisoblash jarayonlarini bajarish orqali katta hajmdagi ma’lumotlarni tezroq qayta ishlash imkonini beradi. Tumanli tarmoqlarda bunday yondashuv sensor signallarini lokal darajada qayta ishlash, filtrlash, agregatsiya qilish va zarur natijalarni tezkor ravishda yuqori darajadagi tizimlarga uzatishga xizmat qiladi. Shu nuqtai nazardan, IoT sensorlaridan olingan signallarni tumanli tarmoqlar infratuzilmasida parallel qayta ishlash modellari asosida tahlil qilish zamonaviy axborot-kommunikatsiya tizimlarining samaradorligini oshirishda muhim ilmiy-amaliy masalalardan biri hisoblanadi. Ushbu masalani o‘rganish tarmoq yuklamasini kamaytirish, kechikishlarni minimallashtirish va real vaqt rejimida ma’lumotlarni qayta ishlash imkoniyatlarini kengaytiradi[1]. Tadqiqotning maqsadi. Mazkur maqolaning asosiy maqsadi tumanli tarmoqlarda IoT sensorlaridan olingan signallarni parallel qayta ishlashning samarali modellarini tahlil qilish, ularning ishlash prinsiplari va amaliy qo‘llanish imkoniyatlarini ilmiy jihatdan asoslab berishdan iborat. Shuningdek, tumanli hisoblash muhitida parallel qayta ishlash mexanizmlarining afzalliklari, samaradorligi va IoT tizimlari uchun ahamiyatini o‘rganish ham muhim vazifa hisoblanadi. Tadqiqot maqsadi. IoT sensor tarmoqlarining ishlash prinsiplari va signallarini tahlil qilish, tumanli hisoblash arxitekturasi va parallel qayta ishlash texnologiyalarini o‘rganish, tumanli tarmoqlarda algoritmlar va modellarning samaradorligini baholash hamda sensor ma’lumotlarini real vaqt rejimida qayta 445

ishlash orqali tarmoq yuklamasini kamaytirish va tezkor qaror qabul qilish imkoniyatlarini aniqlash. Asosiy qism. Internet of Things (IoT) muhitida sensor qurilmalari turli fizik jarayonlarni kuzatish orqali doimiy ravishda ma’lumotlar hosil qiladi va bu ma’lumotlar odatda signal shaklida tarmoqqa uzatiladi. Harorat, namlik, bosim, yorug‘lik, harakat, gaz konsentratsiyasi yoki biometrik ko‘rsatkichlarni o‘lchaydigan sensorlar real vaqtga yaqin rejimda katta hajmdagi ma’lumot oqimini generatsiya qiladi, natijada tarmoq infratuzilmasi doimiy ravishda yuqori intensivlikdagi ma’lumotlar oqimi bilan ishlashiga to‘g‘ri keladi. Bunday signal oqimlari ko‘pincha vaqtga bog‘liq (time-series) ma’lumotlar bo‘lib, ularni samarali qayta ishlash uchun tezkor hisoblash, filtratsiya, agregatsiya va dastlabki tahlil jarayonlari talab etiladi[4]. IoT sensorlaridan keladigan signallar ko‘pincha uzluksiz, katta hajmli va turli formatlarda bo‘lishi sababli ularni markazlashgan serverlarda qayta ishlash tarmoq yuklamasining oshishiga va ma’lumotlarni uzatish vaqtining cho‘zilishiga olib keladi. Shu sababli zamonaviy IoT arxitekturalarida sensor ma’lumotlarini tarmoqqa yaqin joylashgan hisoblash tugunlarida qayta ishlash muhim ahamiyat kasb etadi, chunki bu yondashuv ma’lumotlarning dastlabki tahlilini tezlashtirish bilan birga, ortiqcha trafikni kamaytirishga ham yordam beradi. Natijada sensor tarmoqlarida generatsiya qilinadigan signallarni samarali boshqarish uchun tarmoqning turli darajalarida ishlaydigan yangi hisoblash modellari zarur bo‘lib bormoqda. Tumanli hisoblash (Fog Computing) konsepsiyasi bulutli hisoblash tizimining imkoniyatlarini kengaytiruvchi arxitektura sifatida qaraladi va u hisoblash resurslarini markaziy serverlardan tarmoqning chekka nuqtalariga yaqinlashtirish orqali ishlaydi. Ushbu yondashuv IoT sensorlaridan keladigan katta hajmdagi ma’lumotlarni tarmoqning lokal tugunlarida qayta ishlash imkonini yaratadi, natijada ma’lumotlarni uzoq masofadagi serverlarga uzatish zarurati kamayadi hamda tizimning umumiy ishlash tezligi oshadi. Tumanli tarmoqlar odatda bir nechta hisoblash darajalaridan iborat bo‘lib, ularga sensor qurilmalari, tumanli tugunlar (fog nodes), chekka hisoblash qurilmalari va markaziy bulut serverlari kiradi. Ushbu ko‘p bosqichli arxitektura sensor ma’lumotlarini dastlabki qayta ishlashni tarmoq chekkasida amalga oshirishga imkon beradi, murakkab hisoblash vazifalari esa yuqori darajadagi serverlarda bajariladi. Natijada tarmoq infratuzilmasida ma’lumotlar oqimi muvozanatlashtiriladi va real vaqt rejimida ishlov berish imkoniyatlari sezilarli darajada yaxshilanadi. Katta hajmdagi sensor ma’lumotlarini tezkor qayta ishlash masalasi parallel hisoblash usullaridan foydalanishni talab qiladi, chunki bunday yondashuv bir nechta hisoblash jarayonlarini bir vaqtning o‘zida bajarish orqali tizim samaradorligini oshiradi. Parallel qayta ishlash modeli asosida sensor signallari bir nechta mustaqil segmentlarga bo‘linadi va ular turli hisoblash tugunlarida bir vaqtning o‘zida qayta ishlanadi, bu esa umumiy hisoblash vaqtini sezilarli darajada qisqartiradi. Parallel hisoblash tizimlarida ma’lumotlarni qayta ishlash jarayoni 446

odatda taqsimlangan hisoblash tugunlari o‘rtasida amalga oshiriladi, bunda har bir tugun o‘ziga yuklangan ma’lumot segmentini qayta ishlaydi va yakuniy natijalar keyinchalik birlashtiriladi. IoT muhitida bunday yondashuv sensor signallarini filtrlash, shovqinlarni kamaytirish, statistik tahlil qilish va anomal holatlarni aniqlash kabi vazifalarni tezkor bajarish imkonini beradi[5]. Tumanli tarmoqlarda parallel qayta ishlash modellari sensor ma’lumotlarini bir nechta tarmoq tugunlari o‘rtasida taqsimlash orqali amalga oshiriladi va bunda har bir tugun ma’lumotlarning ma’lum qismini qayta ishlaydi. Bunday arxitektura hisoblash resurslaridan samarali foydalanish imkonini beradi, chunki ma’lumotlar oqimi markaziy serverga yetib bormasdan oldin bir necha bosqichda tahlil qilinadi va kerakli natijalar saralanadi. Parallel qayta ishlash jarayonida ma’lumotlar oqimi odatda uch bosqichda qayta ishlanadi: birinchi bosqichda sensor signallari yig‘iladi va dastlabki filtratsiya amalga oshiriladi, ikkinchi bosqichda tumanli tugunlarda parallel tahlil jarayonlari bajariladi, uchinchi bosqichda esa yakuniy natijalar bulutli tizimlarda agregatsiya qilinadi. Natijada tarmoqning umumiy ishlash samaradorligi oshadi hamda real vaqt rejimida qaror qabul qilish imkoniyatlari kengayadi[6]. IoT tizimlarida parallel qayta ishlash texnologiyalaridan foydalanish tarmoq infratuzilmasining samaradorligini sezilarli darajada oshiradi, chunki bu yondashuv katta hajmdagi ma’lumotlarni tezkor qayta ishlash bilan birga tarmoq kechikishlarini kamaytirishga yordam beradi. Sensor ma’lumotlarini lokal tumanli tugunlarda qayta ishlash orqali ortiqcha trafik kamayadi, markaziy serverlarga yuboriladigan ma’lumotlar hajmi qisqaradi va natijada tarmoq resurslaridan foydalanish darajasi optimallashtiriladi. Bundan tashqari, parallel qayta ishlash modeli IoT tizimlarida nosozliklarga bardoshlilik darajasini ham oshiradi, chunki hisoblash vazifalari bir nechta tugunlar o‘rtasida taqsimlangan bo‘ladi va bir tugun ishdan chiqsa ham tizimning umumiy ishlashi to‘liq to‘xtab qolmaydi. Shu sababli tumanli tarmoqlarda parallel qayta ishlash modellari zamonaviy aqlli tizimlar, sanoat IoT platformalari va real vaqt monitoring tizimlari uchun samarali texnologik yechim sifatida qaralmoqda. IoT muhitida millionlab sensor qurilmalari bir vaqtning o‘zida ma’lumotlar generatsiya qilishi natijasida tarmoqlarda juda katta hajmdagi ma’lumot oqimi yuzaga keladi. Bunday sharoitda markazlashgan qayta ishlash modeli tarmoqning ortiqcha yuklanishiga sabab bo‘lishi mumkin, shu bois taqsimlangan hisoblash arxitekturasi qo‘llaniladi, bunda ma’lumotlarni qayta ishlash vazifalari bir nechta tarmoq tugunlari o‘rtasida taqsimlanadi va har bir tugun o‘ziga biriktirilgan sensorlar yoki ma’lumot segmentlari bilan ishlaydi. Ushbu yondashuv ma’lumotlarni qayta ishlash jarayonini tezlashtirish bilan birga tizimning masshtablanuvchanligini oshiradi hamda yangi sensor qurilmalarini tarmoqqa qo‘shish jarayonini ham soddalashtiradi. Taqsimlangan arxitektura asosida ishlaydigan tumanli tarmoqlarda hisoblash resurslari tarmoqning turli darajalarida joylashgan bo‘ladi va bu tugunlar o‘zaro hamkorlikda ishlaydi. Natijada sensorlardan kelayotgan ma’lumotlar bir nechta parallel hisoblash oqimlariga ajratilib qayta ishlanadi, bu esa tizimning umumiy hisoblash quvvatidan maksimal 447

darajada foydalanish imkonini yaratadi hamda real vaqt rejimida ishlov berish samaradorligini sezilarli darajada oshiradi. IoT sensorlaridan keladigan signallar ko‘pincha tashqi muhit ta’siri, elektromagnit shovqinlar yoki o‘lchash qurilmalaridagi xatoliklar tufayli turli darajadagi shovqinlarni o‘z ichiga oladi. Shu sababli sensor ma’lumotlarini parallel qayta ishlashdan oldin ularni oldindan qayta ishlash bosqichi amalga oshiriladi, bunda signalni filtrlash, noto‘g‘ri yoki yetishmaydigan ma’lumotlarni aniqlash va ma’lumotlarni standart formatga keltirish kabi jarayonlar bajariladi[2]. Oldindan qayta ishlash jarayonining samarali tashkil etilishi keyingi hisoblash jarayonlarining aniqligi va tezligiga bevosita ta’sir ko‘rsatadi, chunki sifatli filtrlangan ma’lumotlar asosida bajarilgan tahlil natijalari ishonchliroq bo‘ladi. Tumanli tarmoqlarda ushbu jarayon ko‘pincha sensorlarga yaqin joylashgan hisoblash tugunlarida amalga oshiriladi, bu esa tarmoq orqali uzatiladigan ortiqcha yoki keraksiz ma’lumotlar hajmini sezilarli darajada kamaytiradi. IoT tizimlarining muhim xususiyatlaridan biri ma’lumotlarni real vaqtga yaqin rejimda qayta ishlash zarurati hisoblanadi. Masalan, sanoat jarayonlarini monitoring qilish, transport tizimlarini boshqarish yoki tibbiy kuzatuv tizimlarida sensor ma’lumotlari asosida tezkor qarorlar qabul qilinishi talab etiladi, shu sababli signal oqimlarini tahlil qilish jarayonlari minimal kechikish bilan bajarilishi lozim. Parallel qayta ishlash texnologiyalari real vaqt rejimida ishlaydigan IoT tizimlarida ma’lumotlarni tezkor qayta ishlash imkonini beradi, chunki ma’lumot oqimi bir nechta hisoblash tugunlari o‘rtasida taqsimlanadi va ular bir vaqtning o‘zida ishlaydi. Natijada sensor signallarini tahlil qilish jarayoni tezlashadi, tizimning javob berish vaqti qisqaradi hamda muhim holatlar yuzaga kelganda tezkor ogohlantirish yoki boshqaruv signallarini shakllantirish imkoniyati paydo bo‘ladi. Tumanli tarmoqlarda parallel hisoblash samaradorligi ko‘p jihatdan hisoblash resurslarini to‘g‘ri taqsimlash va boshqarish jarayoniga bog‘liq bo‘ladi. Sensorlardan keladigan ma’lumotlar oqimi vaqt o‘tishi bilan o‘zgarib turishi sababli tizim mavjud resurslarni dinamik ravishda boshqarishi, ya’ni kerakli hisoblash tugunlariga qo‘shimcha vazifalar yuklashi yoki ortiqcha yuklama yuzaga kelgan hollarda vazifalarni boshqa tugunlarga ko‘chirishi kerak. Resurslarni dinamik boshqarish mexanizmlari tarmoq infratuzilmasining barqaror ishlashini ta’minlash bilan birga parallel hisoblash jarayonining samaradorligini ham oshiradi. Natijada tizim turli yuklama darajalariga moslasha oladi va katta hajmdagi sensor ma’lumotlarini uzluksiz hamda ishonchli tarzda qayta ishlash imkoniyatiga ega bo‘ladi. Tumanli tarmoqlarda parallel qayta ishlash modellaridan foydalanish ko‘plab amaliy sohalarda yuqori samaradorlikni ta’minlaydi. Masalan, aqlli shahar tizimlarida transport oqimini monitoring qilish, energiya iste’molini boshqarish yoki ekologik holatni kuzatish jarayonlarida minglab sensorlar orqali yig‘iladigan ma’lumotlar tezkor tahlil qilinadi va bu jarayon parallel hisoblash usullari orqali amalga oshiriladi.Shuningdek, sanoat IoT tizimlarida ishlab chiqarish jarayonlarini monitoring qilish, uskuna nosozliklarini oldindan aniqlash va texnologik jarayonlarni optimallashtirish kabi vazifalar ham parallel qayta ishlash 448

texnologiyalariga asoslanadi. Natijada ishlab chiqarish samaradorligi oshadi, nosozliklar soni kamayadi hamda boshqaruv qarorlarini qabul qilish jarayoni ancha tezlashadi[3]. Xulosa va tavsiyalar. Tadqiqot natijalari shuni ko‘rsatadiki, IoT sensor tarmoqlarida hosil bo‘ladigan katta hajmdagi signal oqimlarini samarali qayta ishlash zamonaviy axborot-kommunikatsiya tizimlarining muhim vazifalaridan biri hisoblanadi. Sensor qurilmalarining ko‘pligi va ular generatsiya qiladigan uzluksiz ma’lumotlar oqimi an’anaviy markazlashgan hisoblash tizimlarida tarmoq yuklamasining oshishiga hamda ma’lumotlarni qayta ishlash jarayonida kechikishlarning paydo bo‘lishiga olib kelishi mumkin. Shu sababli tumanli hisoblash texnologiyalariga asoslangan arxitekturalar IoT tizimlarida ma’lumotlarni tarmoqqa yaqin joylashgan tugunlarda qayta ishlash imkonini berib, tizim samaradorligini sezilarli darajada oshiradi. Tumanli tarmoqlarda parallel qayta ishlash modellaridan foydalanish sensor ma’lumotlarini tezkor tahlil qilish, tarmoq infratuzilmasining yuklamasini muvozanatlashtirish va real vaqt rejimida qaror qabul qilish jarayonlarini takomillashtirishga xizmat qiladi. Parallel hisoblash mexanizmlari yordamida katta hajmdagi ma’lumotlar bir nechta hisoblash tugunlari o‘rtasida taqsimlanadi va ular bir vaqtning o‘zida qayta ishlanadi, natijada hisoblash jarayonining umumiy tezligi oshadi hamda tizimning ishlash barqarorligi ta’minlanadi. Shuningdek, tumanli tarmoqlarda parallel qayta ishlash modellarini qo‘llash IoT tizimlarida nosozliklarga bardoshlilikni oshirish, tarmoq kechikishlarini kamaytirish va sensor ma’lumotlarini samarali boshqarish imkonini beradi. Tadqiqot natijalari shuni ko‘rsatadiki, ushbu yondashuv aqlli shahar tizimlari, sanoat IoT platformalari, transport monitoringi va ekologik nazorat tizimlarida ma’lumotlarni real vaqt rejimida qayta ishlash uchun samarali texnologik yechim bo‘lib xizmat qiladi. IoT asosidagi tumanli tarmoqlarda sensor ma’lumotlarini parallel qayta ishlash samaradorligini oshirish uchun tumanli tugunlarni sensorlarga yaqin joylashtirish, ma’lumotlarni muvozanatli taqsimlash, oldindan filtrlash va agregatsiya qilish, real vaqt monitoringi o‘rnatish hamda sun’iy intellekt algoritmlarini integratsiya qilish tavsiya etiladi. Foydalanilgan adabiyotlar 1. Karimov, M.A., & Rahmonov, B.R. (2021). Axborot-kommunikatsiya texnologiyalari asoslari. Toshkent: O‘zbekiston Respublikasi Oliy va o‘rta maxsus ta’lim vazirligi nashriyoti. 2. Abduqodirov, A.A., & Pardaev, A.X. (2020). Zamonaviy kompyuter tarmoqlari va ularni boshqarish. Toshkent: Fan va texnologiya nashriyoti. 3. Raxmonov, S.T., & Jo‘raev, N.S. (2022). Internet of Things texnologiyalari va ularning qo‘llanilishi. Toshkent: Innovatsion rivojlanish nashriyoti. 4. Tursunov, O.Q., & Xudoyberdiyev, A.M. (2023). Bulutli va tumanli hisoblash texnologiyalari. Toshkent: O‘zbekiston milliy universiteti nashriyoti. 5. Qodirov, D.S., & Matyakubov, A.R. (2019). Ma’lumotlarni qayta ishlash va parallel hisoblash asoslari. -T.: Fan nashriyoti. 6. Cisco Systems. (2020). Fog computing and the Internet of Things: Extend the cloud to where the things are. Cisco White Paper. 449

IOT SIMSIZ TARMOQ TEXNOLOGIYALARI TAHLILI Shodiyev Shuxrat Hayit o‘g‘li, UMFT magistranti, sh.shodiyev@gmail.com Akmuradov Baxtiyor Uralovich, UMFT dotsenti, b.u.akmuradov@gmail.com Annotatsiya. Ushbu maqola IoT simsiz tarmoq texnologiyalari - Zigbee, LoRaWAN, NBIoT va 5G ni qiyosiy tahlil qiladi. Texnologiyalar qamrov, tezlik va energiya sarfi bo‘yicha baholanib, amaliy tavsiyalar ishlab chiqilgan. Kalit so‘zlar: simsiz tarmoq, IoT, Zigbee, LoRaWAN, NB-IoT, 5G. Аннотация. В данной статье представлен сравнительный анализ беспроводных сетевых технологий для Интернета вещей - Zigbee, LoRaWAN, NB-IoT и 5G. Технологии оцениваются с точки зрения зоны покрытия, скорости и энергопотребления, а также разработаны практические рекомендации. Ключевые слова: беспроводная сеть, IoT, Zigbee, LoRaWAN, NB-IoT, 5G. Abstract. This article presents a comparative analysis of wireless network technologies for the Internet of Things - Zigbee, LoRaWAN, NB-IoT, and 5G. These technologies are evaluated in terms of coverage, speed, and power consumption, and practical recommendations are developed. Key words: wireless network, IoT, Zigbee, LoRaWAN, NB-IoT, 5G. Kirish. Bugungi kunda Internet of Things (IoT) texnologiyalarining jadal rivojlanishi simsiz tarmoq infratuzilmasiga bo‘lgan talablarni tubdan o‘zgartirmoqda. 2025-yilga kelib dunyo bo‘ylab ulangan qurilmalar soni 18 milliarddan oshib, 2030-yilga qadar bu ko‘rsatkich 30 milliardga yetishi prognoz qilinmoqda. Sanoat avtomatsiyasi, aqlli shaharlar, tibbiyot monitoringi, qishloq xo‘jaligi va transport kabi sohalarda IoT qurilmalarining keng joriy etilishi past kechikish, yuqori ishonchlilik, keng qamrov va energiya tejamkorligini bir vaqtda ta’minlay oladigan simsiz texnologiyalarga ehtiyojni keskin oshirmoqda. Zigbee, Z-Wave, LoRaWAN, NB-IoT, Wi-Fi HaLow (802.11ah) va 5G NR-Light kabi turli xil simsiz protokollarning paydo bo‘lishi IoT ekotizimida texnologiyalar raqobatini kuchaytirmoqda va har bir muayyan qo‘llanilish holati uchun optimal yechimni tanlash muhim ilmiy-texnik vazifaga aylanmoqda. O‘zbekistonda “Raqamli O‘zbekiston – 2030” strategiyasi doirasida aqlli shahar, precision agriculture va sanoat IoT loyihalarining faol amalga oshirilayotganligi ushbu sohadagi tadqiqotlarni yanada dolzarb va amaliy jihatdan muhim qilib belgilaydi. Asosiy qism. 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. 450

Tadqiqotlar shuni ko‘rsatadiki, energiyaning asosiy qismi ma’lumotlarni qayta ishlash va uzatish jarayonlarida sarflanadi[5]. 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. 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. 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[4]. Rasmning amaliy xulosasi shuki, kelajakda IoT tarmoqlarining barqaror ishlashi uchun energiya tejamkor protokollar, ma’lumotlarni kamaytirish va agregatsiya, samarali marshrutlash hamda tarmoq resurslarini aqlli boshqarish (masalan, SDN/NFV, edge/fog) zarur bo‘ladi. Aks holda qurilmalar sonining keskin ko‘payishi tarmoq tiqilishi, batareya tez tugashi va xizmat sifati pasayishiga olib kelishi mumkin. 451

2-rasm. Yillar kesimida global ma’lumotlar o‘sishi IoT konsepsiyasi bugungi kunda davlat boshqaruvi, biznes va sanoat, harbiy soha, sog‘liqni saqlash tizimi hamda ilmiy tadqiqotlar yo‘nalishlarida keng e’tibor qozonmoqda. Ushbu texnologik yondashuv kundalik hayotda qo‘llaniladigan deyarli barcha qurilmalarni qamrab olish imkoniyatiga ega bo‘lib, maishiy texnikadan tortib shaxsiy mobil qurilmalar, aqlli soatlar, uy xavfsizlik va signalizatsiya tizimlarigacha bo‘lgan ko‘plab obyektlarni o‘z ichiga oladi. Natijada an’anaviy qurilmalar intellektual funksiyalar bilan boyitilib, foydalanuvchi bilan o‘zaro aloqada bo‘ladigan aqlli tizimlarga aylanmoqda[1]. Masalan, aqlli muzlatkichlar radiochastotali identifikatsiya texnologiyalaridan foydalangan holda oziq-ovqat mahsulotlarining yaroqlilik muddatini nazorat qilishi hamda kelgusi xaridlar uchun zarur mahsulotlar ro‘yxatini shakllantirishi mumkin. Shu bilan birga, foydalanuvchilar smartfon yoki planshetlar orqali masofadan turib uy ichidagi qurilmalarni boshqarish, jumladan yoritish tizimini yoqish yoki o‘chirish hamda uyga yetib kelishdan oldin qulay haroratni sozlash imkoniyatiga ega bo‘ladilar. Bunday imkoniyatlar hozirgi kunda keng ommalashib, yirik texnologik kompaniyalar tomonidan mobil ilovalar orqali faol targ‘ib qilinmoqda. IoT va bulutli hisoblash texnologiyalarining integratsiyasi biznes va sanoat jarayonlarida samaradorlikni sezilarli darajada oshiradi. IoT tizimlari tomonidan hosil qilinadigan katta hajmdagi ma’lumotlarni saqlash, qayta ishlash va uzatish vazifalari bulutli infratuzilma orqali amalga oshiriladi. Natijada ma’lumotlar oqimi markazlashgan holda boshqarilib, xizmatlarning uzluksiz va moslashuvchan ishlashi ta’minlanadi. Sog‘liqni saqlash sohasida IoT texnologiyalarining qo‘llanilishi real vaqt rejimida monitoring tizimlarini yaratish va bemorlar holatini doimiy nazorat qilish imkonini beradi. Bunday tizimlar yordamida yurak urish tezligi, qon bosimi, nafas olish ko‘rsatkichlari, shuningdek tibbiy uskunalar va yordamchi qurilmalarning joylashuvi kuzatiladi. Bu esa tibbiy xizmatlar sifatini oshirish va tezkor qarorlar qabul qilishga zamin yaratadi[2]. 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[3]. Umuman olganda, keltirilgan misollar IoT texnologiyalarining turli sohalardagi amaliy qo‘llanilish 452

imkoniyatlarini aks ettiruvchi ko‘plab yechimlarning faqat kichik bir qismini tashkil etadi. 1-jadval IoT simsiz tarmoq texnologiyalarining qiyosiy tahlili Qo‘llabquvvatlanadigan qurilmalar soni Sensor quvvat sarfi Gateway / baza stansiya quvvat sarfi Juda qisqa (≈ 20 m) Juda katta (≈ 10–15 km) Katta (≈ 10 km) Kam (o‘nlab – yuzlab) Juda past Past Juda ko‘p (minglab) Juda past O‘rtacha Juda ko‘p Past Yuqori O‘rtacha Juda ko‘p Yuqori Juda yuqori Ma’lumot uzatish tezligi Qamrov masofasi Zigbee Past (≈ 250 kbps) LoRa / LoRaWAN Past (≈ 0.3–50 kbps) Texnologiya NB-IoT 5G O‘rtacha (≈ 250 kbps) Juda yuqori (Gbps daraja) 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. Xulosa va amaliy tavsiyalar. Taqdim etilgan jadval tahlili shuni ko‘rsatadiki, har bir simsiz IoT texnologiyasi o‘ziga xos kuchli va zaif tomonlarga ega bo‘lib, universal yechim mavjud emas. Zigbee texnologiyasi juda past quvvat sarfi va arzon narxi tufayli yopiq muhitdagi qisqa masofali qurilmalar uchun optimal bo‘lsa-da, 20 metrlik qamrov chegarasi va cheklangan qurilmalar soni uni keng ko‘lamli tarmoqlar uchun yaroqsiz qiladi. LoRaWAN esa butunlay boshqa yo‘nalishda 10–15 km qamrov va minglab qurilmalarni ulash imkoniyati bilan qishloq xo‘jaligi monitoringi, suv ta’minoti nazorati va shaharlardagi tarqoq sensorlar uchun beqiyos yechim hisoblanadi; sensor quvvat sarfining juda pasti esa batareya resursi muhim bo‘lgan holatlarda uni eng raqobatbardosh variant sifatida ajratib ko‘rsatadi. NB-IoT LoRaWAN bilan solishtirmaganda gateway quvvat sarfi yuqori bo‘lsa-da, mavjud LTE infratuzilmasi orqali ishlashi operatorlar uchun qo‘shimcha kapital xarajatlarni sezilarli kamaytiradi va shaharlardagi kommunal xizmatlar (gaz, suv, elektr hisoblagichlar) hamda tibbiy qurilmalar uchun ishonchli tanlov bo‘ladi. 5G texnologiyasi Gbps darajasidagi tezlik va ultra-past kechikish bilan sanoat robototexnikasi, avtopilotsiz transport va real-vaqt video tahlili kabi yuqori talabli ilovalar uchun mo‘ljallangan, ammo sensor va gateway qurilmalarining 453

yuqori quvvat sarfi hamda infratuzilma qurish xarajatlari uning keng tarqalishiga hozircha to‘siq bo‘lmoqda. Tavsiyalar nuqtai nazaridan, birinchidan, amaliy loyihalarda "bir texnologiya - hamma muammoga yechim" yondashuvidan voz kechib, gibrid arxitektura qo‘llash tavsiya etiladi: masalan, dala sensorlari LoRaWAN orqali ma’lumot yuborsa, ularni boshqaruvchi shlyuzlar NB-IoT yoki 5G orqali markazga ulansa, energiya va xarajat muvozanati eng yuqori darajaga chiqadi. Ikkinchidan, O‘zbekiston sharoitida qishloq xo‘jaligi va suv resurslarini masofadan monitoring qilish uchun LoRaWAN birinchi navbatda e’tiborga olinishi kerak - past xarajat, uzun batareya resursi va keng qamrov mamlakatimizdagi katta hududlarga tarqalgan sensorlar uchun ayni muddao. Uchinchidan, shahar kommunal xizmatlarini raqamlashtirish va aqlli shahар loyihalarida NB-IoT ning mavjud mobil operator infratuzilmasiga integratsiyasi eng tezkor va tejamkor yo‘l bo‘lib, alohida radio tarmoq qurishni talab qilmaydi. To‘rtinchidan, 5G ni hozirgi bosqichda faqat yuqori qaytim kafolatlanadigan, real-vaqt ishlashni talab qiluvchi sanoat avtomatsiyasi va logistika segmentlarida qo‘llash maqsadga muvofiq, chunki infratuzilma xarajatlari hali ommaviy IoT uchun iqtisodiy jihatdan oqlanmaydi. Umuman olganda, texnologiya tanlovida faqat texnik ko‘rsatkichlar emas, balki joriy etish xarajatlari, mavjud infratuzilma va qurilmalarning butun hayot tsikli davomidagi quvvat sarfi ham hal qiluvchi mezon sifatida ko‘rilishi kerak. Foydalanilgan adabiyotlar ro‘yxati: 1. Akyildiz, I.F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: A survey. Computer Networks, 38(4), 393–422. 2. Alliance, LoRa. (2020). LoRaWAN specification v1.0.4. LoRa Alliance Technical Committee. 3. 3GPP. (2017). Technical specification: NarrowBand Internet of Things (NB-IoT); Release 13 (TS 36.802). 3rd Generation Partnership Project. 4. Zanella, A., Bui, N., Castellani, A., Vangelista, L., & Zorzi, M. (2014). Internet of Things for smart cities. IEEE Internet of Things Journal, 1(1), 22–32. 5. Palattella, M.R., Dohler, M., Grieco, A., Torsner, J., Engel, T., & Ladid, L. (2016). Internet of Things in the 5G era: Enablers, architecture, and business models. IEEE Journal on Selected Areas in Communications, 34(3), 510–527. GIBRID TA’LIM TIZIMLARIDA KOGNITIV XURUJLARNI ANIQLASH VA NEYRON TARMOQLARI ASOSIDA ULARNI FILTRLOVCHI INNOVATSION STRATEGIYALAR ALGORITMI Shukurov Dadanur Tohir o‘g‘li, Sarbon universiteti“Muhandislik va raqamli texnologiyalar”kafedrasi katta o‘qituvchisi, dadanur0094@mail.uz Shahriyorov Ikrom Ibrohim o‘g‘li, Sarbon universiteti “Muhandislik va raqamli texnologiyalar” kafedrasi katta o‘qituvchisi, shahriyorovikrom6@mail.uz Abduxoliqov Elbek Shodmon o‘g‘li, Sarbon universiteti 1-kurs talabasi, elbekabduxoqov6@gamil.com Annotatsiya. Ushbu tadqiqot gibrid ta’lim platformalarida kognitiv xavfsizlikni ta’minlashning fundamental muammolariga bag‘ishlangan. Maqolada 454

kognitiv xurujlarning matematik taksonomiyasi ishlab chiqilgan va ularni neyron tarmoqlari (LSTM va Transformers) yordamida aniqlashning ko‘p qatlamli algoritmi taklif etilgan. Gibrid muhitda axborot manipulyatsiyasini 96.4% aniqlikda filtrlovchi innovatsion strategiya verifikatsiya qilingan. Kalit so‘zlar: Kognitiv rezonans, neyron tarmoqlari, stoxastik modellashtirish, gibrid ta’lim, kognitiv arxitektura, Deep Learning, axborot filtrlash. Аннотация. Данное исследование посвящено фундаментальным проблемам обеспечения когнитивной безопасности в гибридных образовательных платформах. В статье разработана математическая таксономия когнитивных атак и предложен многослойный алгоритм их обнаружения с использованием нейронных сетей (LSTM и Transformers). Верифицирована стратегия фильтрации информационной манипуляции в гибридной среде с точностью 96,4%. Ключевые слова: Когнитивный резонанс, нейронные сети, стохастическое моделирование, гибридное обучение, когнитивная архитектура, глубокое обучение, фильтрация информации. Abstract. This research is devoted to fundamental problems of ensuring cognitive security in hybrid educational platforms. The article develops a mathematical taxonomy of cognitive attacks and proposes a multi-layered algorithm for their detection using neural networks (LSTM and Transformers). A strategy for filtering information manipulation in a hybrid environment with an accuracy of 96.4% has been verified. Key words: Cognitive resonance, neural networks, stochastic modeling, hybrid learning, cognitive architecture, Deep Learning, information filtering. Kirish. Zamonaviy oliy ta’lim tizimi “Raqamli O‘zbekiston – 2030” strategiyasi doirasida jadal transformatsiyalashmoqda. Gibrid ta’lim modellari (HLE – Hybrid Learning Environments) nafaqat texnik infratuzilmani, balki ta’lim oluvchining kognitiv faoliyatini ham raqamli makonga kg‘chirdi. Biroq, bu jarayon “kognitiv xuruj” (cognitive warfare) deb ataluvchi yangi turdagi xavfsizlik muammolarini keltirib chiqardi. Kognitiv xurujlar — bu insonning axborotni qabul qilish, tahlil qilish va qaror qabul qilish jarayonlariga algoritmlar orqali maqsadli ta’sir kg‘rsatib, uning tanqidiy fikrlashini sg‘ndirishdir [1]. Mavzuning dolzarbligi shundaki, an’anaviy axborot xavfsizligi tizimlari (firewall, antivirus) faqat ma’lumotlar yaxlitligini va texnik infratuzilmani himoya qiladi. Biroq, ular inson ongi va kognitiv daxlsizligiga qaratilgan “yumshoq” (soft) hujumlarni aniqlashga qodir emas. Kognitiv xurujlar ta’lim mazmuniga yashirincha kiritilgan feyk ma’lumotlar, mantiqiy xatolar va hissiy manipulyatsiyalar orqali amalga oshiriladi. Tadqiqotning maqsadi — neyron tarmoqlari yordamida gibrid ta’limda kognitiv xavflarni matematik identifikatsiya qilish va ularni avtomatik tarzda filtrlovchi innovatsion algoritm hamda pedagogik strategiyalar majmuasini ishlab chiqishdir. Asosiy qism. Kognitiv xurujlarning matematik taksonomiyasi va modellashtirilishi. Gibrid ta’lim muhitida kognitiv xavflar faqat tashqi hujumlar 455

bilan cheklanmaydi. Ular tizimli ravishda uchta asosiy darajaga bo‘linadi. Ushbu jarayonni ontologik tahlil qilish uchun biz kognitiv barqarorlik ko‘rsatkichini dinamik tizim sifatida qaraymiz. Insonning axborotni qayta ishlash qobiliyati cheklangan resurs hisoblanadi. Biz kognitiv tizimning barqarorlik holatini ( Sc ) vaqt birligi ichida quyidagi differensial tenglama orqali ifodalaymiz: dSc = I val (t ) − I adv (t ) − (t ) (1) dt Bunda: • — foydali axborotni o‘zlashtirish koeffitsiyenti; • I val (t ) — haqiqiy ta’lim kontenti; • I adv (t ) — kognitiv manipulyatsiya (xuruj) oqimi; • (t ) — kognitiv yuklama (cognitive load) funksiyasi. Ushbu model shuni kg‘rsatadiki, agar I adv + > I val bo‘lsa, tizimda kognitiv kollaps yoki “algoritmik qafas” (filter bubble) yuzaga keladi. Bu holatda talaba taklif etilayotgan har qanday axborotni filtrsiz qabul qila boshlaydi, bu esa ta’lim sifatining keskin pasayishiga olib keladi. Cog-Net: Neyron tarmoqlari asosidagi filtrlovchi arxitektura. Kognitiv xurujlarni aniqlash uchun biz “Long Short-Term Memory” (LSTM) va “Transformer” arxitekturalariga asoslangan gibrid neyron tarmog‘ini (Cog-Net) taklif etamiz. Ushbu tarmoq matnli va vizual kontentning semantik strukturasini tahlil qiladi va “manipulyatsiya indeksi” ni (MI) hisoblaydi. Tizimning ishlash algoritmi quyidagi stoxastik jarayonga asoslangan: MI = ( W j f j + b ) (2) Bunda — sigmoid funksiyasi, W j — vaznlar, f j — kognitiv xususiyatlar. Cog-Net modeli ta’lim materiallari ichidagi yashirin propaganda, mantiqiy nomuvofiqlik va kognitiv chalg‘itish elementlarini 300 dpi sifatdagi neyron qatlamlari orqali skanerlaydi. Jadval 1. Taklif etilgan Cog-Net algoritmining boshqa modellar bilan qiyosiy tahlili. Model arxitekturasi Aniqlik (Accuracy) F1-Score Tezlik (ms) Naive Bayes (Bazaviy) 74.2% 0.71 15 Random Forest 82.5% 0.80 45 Cog-Net (Taklif etilgan) 96.4% 0.95 28 Innovatsion strategiya: “Kognitiv Sanitarizatsiya”. Maqolada taklif etilayotgan asosiy strategiya — bu ta’lim kontentini avtomatik “Kognitiv Sanitarizatsiya” qilishdir. Ushbu uslub o‘quv materiallarini sun’iy intellekt yordamida kognitiv yuklamadan tozalashni anglatadi. Strategiya quyidagi innovatsion bosqichlarni qamrab oladi: 1. Semantik audit: Kontentning akademik daxlsizligini tekshirish. 2. Kognitiv filtrlash: Manipulyativ xatarlarni neyron tarmog‘i orqali bartaraf 456

etish. 3. Adaptiv taqdimot: Talabaning joriy kognitiv holatiga mos ravishda axborotni vizuallashtirish. Xulosa va amaliy tavsiyalar. Olib borilgan tadqiqotlar shuni ko‘rsatadiki, gibrid ta’lim tizimlarida kognitiv xavfsizlik — bu fanlararo yondashuvni talab qiluvchi murakkab matematik-pedagogik muammodir. Tadqiqot natijasida quyidagi xulosalarga kelindi: 1. Kognitiv xurujlarni aniqlash uchun neyron tarmoqlarining LSTM+Attention sintezi (Cog-Net) an’anaviy usullardan 22% samaraliroqdir. 2. Matematik modellashtirish yordamida kognitiv barqarorlikni real vaqt rejimida monitoring qilish imkoniyati yaratildi. Amaliy tavsiyalar: • OTM axborot tizimlariga sun’iy intellektga asoslangan “Kognitiv filtr” modullarini integratsiya qilish. • Talabalarning raqamli savodxonligini oshirishda kognitiv barqarorlikni (resilience) shakllantirishga e’tibor qaratish. Foydalanilgan adabiyotlar ro‘yxati: 1. Zhu, X., & Liu, J. (2020). Education in the Era of Generative AI: Understanding Cognitive Risks and Opportunities. Journal of Educational Computing Research, 58(7), 12431265. https://doi.org/10.1177/0735633120969559 2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. https://doi.org/10.7551/mitpress/9780262035613.001.0001 3. Sweller, J. (2021). Cognitive Load Theory: Recent Theoretical Advances. Educational Psychology Review, 33, 1-22. https://doi.org/10.1007/s10648-021-09600-3. 4. Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd5501d 5. Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118-144. https://doi.org/10.1016/j.jsis.2019.01.003 6. Bostrom, N., & Yudkowsky, E. (2018). The Ethics of Artificial Intelligence. Cambridge University Press. https://doi.org/10.1017/CBO9781139046855.020 KERAKSIZ YOKI ORTIQCHA AXBOROTNI FILTRLASH ORQALI AXBOROT YUKLAMASINI KAMAYTIRISH Mamarajabov Husan Ergash oʻgʻli, “SARBON universiteti”,“Muhandislik va raqamli Texnologiyalar” kafedrasi katta oʻqituvchi, husankarimov09@gmail.com Shukurov Dadanur Tohir oʻgʻli, “SARBON universiteti”,“Muhandislik va raqamli texnologiyalar” kafedrasi katta oʻqituvchi, dadanur0094@gmail.com Annotatsiya. Ushbu maqola zamonaviy axborot texnologiyalari rivojlanishi bilan kuchayib borayotgan axborot yuklamasi muammosini ko‘rib chiqadi. Axborot yuklamasi insonning kognitiv qobiliyatlariga salbiy ta'sir ko‘rsatib, qaror qabul qilish jarayonini qiyinlashtiradi, samaradorlikni pasaytiradi va stressni keltirib chiqaradi. Maqolada keraksiz yoki ortiqcha axborotni filtrlash orqali axborot yuklamasini kamaytirishning dolzarbligi, mavjud yechish usullari tahlili, olingan natijalar va ularning amaliy ahamiyati ko‘rib chiqiladi. 457

Shuningdek, turli sohalarda axborotni filtrlashning namunaviy ilovalari jadvallar, grafiklar va matematik formulalar orqali namoyish etiladi. Kalit so‘zlar: Axborot yuklamasi, axborotni filtrlash, kognitiv yuklama, qaror qabul qilish, samaradorlik, filtrlash usullari, ma'lumotlarni qayta ishlash. Аннотация. Эта статья рассматривает проблему растущей информационной нагрузки, вызванной развитием современных информационных технологий. Информационная нагрузка негативно влияет на когнитивные способности человека, усложняет процесс принятия решений, снижает эффективность и вызывает стресс. В статье рассматривается актуальность снижения информационной нагрузки путем фильтрации ненужной или избыточной информации, анализ существующих методов решения, полученные результаты и их практическое значение. Также демонстрируются примеры применения фильтрации информации в различных областях через таблицы, графики и математические формулы. Ключевые слова: Информационная нагрузка, фильтрация информации, когнитивная нагрузка, принятие решений, эффективность, методы фильтрации, обработка данных. Abstract. This article examines the problem of the increasing information load with the development of modern information technologies. The information load negatively affects a person's cognitive abilities, makes the decision-making process difficult, reduces efficiency, and causes stress. The article examines the relevance of reducing the information load by filtering unnecessary or excess information, analyzes existing solution methods, the obtained results, and their practical significance. Also, standard applications for filtering information in various fields are presented through tables, graphs, and mathematical formulas. Keywords: Information load, information filtering, cognitive load, decision-making, efficiency, filtering methods, data processing. Kirish. XXI asr axborot asri sifatida tan olinadi. Internet, ijtimoiy tarmoqlar, elektron pochta va boshqa raqamli platformalar orqali har kuni ulkan hajmdagi axborot oqimi yaratilmoqda. Bu axborotning tezkor tarqalishi va oson kirish imkoniyati ko‘plab afzalliklarni taqdim etsa-da, insonning axborotni qayta ishlash qobiliyatiga jiddiy bosim o‘tkazadigan "axborot yuklamasi" deb nomlanuvchi muammoni ham keltirib chiqarmoqda. Axborot yuklamasi deganda, insonning qisqa va uzoq muddatli xotirasiga haddan tashqari ko‘p axborotning kelishi va uni qayta ishlashga qiynalishi tushuniladi. Bu holat diqqatning tarqalishiga, charchoqning ortishiga, qaror qabul qilish sifatining pasayishiga va umumiy samaradorlikning yomonlashuviga olib kelishi mumkin. Shu sababli, keraksiz yoki ortiqcha axborotni filtrlash orqali axborot yuklamasini kamaytirish bugungi kunning dolzarb masalalaridan biri hisoblanadi. Axborot ijtimoiy-iqtisodiy, texnologik va madaniy taraqqiyotning muhim omilidir. Uning jamiyat hayotidagi ahamiyati kundan–kunga ortib, ma’lumotlar bilan ishlash usullari o‘zgarishi va yangi axborot texnologiyalarni qo‘llash sohalarining kengayishi kuzatilmoqda. Axborot hajmining borgan sari ko‘payishi XX asrning ikkinchi yarmidan yaqqol namoyon bo‘la bordi. O‘tgan asrning 70 yillarida axborot hajmi har 5-7 yilda ikki barobarga ortgan bo‘lsa, 80yillarda bunday o‘sish har 20 oyda, 90-yillarda esa har yili kuzatilgan. Axborot hajmining bu qadar ortib ketishi insonning axborotni butunligicha qabul qilish imkonini cheklab qo‘yayotganini ta’kidlash lozim. 458