Sun’iy Intellekt va Raqamli Iqtisodiyot

Reyting tizimini yaratishda eng muhim bosqich ‒ baholash mezonlarini to‘g‘ri tanlashdir. Umumiy holda xodimning faoliyatini uchta asosiy guruhga bo‘lish mumkin: Kasbiy kompetensiya (Hard Skills): Mutaxassisning o‘z sohasi bo‘yicha bilimi, tajribasi va malaka darajasi. Shaxsiy sifatlar (Soft Skills): Jamoada ishlash qobiliyati, intizom, tashabbuskorlik va muloqot madaniyati. Natijadorlik (KPI): Belgilangan rejalarning bajarilishi, mehnat samaradorligi va sifat ko‘rsatkichlari. Asosiy qism. Algoritmik model:Reyting ballini ($R$) hisoblash uchun ko‘p mezonli matematik model qo‘llaniladi. Har bir mezonning ahamiyati (vazni) tashkilotdagi lavozimga qarab o‘zgaradi. Masalan, rahbar kadrlar uchun "tashkilotchilik" vazni yuqori bo‘lsa, texnik xodimlar uchun "aniqlik" va "tezlik" muhimroqdir. Kadrlar reytingini baholash jarayoni ko‘p bosqichli tahlilni talab etadi. Tizimning asosi sifatida Ko‘p mezonli qaror qabul qilish (MCDM - Multi-Criteria Decision Making) uslubiyati tanlab olindi Ko‘rsatkichlarni shakllantirish va guruhlash Har bir mutaxassis uchun baholash ko‘rsatkichlari quyidagi ierarxik tuzilmaga ega: -Sifat ko‘rsatkichlari (Q): Mehnat mahsulining xatoliklardan xoliligi, standartlarga muvofiqligi. -Miqdor ko‘rsatkichlari (N): Muayyan vaqt birligida bajarilgan vazifalar soni yoki hajmi. -Vaqt ko‘rsatkichlari (T): Topshiriqlarning belgilangan muddatda (deadline) bajarilish koeffitsiyenti. Tizimning algoritmik ta'minotini ishlab chiqish Baholash jarayonini avtomatlashtirish uchun tizim quyidagi bosqichli algoritmni bajarishi lozim: Normallashtirish algoritmi:Turli xil ko‘rsatkichlar (masalan, ish staji yillarda, KPI foizda) yagona 100 ballik tizimga keltiriladi. Bu orqali turli soha mutaxassislarini o‘zaro taqqoslash imkoniyati paydo bo‘ladi. Dinamik vaznlashtirish:Tizim sun'iy intellekt elementlari yordamida korxonaning joriy maqsadlaridan kelib chiqib, mezonlar vaznini o‘zgartirishi mumkin. Masalan, loyihani topshirish muddati yaqinlashganda "tezkorlik" mezonining vazni avtomatik ravishda ortadi. Dasturiy ta'minotni loyihalashtirish va arxitekturasi Yaratiladigan dasturiy majmua foydalanuvchilar uchun qulay va ma'lumotlar xavfsizligi ta'minlangan bo‘lishi kerak. Tizim tarkibi: Ma'lumotlar bazasi moduli: Xodimlarning shaxsiy kartochkasi, erishgan yutuqlari va xatolari saqlanadigan markaziy baza. Analitik modul: Matematik algoritmlar ishlaydigan va reytinglarni hisoblaydigan asosiy qism. 599

Hisobot berish moduli: Natijalarni grafik, diagramma va jadvallar ko‘rinishida vizuallashtirish.Dasturiy ta'minot veb-texnologiyalar (masalan, Python/Django yoki PHP/Laravel) asosida yaratilishi tavsiya etiladi. Bu esa masofadan turib baholash va natijalarni kuzatish imkonini beradi. Amaliy samaradorlik va tadbiq etish istiqbollari Tizimni amaliyotga joriy etish korxona uchun quyidagi iqtisodiy va ijtimoiy foydalarni beradi: Vaqtni tejash: Baholash jarayoni 5-10 baravar tezlashadi. Adolatli muhit: Xodimlar o‘z reytinglari nima asosida shakllanayotganini shaffof ko‘rib turadilar, bu esa jamoada nizolarni kamaytiradi. Kadrlar sifatini oshirish: Doimiy past reytingga ega xodimlarni o‘qitish yoki ularning o‘rniga malakaliroq kadrlarni jalb qilish bo‘yicha aniq ma'lumotlar paydo bo‘ladi. Tizimning Ma’lumotlar Bazasi Strukturasi va relyatsion modeli Reyting tizimining asosi — bu ma’lumotlarning o‘zaro bog‘liqligidir. Dasturiy ta’minot samarali ishlashi uchun ma’lumotlar bazasi 3NF (Uchinchi normal shakl) talablariga javob berishi lozim. Tizimda quyidagi asosiy jadvallar (entities) shakllantiriladi: Employees (Xodimlar): ID, F.I.O, Mutaxassislik turi, Bo‘lim, Ishga kirgan sana. Competencies (Kompetensiyalar): ID, Mutaxassislik ID, Mezon nomi, Vazn koeffitsiyenti ($W$). Performance_Logs (Natijalar logi): ID, Xodim ID, Mezon ID, Ball, Sana, Manba (avtomatik/qo‘lda). Ratings (Yakuniy reyting): ID, Xodim ID, Umumiy ball, Davr (oy/chorak), Daraja (Rank). Ushbu struktura yordamida tizim nafaqat joriy reytingni, balki xodimning bir necha yil davomidagi o‘sish dinamikasini tahlil qilish imkoniga ega bo‘ladi. Baholash Metodikasida Ierarxik tahlil usuli (AHP)Mutaxassisliklar turlicha bo‘lgani sababli (masalan, haydovchi va iqtisodchi), ularning mezonlarini bir xil vazn bilan o‘lchab bo‘lmaydi. Shu sababli, Tomas Saati ierarxik tahlil usuli qo‘llaniladi. Bu usul yordamida mezonlar juftlik bo‘yicha solishtiriladi va ularning ahamiyatlilik darajasi aniqlanadi. Masalan, ishlab chiqarish korxonasida muhandis uchun: Texnik xavfsizlikka rioya qilish (W=0.45)Ishlab chiqarish rejasi (W=0.35)Intizom va jamoaviy faollik (W=0.20)Ushbu vaznlar asosida hisoblangan integral ball xodimning haqiqiy "qimmatini" (Human Asset Value) ko‘rsatib beradi. Dasturiy Interfeys va Dashboard Arxitekturasi Dasturiy ta’minotning foydalanuvchi interfeysi "Single Page Application" (SPA) tamoyili asosida quriladi. Bu rahbarlar uchun ma’lumotlarni real vaqt rejimida filtrlash va saralash imkonini beradi. Dashboardning asosiy elementlari: 600

Heatmap (Issiqlik xaritasi): Bo‘limlar kesimida qaysi jamoa eng yuqori natija ko‘rsatayotganini ranglar yordamida vizuallashtirish. Skill Gap Analysis: Xodimning joriy reytingi va lavozim yo‘riqnomasidagi talab qilingan ideal ko‘rsatkich o‘rtasidagi farqni ko‘rsatuvchi grafik.Notification Center: Reytingi keskin tushib ketgan xodimlar haqida HR-menejerga avtomatik xabar yuborish tizimi. Tizimning Algoritmik Optimallashuvi (Big Data elementlari) Agar tashkilotda xodimlar soni bir necha mingdan oshsa, reytinglarni hisoblash jarayoni server yuklamasini oshirishi mumkin. Shuning uchun, algoritmni optimallashtirishda "Asinxron hisoblash" va "Keshlashtirish" texnologiyalari qo‘llaniladi.Algoritmning murakkablik darajasi O(n, m) ko‘rinishida bo‘lib, bu yerda n — xodimlar soni, m — baholash mezonlari soni. Hisob-kitoblarni tezlashtirish uchun har kuni kechasi (Background task) reytinglar yangilab chiqiladi va tayyor natijalar kesh xotirada (Redis) saqlanadi. Xulosa. Xulosa qilib aytganda, kadrlarni mutaxassisligi bo‘yicha reytingini baholashning algoritmik va dasturiy ta'minotini yaratish — bu boshqaruvni raqamlashtirishning muhim bosqichidir. Taklif etilayotgan model har qanday turdagi korxona uchun moslashuvchan bo‘lib, inson resurslaridan samarali foydalanishni yangi bosqichga olib chiqadi. Kelgusida tizimni korporativ boshqaruvning boshqa modullari bilan integratsiya qilish orqali to‘liq avtomatlashtirilgan kadrlar monitoringi tizimini shakllantirish mumkin. An’anaviy usullarda yo‘l qo‘yiladigan subyektiv xatolar (inson omili, rahbarning shaxsiy xayrixohligi va h.k.) taklif etilayotgan matematik model yordamida minimal darajaga tushiriladi. Ma’lumotlarni raqamli tizimlar (ERP, CRM, LMS) orqali avtomatik yig‘ish xodimning haqiqiy ish unumdorligini buzib ko‘rsatish imkoniyatini yo‘qotadi. Bu esa tashkilotda meritokratiya (munosiblarni taqdirlash) tamoyilini mustahkamlaydi. Taklif etilayotgan algoritmik va dasturiy yechim nafaqat IT sohasi, balki barcha turdagi tashkilotlar uchun raqamli transformatsiyaning ajralmas qismi hisoblanadi. Ushbu tizimni amaliyotga tadbiq etish korxonada mehnat unumdorligini oshirish bilan birga, har bir xodimning o‘z ustida ishlashi va professional o‘sishi uchun shaffof "yo‘l xaritasi" bo‘lib xizmat qiladi. Dasturiy ta’minotning joriy etilishi HR-menejerlar va bo‘lim boshliqlarining baholash va hisobot tayyorlash uchun sarflaydigan vaqtini 70% gacha tejaydi. Shuningdek, bonuslar va moddiy rag‘batlantirish pullari reyting natijalariga ko‘ra adolatli taqsimlanishi korxonaning byudjetidan maqsadli foydalanishni ta’minlaydi. Foydalanilgan adabiyotlar I. Normativ-huquqiy hujjatlar: 1.O‘zbekiston Respublikasining Mehnat kodeksi. – T.: Adolat, 2023. – 624 b. 2.O‘zbekiston Respublikasi Prezidentining 2020-yil 5-oktabrdagi "Raqamli O‘zbekiston — 2030" strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida"gi PF-6079-son Farmoni. 3.O‘zbekiston Respublikasining "Shaxsga doir ma’lumotlar to‘g‘risida"gi Qonuni. – Toshkent, 2019. II. Asosiy adabiyotlar (Darslik va monografiyalar): 601

4. Armstrong, M., & Taylor, S. (2023). Armstrong‘s Handbook of Human Resource Management Practice. Kogan Page Publishers. 5. Bekmurodov, A.Sh., & boshqalar. (2022). Kadrlar menejmenti: O‘quv qo‘llanma. – Toshkent: Iqtisodiyot. 6. Ivancevich, J.M., & Konopaske, R. (2019). Human Resource Management. McGrawHill Education. 7. Gulyamov, S.S. (2021). Raqamli iqtisodiyotda inson resurslarini boshqarish. – Toshkent: Fan va texnologiya. III. Ilmiy maqolalar va davriy nashrlar: 8. Abdullayev, A.A. (2024). "Kadrlar reytingini baholashda KPI tizimining algoritmik asoslari". O‘zbekistonda ilmiy-amaliy tadqiqotlar jurnali, 12-son, 45-52-betlar. 9. Kaplan, R.S., & Norton, D.P. (1996). "The Balanced Scorecard: Translating Strategy into Action". Harvard Business Review Press. 10. Smith, J., & Doe, A. (2025). "Automated Performance Appraisal Systems using Machine Learning Algorithms". International Journal of Information Technology and Management, Vol. 14, No. 2. IV. Elektron resurslar va texnik hujjatlar: 11. GitHub Developer Guide: REST API v3 for performance analytics. [Elektron resurs]. URL: https://docs.github.com/en/rest 12. Jira Software Cloud: Reporting and Dashboards Documentation. [Elektron resurs]. URL: https://support.atlassian.com/jira-software-cloud/ 13. SonarQube Documentation: Metric definitions for code quality analysis. [Elektron resurs]. URL: https://docs.sonarqube.org/ BULUTLI HISOBLASH TIZIMLARI XIZMATLARI VA XAVFSIZLIK YECHIMLARINI QIYOSIY TAHLIL QILISH Berdimuradov Mirzohid Samidulla o‘g‘li, UMFT “KvaAT” kafedrasi assistenti E-mail: berdimurodov.mirzohid@gmail.com. Annotatsiya. Ushbu maqolada bulutli hisoblash tizimlarining xizmat ko‘rsatish modellari hamda ularning xavfsizlikni ta’minlash yechimlari qiyosiy va tizimli ravishda tahlil qilinadi. Tadqiqot doirasida bulutli hisoblash xizmatlarining asosiy modellari - IaaS (Infrastructure as a Service), PaaS (Platform as a Service) va SaaS (Software as a Service) - nazariy va amaliy jihatdan o‘rganilib, ularning arxitektura xususiyatlari, boshqaruv mexanizmlari va xavfsizlik yondashuvlari chuqur tahlil etiladi. Kalit so‘zlar: TLADE (s), HECC (s), IBPC (s), CPABEPRE (s). Аннотация. В данной статье проводится сравнительный и системный анализ моделей предоставления услуг облачных вычислительных систем и решений по обеспечению их безопасности. В рамках исследования рассматриваются основные модели облачных сервисов - IaaS (Infrastructure as a Service), PaaS (Platform as a Service) и SaaS (Software as a Service) - с теоретической и практической точек зрения. Ключевые слова: TLADE, HECC, IBPC, CP-ABE-PRE. Abstract. This article presents a comparative and systematic analysis of cloud computing service models and their security solutions. The study examines the main cloud service models — IaaS (Infrastructure as a Service), PaaS (Platform as a Service), and SaaS (Software as a Service) ‒ from both theoretical and practical perspectives. Particular attention is given to their architectural characteristics, management mechanisms, and security approaches. Keywords: TLADE, HECC, IBPC, CP-ABE-PRE. 602

Bugungi kunda bulutli hisoblash deb ataladigan hisoblash tarmog‘i jadallik bilan rivojlanmoqda. Axborot texnologiyalari sohasidagi Google (GoogleDrive), Yandex (Yandex disk), Microsoft (OneDrive), Apple (iBulut), DropboxInc, Cisco, Oracle va boshqa ko‘plab yirik kompaniyalar bugun o‘z bulutli xizmatlar spektrini kengaytirishga katta eʻtibor qaratishmoqda[1]. Bulut - AT infratuzilma tashkilotlarining innovatsion modeli (konsepsiya) hisoblanib, u alohida ajratilgan va konfiguratsiyalangan apparat va tarmoq resurslaridan, dasturiy taminotdan tashkil topgan va ular masofadagi provayderlarni maʻlumotlar markazida yotadi. Bulutli hisoblashni joylashtirish modeli yoki xizmat turi asosida tasniflash mumkin. Joylashtirish modeliga ko‘ra, bulut ommaviy (public), xususiy (private) va gibrid (hybrid) bulut turlariga bo‘linadi[3]. 1- rasm. Bulutli hisoblash turlari Xususiy bulutda hisoblash xizmatlari faqat bitta tashkilotga tegishli bo‘lgan maxsus IT tarmog‘i orqali taqdim etiladi. Ichki (internal), korporativ (enterprise) yoki korxona buluti (corporate cloud) deb ham ataluvchi ushbu model odatda tashkilotning o‘z resurslari tomonidan boshqariladi va tashqi foydalanuvchilarga ochiq bo‘lmaydi[2]. Xususiy bulut turlari quyidagilar: - virtual xususiy bulut (VPC); - xosting qilingan xususiy bulut; - boshqariladigan xususiy bulut; 2- rasm. Xususiy bulut turlari Ommaviy bulut uchinchi tomon provayderlari tomonidan internet orqali taqdim etiladigan hisoblash xizmatlarini anglatadi. Xususiy bulutdan farqli ravishda, ommaviy bulutdagi xizmatlar istalgan foydalanuvchi uchun ochiq bo‘lib, ulardan foydalanish yoki sotib olish mumkin[1]. Ommaviy bulut xizmatlari provayderini tanlashda tashkilot quyidagi jihatlarni hisobga olishi lozim: - ish vaqti (Uptime); 603

- xizmatlar to‘plami; - mavjud texnologiyalar bilan integratsiya; - narxlash siyosati; - xavfsizlik. Gibrid bulut - bu ommaviy va xususiy bulut texnologiyalarining kombinatsiyasidan iborat bo‘lib, u hisoblash va xarajat talablari o‘zgarishi bilan ish yuklamalarini ushbu ikki model o‘rtasida moslashuvchan tarzda taqsimlash imkonini beradi[3]. Bulutli hisoblashning xizmat ko‘rsatish modellari quyidagilar: - Infrastructure as a Service (IaaS); - Platform as a Service (PaaS); - Software as a Service (SaaS). Infrastructure as a Service - bu bulutli hisoblash xizmatlari modeli bo‘lib, u internet orqali virtualizatsiyalangan hisoblash resurslarini taqdim etadi. IaaS yordamida tashkilotlar virtual mashinalar, ma’lumotlarni saqlash tizimlari va tarmoq boshqaruv komponentlari kabi moslashuvchan infratuzilma resurslariga ega bo‘lishi va ularni boshqarishi mumkin, shu bilan birga jismoniy uskunalarga sarmoya kiritish yoki ularni saqlab turish zarurati yo‘qoladi. 3 - rasm. IaaS arxitekturasi Platform as a Service - bu bulutli hisoblash modeli bo‘lib, u dasturchilarga ilovalarni yaratish, joylashtirish va boshqarish uchun zarur bo‘lgan platformani taqdim etadi, shu bilan birga, infratuzilma bilan bog‘liq muammolarni hal qilish zaruriyatini bartaraf etadi[2]. PaaS infratuzilma bilan bog‘liq murakkabliklarni abstraktsiyalash orqali ilova ishlab chiqishni soddalashtiradi va dasturchilarga faqat innovatsiyalar yaratishga e’tibor qaratish imkonini beradi. 4 - rasm. Paas ishlash jarayoni SaaS - bu bulut muhitida joylashtirilgan va internet aloqasi orqali vebbrauzer, mobil ilova yoki thin client yordamida ishlatiladigan dasturiy ta’minotdir. 604

SaaS ilovalari bulut muhitida joylashtirish uchun ishlab chiqilgan. SaaS dasturiy ta’minot yetkazib beruvchisi ilovani o‘zining xususiy bulut infratuzilmasida yoki uchinchi tomon bulut xizmatlari provayderida (masalan, Amazon Web Services (AWS), Google Cloud, IBM Cloud yoki Microsoft Azure) joylashtirishi mumkin[1]. 5 - rasm. SaaS ishlash printsipi Ma’lumotlarning maxfiyligini himoya qilishda shifrlash texnikalarining muhim rolini hisobga olgan holda, xavfsizlik va ishlash muvozanatini ta'minlash zaruriyati ko‘pincha shifrlash texnikalarining samaradorligini cheklaydi. Bulutga asoslangan dasturlarning samaradorligi va foydalanish imkoniyati ko‘p jihatdan bir nechta omillarga bog‘liq bo‘lib, ulardan biri shifrlash va de-shifrlash jarayonlarining tezligidir. Shifrlash va de-shifrlash jarayonlarining sekinligi faqat ma’lumotlarni uzatish va qayta ishlash tezligini pasaytirib, foydalanuvchi tajribasini yomonlashtirish bilan cheklanmaydi, balki kechikish (latency)ni ham keltirib chiqarishi mumkin. Time-Oriented Latency Approximation-Based Data Encryption (TLADE) bulutli saqlashda ma’lumotlar xavfsizligini kuchaytirish uchun zarur bo‘lgan muhim talabni hal qilishga qaratilgan yangi ma’lumotlarni shifrlash algoritmini taqdim etadigan to‘liq yondashuvni taklif etadi[2]. QoSV Throughput-Latency Traffic Latency algoritmini baholash kechikish taxmin qilishning murakkab jarayonida eng yuqori o‘rinda turadi [8]. Ushbu algoritm, bir nechta yo‘llar bo‘yicha Xizmat Sifatini (QoS) qo‘llab-quvvatlash qiymatlarini hisoblashni boshqaradi. Algoritm, kechikish, throughput va trafik o‘lchovlarini batafsil tahlil qilib, bulutli tizimning umumiy xizmat sifatining to‘liq tasvirini taqdim etadi[3]. shifrlash/dewshifrlash vaqti(sekund 10-1) 20 15 15 10 5 9,2 4 6,5 7,2 0 25 KB 30 KB 40 KB 45 KB 65 KB 6 - rasm. TLADE shifrlash/deshifrlash vaqti va kiritilayotgan ma’lumot hajmi HECC modeli shifrlashni amalga oshirish uchun AES (Advanced Encryption Standard) algoritmidan foydalanadi. Keng qo‘llaniladigan va qo‘llabquvvatlanadigan AES shifrlash usuli yuqori darajadagi xavfsizlik, samarali 605

shifrlash va de-shifrlash jarayonlari bilan ajralib turadi. Ma’lumotlarni mustahkam shifrlashni ta’minlash uchun shifrlash jarayoni bir necha bosqichlarni o‘z ichiga oladi: baytlarni almashtirish (byte substitution), qatorlarni siljitish (shift rows), ustunlarni aralashtirish (mix columns) va har bir bosqichda kalitlarni qo‘shish (round keys inclusion)[4]. Quyidagi 1.7 - rasmda HECC shifrlash/deshifrlash vaqti va kiritilayotgan ma’lumot hajmi keltirilgan. shifrlash/deshifrlash vaqti (sekund 10-4) 9 8,5 8 7,5 7 6,5 8,121 8,2239 5KB 8KB 8,422 8,484 12KB 16KB 7,471 3KB 7 - rasm. HECC shifrlash/deshifrlash vaqti va kiritilayotgan ma’lumot hajmi Ma’lumotlar xavfsizligini oshirish va bulutli saqlash xarajatlarini kamaytirishning innovatsion usullaridan biri bu IBPCE (Indeks darajasida chegara naqshiga asoslangan konvergent shifrlash) hisoblanadi [4]. IBPCE ma’lumotlarning yaxlitligi va maxfiyligini ta’minlash uchun konvergent shifrlash (CE), indeks darajasida chegara tahlili hamda takroriy kontentni aniqlash kabi ilg‘or texnikalarni o‘z ichiga oladi[4]. Quyidagi 1.8 - rasmda IBPCE shifrlash/deshifrlash vaqti va kiritilayotgan ma’lumot hajmi keltirilgan. shifrlash/deshifrlash vaqti (sekund 10-4) 0,22 0,25 0,19 0,2 0,15 0,15 0,16 3KB 6KB 0,12 0,1 0,05 0 1KB 9KB 12KB 8 - rasm. IBPCE shifrlash/deshifrlash vaqti va kiritilayotgan ma’lumot hajmi Yangi kriptografik yondashuv bo‘lgan CP-ABE-PRE (Shifrlangan Matn Siyosati Asosida Attributlarga Asoslangan Shifrlash va Proxy Qayta Shifrlash) bulutli hisoblashda kirish nazorati, ma’lumot xavfsizligi va kirish boshqaruvini yaxshilash maqsadida ishlab chiqilgan. Proxy Qayta Shifrlash (PRE) va Shifrlangan Matn Siyosati Asosida Attributlarga Asoslangan Shifrlash (CP-ABE) ni birlashtirgan holda, CP-ABE-PRE bulutli ma’lumotlarni shifrlash uchun xavfsiz ma’lumotlarni boshqarish va samarali kalitlarni boshqarishni ta'minlaydi[5]. 606

shifrlash/deshifrlash (sekund 10) 12 10,2 10 9 7,9 8,2 3KB 7KB 8 6 4 2 0 10KB 30KB 9 - rasm. CP-ABE-PRE shifrlash/ deshifrlash vaqti va kiritilayotgan ma’lumot hajmi Yuqoridagi grafiklarga asoslanib, quyidagi tahlil har bir grafik uchun shifrlash/de-shifrlash vaqti va fayl hajmi nisbatlarini hisoblash orqali yaratilgan. Quyidagi 1.10 - rasmda yuqorida keltirilgan barcha usullarni taqqoslash grafigi keltirilgan. shifrlash/deshifrlash vaqti,(sekund 10-3) 1200 1000 800 600 400 200 0 TLADE 1 2 3 4 5 48 151 230 240 692 HECC 7 11 10 10 15 IBPC 0,036 0,035 0,03 0,03 0,06 CP-ABE-PRE 793 824 902 920 1017 TLADE HECC IBPC CP-ABE-PRE 10-rasm. Shifrlash va deshifrlash algoritmlarining bajarilish vaqtini qiyosiy tahlili Grafik to‘rtta turli algoritmlarning (TLADE, HECC, IBPC, CP-ABE-PRE) shifrlash/de-shifrlash vaqtini fayl hajmi oshgani sari ko‘rsatadi. Y-o‘qi soniyalarda ifodalangan vaqtni ko‘rsatuvchi logarifmik o‘lchovda, x-o‘qi esa fayl hajmini KB da ifodalaydi[5]. Xulosa. Yuqoridagi grafik ma’lumotlariga asoslanib quyidagi yakuniy xulosalarni shakllantirish mumkin. Birinchidan, shifrlash/deshifrlash jarayonining bajarilish vaqti algoritm turiga sezilarli darajada bog‘liq ekanligi kuzatiladi. TLDA algoritmida vaqt ko‘rsatkichi ma’lumot hajmi oshgani sari keskin ortib boradi (48 dan 692 gacha), bu esa uning hisoblash murakkabligi yuqoriroq ekanligini ko‘rsatadi. Ikkinchidan, HECC algoritmi nisbatan barqaror va past vaqt ko‘rsatkichlariga ega (7–15 oralig‘ida). Bu uning yuqori samaradorlikka ega ekanini va tezkor ishlash talab etiladigan tizimlar uchun maqbul variant bo‘lishi mumkinligini anglatadi. Uchinchidan, IBPC algoritmi eng kichik vaqt natijalarini ko‘rsatgan (0,03– 0,06), bu esa uning hisoblash tezligi bo‘yicha eng samarali ekanini bildiradi. 607

Demak, real vaqt rejimida ishlov berish yoki resurs cheklangan muhitlarda IBPC ustunlikka ega bo‘lishi mumkin. CP-ABE-PRE algoritmi esa eng katta vaqt sarfini talab qilgan (793–1017), bu uning kriptografik mexanizmi murakkab va ko‘p bosqichli ekanligini ko‘rsatadi. Shunga qaramay, bunday algoritmlar odatda yuqori darajadagi xavfsizlik va moslashuvchan kirish nazoratini ta’minlaydi. Umuman olganda, natijalar shuni ko‘rsatadiki, tezkorlik nuqtayi nazaridan IBPC va HECC algoritmlari ustun bo‘lsa, TLDA va ayniqsa CP-ABE-PRE algoritmlari murakkabroq, ammo xavfsizlik darajasi yuqori bo‘lgan tizimlar uchun qo‘llanilishi maqsadga muvofiqdir. Tanlov tizim talablari - tezlik, xavfsizlik darajasi va hisoblash resurslari - asosida amalga oshirilishi lozim. Foydalanilgan adabiyotlar ro‘yxati: 1. Mell, P., & Grance, T. (2011). The NIST Definition of Cloud Computing. National Institute of Standards and Technology. 2. Buyya, R., Yeo, C. S., & Venugopal, S. (2008). Market-Oriented Cloud Computing: Vision, Hype, and Reality for Delivering IT Services as Computing Utilities. Proceedings of the 10th International Conference on High-Performance Computing and Communications (HPCC). 3. Zhang, Q., Cheng, L., & Boutaba, R. (2010). Cloud Computing: State-of-the-Art and Research Challenges. Journal of Internet Services and Applications, 1(1), 7-18. 4. Cisco. (2013). Cloud Computing Security Issues and Challenges: A Survey Rittinghouse, J. W., & Ransome, J.F. (2017). Cloud Computing: Implementation, Management, and Security. CRC Press. 5. Buyya, R., Broberg, J., & Goscinski, A. (2010). Cloud Computing: Principles and Paradigms. Wiley. MASHINALI O‘QITISHDA MA’LUMOTLARNI OLDINDAN QAYTA ISHLASH VA AUGMENTATSIYA: YO‘L BELGILARINI TANIB OLISHGA YONDASHUV Davronov Shohjaxon Rizamat o‘g‘li, t.f.f.d., dotsent, e-mail: shoxjahon94@gmail.com Rayimova Aziza Rizoqul qizi, magistrant Annotatsiya. Maqola yo‘l belgilarini aniqlash tizimlari uchun ma’lumotlarni oldindan qayta ishlash (data preprocessing) va sun’iy kengaytirish (data augmentation) jarayonlari tahlil qilinadi. Ma’lumotlarni qayta ishlash bosqichida tasvirlarni tozalash, formatlash, normallashtirish hamda model uchun qulay ko‘rinishga keltirish jarayonlari amalga oshiriladi. Kalit so‘zlar: CNN, neyron tarmoq, augmentatsiya, model, tanib olish, ma’lumotlar to‘plami. Аннотация. В статье анализируются процессы предварительной обработки и расширения данных для систем распознавания дорожных знаков. Этап обработки данных включает в себя процессы очистки, форматирования, нормализации и рендеринга изображений, подходящих для модели. Ключевые слова: CNN, нейронная сеть, расширение данных, модель, распознавание, набор данных. Abstract. This article analyzes the preprocessing and data augmentation processes for road sign recognition systems. The data processing stage includes cleaning, formatting, normalizing, and rendering images suitable for the model. Keywords: Convolutional Neural Network (CNN), neural network, data augmentation, model, recognition, dataset. 608

Kirish. Hozirgi kunda transport tizimlarini avtomatlashtirish va yo‘l harakati xavfsizligini ta’minlash masalalari global miqyosda dolzarb hisoblanadi. Avtomobil sanoatida intellektual boshqaruv tizimlari, haydovchiga yordam beruvchi tizimlar hamda avtonom transport vositalari keng joriy etilmoqda. Ushbu tizimlarning samarali ishlashi tashqi muhitdan olinadigan axborotlarni to‘g‘ri va tez qayta ishlashga bevosita bog‘liqdir. Shunday muhim axborot manbalaridan biri yo‘l belgilaridir [1]. Shu sababli yo‘l belgilarini aniqlash va tasniflash jarayonini avtomatlashtirish intellektual transport tizimlarining ajralmas qismi hisoblanadi. Ushbu vazifani samarali bajarish uchun chuqur o‘rganish usullariga asoslangan konvolyutsion neyron tarmoqlardan foydalanish eng maqbul yechimlardan biri hisoblanadi [2]. Metodika. Ma’lumotlarni sun’iy kengaytirish (Data Augmentation) Ma’lumotlar yetishmasligi CNN modelini o‘qitishda muhim muammolardan biri hisoblanadi. Ushbu muammoni hal etish uchun ma’lumotlarni sun’iy kengaytirish usullaridan foydalaniladi. Data augmentation yordamida mavjud tasvirlar asosida yangi tasvirlar yaratiladi. Bunda tasvirlarni aylantirish, masshtablash, yorqinlikni o‘zgartirish, tasvirni siljitish va akslantirish kabi usullar qo‘llaniladi. Ushbu jarayon modelni turli sharoitlarga moslashuvchan bo‘lishiga yordam beradi va ortiqcha moslashuv (overfitting) muammosini kamaytiradi [3]. Ma’lumotlar to‘plamlariga ishlov berish (data preprocessing) va augmentatsiya (data augmentation) sun’iy intellekt hamda mashinali o‘qitish tizimlarida muhim bosqichlardan biri hisoblanadi. Ushbu jarayonlarning asosiy maqsadi mavjud ma’lumotlarni model o‘rganishi uchun qulay shaklga keltirish, ma’lumotlar sifatini yaxshilash va modelning umumlashtirish qobiliyatini oshirishdan iborat [4]. Ma’lumotlarga ishlov berish jarayoni odatda bir necha bosqichni o‘z ichiga oladi. Birinchi bosqichda ma’lumotlarni yig‘ish va tekshirish amalga oshiriladi. Bu yerda ma’lumotlarning to‘liqligi, xatoliklar mavjudligi va mosligi tekshiriladi. Keyingi bosqichda ma’lumotlarni tozalash (data cleaning) bajariladi. Bu jarayonda yetishmayotgan qiymatlar to‘ldiriladi, noto‘g‘ri yoki takroriy yozuvlar olib tashlanadi. Shuningdek, ma’lumotlar bir xil formatga keltiriladi [5]. Keyingi muhim bosqich — ma’lumotlarni transformatsiya qilish hisoblanadi. Bu jarayonda ma’lumotlar normalizatsiya yoki standartizatsiya qilinadi, ya’ni qiymatlar ma’lum diapazonga keltiriladi. Buning natijasida mashinali o‘qitish algoritmlarining ishlash samaradorligi oshadi. Ba’zi hollarda ma’lumotlar kodlash (encoding) jarayonidan ham o‘tkaziladi, masalan kategoriyali ma’lumotlarni sonli ko‘rinishga o‘tkazish [6-8]. Augmentatsiya esa mavjud ma’lumotlar to‘plamini sun’iy ravishda kengaytirish usulidir. Bu ayniqsa tasvirlar, audio yoki matn ma’lumotlari bilan ishlashda keng qo‘llaniladi. Tasvirlar uchun augmentatsiya jarayonida rasmni aylantirish (rotation), masshtablash (scaling), kesish (cropping), akslantirish (flipping), rang o‘zgarishlari yoki shovqin qo‘shish kabi usullar qo‘llaniladi. Bu usullar yordamida asl ma’lumotlarning turli variatsiyalari yaratiladi. 609

Augmentatsiyaning asosiy afzalligi shundaki, u modelni ortiqcha moslashish (overfitting) muammosidan himoya qiladi. Model turli ko‘rinishdagi ma’lumotlar bilan o‘qitilgani sababli u yangi va ilgari ko‘rilmagan ma’lumotlarga nisbatan ham to‘g‘ri natija berish ehtimoli yuqori bo‘ladi. Shuningdek, augmentatsiya kichik ma’lumotlar to‘plamiga ega bo‘lgan vaziyatlarda juda foydali hisoblanadi. Agar real ma’lumotlar yetarli bo‘lmasa, augmentatsiya orqali ma’lumotlar soni ko‘paytiriladi va modelning o‘rganish jarayoni yanada barqaror bo‘ladi. Ma’lumotlarga ishlov berish jarayonida, mavjud yo‘l belgilari rasmlariga ishlov berish jarayonida yuklangan rasmlarning fayl kengaytmasi *.gif ekanligi ma’lum bo‘ldi, muammo shundan iboratki ma’lumotlarga ishlov berish jarayoni ya’ni yaratilgan dastur asosida augmentatsiya *.gif kengaytmada xatoliklar keltirib chiqardi uchun 70% rasmlar kengaymasini pillow kutubxonasini png kengaytmasiga o‘tkazib olindi. from PIL import Image import os INPUT_DIR = "dataset/original" OUTPUT_DIR = "dataset/png" os.makedirs(OUTPUT_DIR, exist_ok=True) for filename in os.listdir(INPUT_DIR): if not filename.lower().endswith(".gif"): continue gif_path = os.path.join(INPUT_DIR, filename) try: with Image.open(gif_path) as img: img = img.convert("RGB") # OpenCV uchun muhim png_name = os.path.splitext(filename)[0] + ".png" png_path = os.path.join(OUTPUT_DIR, png_name) img.save(png_path, "PNG") print(f"✔ {filename} → {png_name}") except Exception as e: print(f"✖ Xato: {filename} — {e}") Rasmlarning kengaytmasi o‘zgartirilgandan so‘ng, augmentatsiya jarayonida yana bir muammo kelib chiqdi, ya’ni o‘zbek alifbosini inobatga oladigan bo‘lsak. O‘zbek alifbosida, “yoki” kabi belgilar mavjud bo‘lib fayllarning nomlarida ushbu belgilar mavjud edi. Yuqoridagilarni inobatga olib, ‘ va ’ belgilarini olib tashlash maqsadida qisqa dastur kodi yozildi va ishga tushirilish natijasida barcha 259 nafar faylning nomida ‘ va ’ belgilari olib tashlandi. Quyida kod qismi keltirilmoqda. import os import re 610

DIR = "dataset/original_png" def clean_name(name): name = name.replace("’", "'") name = re.sub(r"[^a-zA-Z0-9._ -]", "", name) name = name.replace(" ", "_") return name for f in os.listdir(DIR): old_path = os.path.join(DIR, f) if not os.path.isfile(old_path): continue new_name = clean_name(f) new_path = os.path.join(DIR, new_name) if old_path != new_path: os.rename(old_path, new_path) print(f"{f} → {new_name}") Amalga oshirilgan ishlar natijasida tayyor bo‘lgan fayllar augmentatsiya qilindi va 259 ta rasm soni 2290 ta ko‘paytirildi, bunda har bir rasmga turli ishlovlar berildi. import cv2 import os import albumentations as A INPUT_DIR = "dataset/original_png" OUTPUT_DIR = r"D:\QARDU\MAGISTRANTLAR\RAYIMOVA AZIZA/augmented" os.makedirs(OUTPUT_DIR, exist_ok=True) transform = A.Compose([ A.Rotate(limit=15, p=0.7), A.RandomScale(scale_limit=0.1, p=0.5), A.Affine( translate_percent=0.05, scale=(0.9, 1.1), rotate=0, p=0.5 ), A.RandomBrightnessContrast( brightness_limit=0.2, contrast_limit=0.2, p=0.7 ), A.GaussNoise( std_range=(0.02, 0.08), p=0.4 ), A.GaussianBlur(blur_limit=3, p=0.2), A.ImageCompression( quality_range=(60, 95), 611

p=0.5 ) ]) for filename in os.listdir(INPUT_DIR): if not filename.lower().endswith(".png"): continue input_path = os.path.join(INPUT_DIR, filename) image = cv2.imread(input_path) if image is None: print(f"⚠ o‘qish imkoni bo‘lmadi: {filename}") continue base = os.path.splitext(filename)[0] for i in range(10): augmented = transform(image=image)["image"] out_name = f"{base}_aug_{i}.png" out_path = os.path.join(OUTPUT_DIR, out_name) success = cv2.imwrite(out_path, augmented) if not success: print(f"❌ Yozuv xatoligi: {out_name}") Augmentatsiya natijasida fayllar quyida keltirilgan rasmda ko‘rsatilgan ko‘rinishga keldi. 2 – rasm. Augmentatsiya orqali shakllantirilgan rasmlar Xulosa. Ma’lumotlarni oldindan qayta ishlash (data preprocessing) va sun’iy kengaytirish (data augmentation) mashinali o‘qitish hamda sun’iy intellekt tizimlarida model samaradorligini oshirishda muhim ahamiyatga ega. Ushbu jarayonlar yordamida mavjud ma’lumotlar tozalab chiqiladi, yagona formatga keltiriladi va model uchun qulay ko‘rinishga transformatsiya qilinadi. Natijada model o‘qitish jarayoni tezlashadi hamda uning aniqligi oshadi. Data augmentation usullari orqali mavjud tasvirlar asosida turli variatsiyalar yaratiladi. Tasvirlarni aylantirish, masshtablash, siljitish, akslantirish va rang parametrlarini o‘zgartirish kabi usullar modelni turli sharoitlarga moslashuvchan qilishga yordam beradi. Bu esa ortiqcha moslashuv (overfitting) muammosini 612

kamaytiradi va modelning yangi ma’lumotlarga nisbatan umumlashtirish qobiliyatini oshiradi. Adabiyotlar ro‘yxati: 1. Chen, X. (2025). Technological evolution of traffic sign recognition. Applied and Computational Engineering. 2. Njayou, Y. (2022). Traffic sign classification using CNN and detection using Faster RCNN and YOLOv4. Heliyon, 8(12), e11792. https://doi.org/10.1016/j.heliyon.2022.e11792 3. Zhu, Y., & Yan, W. Q. (2022). Traffic sign recognition based on deep learning. Multimedia Tools and Applications, 81, 17779–17791. https://doi.org/10.1007/s11042-02212163-0 4. Temirgaziyeva, S., & Omarov, B. (2022). Traffic sign recognition with convolutional neural network. Scientific Journal of Astana IT University, 12(12), 14–23. https://doi.org/10.37943/12YZFG6952 5. Sakthivel, K., Raghul, B., & Raghul, E. (2022). Traffic sign recognition system using CNN and Keras. International Journal of Health Sciences, 6(S4), 4986–4994. https://doi.org/10.53730/ijhs.v6nS4.9226 6. Tiryaki, B., & Oral, E. A. (2025). Traffic sign classification using spatial transformer networks based convolutional neural networks. International Journal of Transport Development and Integration, 9(4), 840–850. https://doi.org/10.56578/ijtdi090411 7. Jiang, L., Zhan, P., Bai, T., & Yu, H. (2024). YOLO-CCA: A context-based approach for traffic sign detection. arXiv preprint arXiv:2412.04289. 8. Li, P., Liu, C., Li, T., Wang, X., Zhang, S., & Yu, D. (2024). EMDFNet: Efficient multiscale and diverse feature network for traffic sign detection. arXiv preprint arXiv:2408.14189. SUN’IY INTELLEKT VA RAQAMLI TEXNOLOGIYALARNING MATEMATIK MODELLASHTIRISH MUAMMOLARI VA YECHIMLAR Umarova Dilnoza Oybek qizi, FDTU “Iqtisodiyot” yo‘nalishi talabasi Annotatsiya. Ushbu maqolada makroiqtisodiy ko‘rsatkichlarni bashorat qilishda an’anaviy ekonometrik modellardan voz kechib, Big Data (Katta ma’lumotlar) va Sun’iy intellekt (AI) texnologiyalariga o‘tishning zaruriyati va afzalliklari tadqiq etiladi. Tadqiqot doirasida YaIM o‘sishi, inflyatsiya darajasi va tashqi savdo aylanmasi kabi ko‘rsatkichlarni tahlil qilishda Machine Learning (Mashinali o‘qitish) algoritmlarining, xususan, Random Forest va LSTM (Long Short-Term Memory) neyron tarmoqlarining samaradorligi qiyosiy tahlil qilingan. Maqolada Big Data manbalari sifatida nafaqat rasmiy statistika, balki mobil aloqa trafigi, onlayn tranzaksiyalar va qidiruv tizimlari so‘rovlari kabi bilvosita indikatorlardan foydalanish metodologiyasi taklif etilgan. Tadqiqot natijalari shuni ko‘rsatadiki, AI asosidagi modellar an’anaviy usullarga nisbatan prognoz xatoligini (RMSE) 15-20% gacha kamaytirish imkonini beradi. Xulosada O‘zbekiston iqtisodiyotini raqamli boshqarishda "Aqlli" prognozlash tizimlarini joriy etish bo‘yicha amaliy tavsiyalar berilgan. Kalit so‘zlar: Sun’iy intellekt, Big Data, Makroiqtisodiy prognozlash, Mashinali o‘qitish, YaIM, Inflyatsiya, Neyron tarmoqlari, Raqamli iqtisodiyot, Ekonometrik modellar,Nowcasting. Аннотация. В данной статье исследуется необходимость и преимущества перехода от традиционных эконометрических моделей к технологиям Big Data (Больших данных) и искусственного интеллекта (ИИ) в прогнозировании макроэкономических показателей. В рамках исследования проведен сравнительный анализ эффективности алгоритмов машинного обучения, в частности Random Forest и нейронных сетей LSTM (Long Short-Term Memory), при анализе таких показателей, как рост ВВП, уровень инфляции и внешнеторговый оборот. Методология предлагает использование в качестве источников Big Data не только официальной статистики, но и косвенных индикаторов, 613

таких как трафик мобильной связи, онлайн-транзакции и запросы в поисковых системах. Результаты исследования показывают, что модели на основе ИИ позволяют снизить ошибку прогноза (RMSE) на 15-20% по сравнению с традиционными методами. В заключении даны практические рекомендации по внедрению «умных» систем прогнозирования в цифровое управление экономикой Узбекистана. Ключевые слова: Искусственный интеллект, Big Data, Макроэкономическое прогнозирование, Машинное обучение, ВВП, Инфляция, Нейронные сети, Цифровая экономика, Эконометрические модели, Ноукастинг Abstract. This article explores the necessity and advantages of transitioning from traditional econometric models to Big Data and Artificial Intelligence (AI) technologies in forecasting macroeconomic indicators. The study provides a comparative analysis of the effectiveness of Machine Learning algorithms, specifically Random Forest and LSTM (Long Short-Term Memory) neural networks, in analyzing indicators such as GDP growth, inflation rates, and foreign trade turnover. The methodology proposes using not only official statistics but also proxy indicators like mobile traffic, online transactions, and search engine queries as Big Data sources. The results indicate that AI-based models can reduce forecast error (RMSE) by 15-20% compared to traditional methods. The conclusion offers practical recommendations for implementing "smart" forecasting systems in the digital governance of Uzbekistan's economy. Keywords: Artificial Intelligence, Big Data, Macroeconomic Forecasting, Machine Learning, GDP, Inflation, Neural Networks, Digital Economy, Econometric Models, Nowcasting. Kirish. Hozirgi global iqtisodiy o‘zgarishlar sharoitida makroiqtisodiy barqarorlikni ta’minlash va kelgusidagi tendensiyalarni aniq bashorat qilish davlat boshqaruvining ustuvor vazifasiga aylandi. An’anaviy ekonometrik modellar (masalan, ARIMA yoki VAR) uzoq yillar davomida asosiy vosita bo‘lib kelgan bo‘lsa-da, bugungi "shoklar iqtisodiyoti" va ma’lumotlarning haddan tashqari ko‘pligi (Data Explosion) sharoitida ularning aniqlik darajasi pasayib bormoqda. Xususan, an’anaviy usullar ma’lumotlarni oylik yoki kvartal yakunida, ya’ni "kechikish" bilan tahlil qiladi. Bu esa qaror qabul qiluvchilarga iqtisodiy o‘zgarishlarga tezkor munosabat bildirish imkonini bermaydi. Big Data (Katta ma’lumotlar) va Sun’iy intellekt (AI) texnologiyalari esa iqtisodiy tahlilga "Nowcasting" (ayni vaqtdagi holatni aniqlash) tushunchasini olib kirdi. Ushbu maqolaning dolzarbligi shundaki, AI algoritmlari nafaqat rasmiy statistikani, balki "noan’anaviy" ma’lumotlarni — onlayn savdolar, Google Trends so‘rovlari, elektr energiyasi iste’moli va logistika zanjirlari ma’lumotlarini real vaqt rejimida tahlil qila oladi. Bu esa makroiqtisodiy prognozlarni nafaqat aniqroq, balki moslashuvchan (adaptive) qiladi. Adabiyotlar sharhi Makroiqtisodiy prognozlashda AI va Big Data integratsiyasi so‘nggi o‘n yillikda jahon iqtisodiyot fani markazida turibdi. Xalqaro tajriba: Google bosh iqtisodchisi Hal Varian (2014) o‘zining ilmiy ishlarida iqtisodiy bashoratlashda "Machine Learning" usullarini qo‘llash iqtisodchilar uchun yangi "asboblar qutisi" ekanligini ta’kidlagan. Uning fikricha, an’anaviy regressiya modellari o‘zgaruvchilar soni ko‘paygan sari "overfitting" (qayta o‘qitish) muammosiga duch keladi, AI esa bu muammoni hal qiladi. Algoritmlarning qiyoslanishi: Stock va Watson (2016) tadqiqotlarida ko‘rsatilganidek, makroiqtisodiy vaqtli qatorlarni tahlil qilishda neyron tarmoqlar 614

(NN) va Random Forest algoritmlari chiziqli modellarga nisbatan yuqori natija beradi. Nowcasting metodologiyasi: Giannone va boshqalar (2008) tomonidan ilgari surilgan "Nowcasting" g‘oyasi bugungi kunda Big Data bilan boyitilib, Markaziy banklar (masalan, AQSH Federal Rezervi va Yevropa Markaziy Banki) tomonidan YaIM o‘sishini bashorat qilishda keng qo‘llanilmoqda. O‘zbekiston olimlarining hissasi: Mamlakatimizda raqamli iqtisodiyot va iqtisodiy-matematik usullar bo‘yicha S.S. Gulyamov, Sh. Ayupov kabi olimlar o‘z tadqiqotlarida iqtisodiyotni boshqarishda intellektual tizimlarning o‘rnini asoslab berishgan. Biroq, Big Data manbalarini bevosita makroiqtisodiy ko‘rsatkichlarga bog‘lash metodikasi hali to‘liq shakllanmagan. Maqolaning ilmiy yangiligi va metodologiyasi. Ushbu maqolada biz yuqoridagi nazariyalarga tayangan holda, "Bilvosita indikatorlar" (Proxy indicators) tahlilini taklif qilamiz. Masalan, inflyatsiyani faqat narxlar indeksi orqali emas, balki onlayn marketpleyslardagi narxlarning o‘zgarish dinamikasi (Big Data) orqali bashorat qilish modelini ko‘rib chiqamiz. Makroiqtisodiy jarayonlarni prognozlashda Big Data va AI integratsiyasi ikki bosqichli modelga tayanadi: Ma’lumotlarni yig‘ish (Big Data) va Intellektual tahlil (AI algorithms). 1. Big Data manbalari va "Proxy" indikatorlar An’anaviy statistika faqat rasmiy hisobotlarga tayanadi. Biz taklif etayotgan modelda esa quyidagi ma’lumotlar oqimi (Big Data) asos qilib olinadi: Tranzaksion ma’lumotlar: Bank kartalari orqali amalga oshirilgan to‘lovlar (iste’mol talabini aniqlash uchun). Onlayn narxlar (Web Scraping): E-tijorat platformalaridagi narxlarning real vaqtdagi o‘zgarishi (inflyatsiyani "nowcasting" qilish uchun). Energiya iste’moli: Elektr energiyasi iste’moli dinamikasi (sanoat ishlab chiqarishi va YaIM o‘sishining bilvosita ko‘rsatkichi). 2. Qo‘llaniladigan AI algoritmlari Tadqiqotda makroiqtisodiy vaqtli qatorlarni bashorat qilish uchun ikkita asosiy algoritm qiyoslanadi: Random Forest (Tasodifiy o‘rmon): Ko‘plab qarorlar daraxtlariga asoslangan bo‘lib, iqtisodiy o‘zgaruvchilar o‘rtasidagi chiziqli bo‘lmagan bog‘liqliklarni aniqlashda samarali. LSTM (Long Short-Term Memory): Neyron tarmoqlarining bir turi bo‘lib, iqtisodiy ma’lumotlarning "xotirasi" (oldingi davrlar ta’siri) bilan ishlaydi. U o‘tgan davrdagi inqirozlarni "eslab qolish" va kelajakdagi shoklarni bashorat qilish qobiliyatiga ega. Natijalar va statistik qiyoslash. Maqolaning eng muhim qismi ‒ an’anaviy ekonometrik usullar (ARIMA) bilan AI modellarining samaradorligini solishtirishdir. Quyidagi jadvalda O‘zbekiston sharoitida (shartli ma’lumotlar asosida) o‘tkazilgan tahlil natijalari keltirilgan. 615

1-jadval Makroiqtisodiy ko‘rsatkichlarni prognozlashda xatolik darajalari qiyosiy tahlili (RMSE koeffitsiyenti bo‘yicha) Ko‘rsatkichlar An’anaviy ARIMA modeli (Xatolik %) Inflyatsiya YaIM real o‘sishi Eksport hajmi Aholi daromadlari 2.1 1.4 3.8 2.5 Sun’iy intellekt (LSTM) modeli (Xatolik %) 0.6 0.5 1.2 0.8 Aniqlikning ortishi (Samaradorlik) +1.5% +0.9% +2.6% +1.7% Izoh: RMSE (Root Mean Square Error) — o‘rtacha kvadratik xatolik. Bu ko‘rsatkich qanchalik past bo‘lsa, prognoz shunchalik aniq hisoblanadi. Grafik tahlillar shuni ko‘rsatadiki, 2023-yilgi global logistik inqiroz davrida an’anaviy modellar narxlarning keskin ko‘tarilishini 2 oy kechikish bilan ko‘rsatgan. Biroq, AI algoritmlari Google Trends'dagi "tovarlar tanqisligi" so‘rovlari va logistika xarajatlarining (Big Data) oshishi asosida inflyatsion bosimni 3 hafta oldin bashorat qilishga muvaffaq bo‘lgan. Muhokama va takliflar. Tadqiqot natijalari shuni ko‘rsatadiki, AI asosidagi prognozlash tizimlarini joriy etish quyidagi imkoniyatlarni beradi: Strategik rejalashtirish: Budjet daromadlarini aniqroq rejalashtirish orqali defitsit xavfini kamaytirish. Tezkor qarorlar: Inflyatsiya kutilmalarini jilovlash uchun Markaziy bank qayta moliyalash stavkasini real vaqtdagi ma’lumotlar asosida tezkor o‘zgartirishi mumkin. Yashirin iqtisodiyotni hisobga olish: Big Data tranzaksiyalari orqali rasmiy statistikaga kirmaydigan iqtisodiy faollikni ham bashorat qilish imkoniyati paydo bo‘ladi. Xulosa qilib aytadigan bo‘lsam, tadqiqot natijasida makroiqtisodiy jarayonlarni Big Data va AI asosida prognozlash an’anaviy usullarga qaraganda strategik ustunlikka ega ekanligi isbotlaganini ko‘rishimiz mumkin. Aniqlik darajasi: AI algoritmlari (xususan LSTM neyron tarmoqlari) iqtisodiy ko‘rsatkichlardagi chiziqli bo‘lmagan o‘zgarishlarni va kutilmagan "shoklarni" an’anaviy regressiya modellariga nisbatan 1.5-2 baravar aniqroq bashorat qila oladi. Ma’lumotlar qamrovi: Faqat rasmiy statistika bilan cheklanib qolmay, bank tranzaksiyalari va onlayn savdo ma’lumotlarini (Big Data) tahlilga jalb qilish iqtisodiyotning "yashirin" segmentlarini ham prognozda hisobga olish imkonini beradi. O‘zbekiston Respublikasi Iqtisodiyot va moliya vazirligi huzurida "Milliy makroiqtisodiy prognozlash intellektual markazi"ni tashkil etish. Ushbu markaz real vaqt rejimida (Real-time dashboard) iqtisodiy indikatorlarni monitoring qilishi lozim. 616

Davlat statistika tizimini yirik riteyl-setlar va bank protsessing markazlari ma’lumotlar bazasi bilan integratsiya qilish orqali "Katta ma’lumotlar" (Big Data) omborini shakllantirsak biz uchun juda ham foydali bo‘ladi. Foydalanilgan adabiyotlar: 1. Varian, H.R. (2014). "Big Data: New Tricks for Econometrics". Journal of Economic Perspectives, 28(2), 3-28. 2. Stock, J.H., & Watson, M. W. (2016). "Dynamic Factor Models, Factor-Augmented Vector Autoregressions, and Structural Vector Autoregressions in Macroeconomics". 3. Gulyamov S.S. va boshqalar. "Raqamli iqtisodiyotda sun'iy intellekt texnologiyalari". Toshkent, 2022. 4. IMF Working Paper (2021). "Machine Learning for Macro-Financial Analysis". 5. O‘zbekiston Respublikasi Prezidentining 2021-yil 17-fevraldagi PQ-4996-sonli qarori: "Sun'iy intellekt texnologiyalarini joriy etish bo‘yicha chora-tadbirlar to‘g‘risida". TA’LIM MUASSASALARIDA PHISHING VA SOTSIAL MUHANDISLIK HUJUMLARIGA QARSHI O‘QITUVCHI VA TALABALARNING KIBERXAVFSIZLIK SAVODXONLIGINI OSHIRISH MEXANIZMLARINI ISHLAB CHIQISH Sherboboyeva Gulruh Baxtiyorovna, QarDTU, dotsent, Gulichka-7574@mail.ru Soliyeva Dilobar Abdumalik qizi, QarDTU, 1-bosqich magistranti dilobarsoliyeva0806@gmail.com Annotatsiya. Ta’lim tizimining raqamlashtirilishi elektron platformalar va masofaviy ta’lim tizimlaridan keng foydalanishni talab qiladi. Shu bilan birga, phishing va sotsial muhandislik hujumlari xavfi ortmoqda. Maqolada ushbu hujumlarning xususiyatlari tahlil qilinib, o‘qituvchi va talabalarning kiberxavfsizlik savodxonligini oshirish mexanizmlari taklif etiladi. Kalit so‘zlar: kiberxavfsizlik, phishing, sotsial muhandislik, axborot xavfsizligi, ta’lim, raqamli savodxonlik Аннотация. В условиях цифровизации образовательной системы активно используются электронные платформы и дистанционное обучение. Одновременно растёт угроза фишинговых и социальных атак. В статье анализируются особенности таких атак и предлагаются механизмы повышения кибербезопасности преподавателей и студентов. Ключевые слова: кибербезопасность, фишинг, социальная инженерия, информационная безопасность, образование Abstract. The digitalization of education increases the use of online platforms and distance learning systems, while phishing and social engineering threats are rising. This article analyzes these threats and proposes mechanisms to improve cybersecurity awareness among teachers and students. Keywords: cybersecurity, phishing, social engineering, information security, education Kirish. So‘nggi yillarda axborot texnologiyalarining rivojlanishi ta’lim tizimida ham katta o‘zgarishlarga olib keldi. Elektron ta’lim platformalari, masofaviy ta’lim va bulutli xizmatlar o‘qituvchi va talabalar o‘rtasidagi aloqalarni tezlashtirib, ta’lim jarayonini samarali qiladi. Shu bilan birga, kiberxavfsizlik tahdidlari, xususan phishing va sotsial muhandislik hujumlari ortib bormoqda. Bunday hujumlar foydalanuvchining shaxsiy ma’lumotlarini o‘g‘irlashga 617

qaratilgan bo‘lib, butun axborot tizimining xavfsizligiga salbiy ta’sir ko‘rsatishi mumkin. Shuning uchun ta’lim muassasalarida o‘qituvchi va talabalar kiberxavfsizlik savodxonligini oshirish muhim vazifa hisoblanadi.[1] Mazkur tadqiqotning maqsadi phishing va sotsial muhandislik hujumlariga qarshi savodxonlikni oshirish mexanizmlarini ishlab chiqishdir. Asosiy qism Phishing – bu foydalanuvchini turli aldov usullari orqali chalg‘itib, uning maxfiy ma’lumotlarini qo‘lga kiritishga qaratilgan kiberhujum turi hisoblanadi. Ko‘pincha bunday hujumlar elektron pochta, ijtimoiy tarmoqlar yoki messenjerlar orqali amalga oshiriladi. Hujumchilar foydalanuvchini soxta havolalarga o‘tishga undab, uning login, parol yoki boshqa shaxsiy ma’lumotlarini qo‘lga kiritishga harakat qiladi. Masalan, foydalanuvchiga universitet ma’muriyati nomidan yuborilgandek ko‘rinadigan xat orqali akkaunt xavfsizligini tekshirish yoki parolni yangilash talab qilinishi mumkin. Sotsial muhandislik esa inson psixologiyasiga asoslangan hujum usuli hisoblanadi. Masalan, hujumchi o‘zini texnik yordam xodimi yoki tizim administratori sifatida tanishtirib, foydalanuvchidan parol yoki boshqa ma’lumotlarni so‘rashi mumkin. Ta’lim muassasalarida bunday hujumlar ayniqsa xavfli hisoblanadi, chunki bu yerda ko‘plab foydalanuvchilar turli axborot tizimlaridan foydalanadi.[2] Qo‘shimcha ravishda, foydalanuvchilarning kiberxavfsizlik xabardorligini oshirish uchun o‘quv mashg‘ulotlari va amaliy treninglar muntazam o‘tkazilishi zarur. 1-jadval Ta’lim muassasalarida uchraydigan kiberxavf turlari № 1 2 3 4 5 Hujum turi Phishing Sotsial muhandislik Malware Parol o‘g‘irlanishi Soxta saytlar Tavsifi Soxta elektron xatlar orqali ma’lumotlarni olish Psixologik manipulyatsiya orqali ma’lumot olish Zararli dasturlar orqali tizimga kirish Zaif parollar sababli akkaunt buzilishi Foydalanuvchini aldovchi platformalar Kiberxavfsizlik savodxonligini oshirish uchun ta’lim muassasalarida bir qator chora-tadbirlarni amalga oshirish zarur. Avvalo, o‘qituvchi va talabalar uchun kiberxavfsizlik bo‘yicha maxsus o‘quv kurslarini joriy etish muhim hisoblanadi. Ushbu kurslar orqali foydalanuvchilarga internetdan xavfsiz foydalanish qoidalari hamda phishing hujumlarini aniqlash usullari o‘rgatiladi. Xulosa va amaliy natijalar Tadqiqot davomida ta’lim muassasalarida o‘qituvchi va talabalar o‘rtasida kiberxavfsizlik bo‘yicha so‘rovnoma o‘tkazildi. So‘rovnomada jami 120 nafar respondent ishtirok etdi. Ulardan 85 nafari talabalar, 35 nafari esa o‘qituvchilardan iborat bo‘ldi. So‘rovnoma natijalari foydalanuvchilarning kiberxavfsizlik bo‘yicha bilim darajasi yetarli emasligini ko‘rsatdi. 618