Management and Future Technologies | Volume 2, Issue 1 | № 005

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 o SIEM (Security Information and Event Management): Tarmoqda yuzaga keladigan xavfsizlik hodisalarini yig‘ish, tahlil qilish va boshqarish tizimi. SIEM bu axborot xavfsizligi tizimlarida tahdidlarni aniqlash, tekshirish va ularga javob berish uchun ishlatiladigan dasturiy ta’minot yechimidir. 4. Tarmoqni bo‘lib tashlash (Network Segmentation): o VLAN (Virtual Local Area Network): Tarmoqni izolyatsiya qilish va turli xatarlar uchun xavfsizlikni oshirish uchun ishlatiladi. Bu, ayniqsa, katta tashkilotlarda tarmoqni boshqarishda qo‘llaniladi. VLAN bu tarmoq qurilmalarini jismoniy joylashuviga bog‘liq bo‘lmagan holda mantiqiy guruhlarga ajratish imkonini beruvchi texnologiya. o Firewall: Tarmoqda tarmoqni himoya qilish uchun ishlatiladigan algoritmlar va texnologiyalar, ular paketlarni filtrlaydi va tarmoqda o‘tishni nazorat qiladi. Firewall bu tarmoq xavfsizligini ta’minlash uchun ishlatiladigan filtrlash mexanizmi bo‘lib, kiruvchi va chiquvchi trafikni nazorat qiladi. 5. DLP (Data Loss Prevention) Algoritmlari: Content Inspection: Tarmoq orqali o‘tayotgan ma’lumotlarni tahlil qilish va maxfiy ma’lumotlarni yo‘qotishning oldini olish uchun ishlatiladigan algoritmlar. o Policy-based DLP: Maxfiy ma’lumotlarga kirish huquqlarini boshqarish va xususiy ma’lumotlarning yo‘qolishining oldini olish. o 6. TLS/SSL (Transport Layer Security/Secure Sockets Layer): SSL/TLS: Internetda xavfsiz ma’lumot uzatishni ta’minlashda qo‘llaniladigan protokollar, ular transport qatlamida ma’lumotlarni shifrlashni ta’minlaydi. SSL (Secure Sockets Layer) va TLS (Transport Layer Security) - bu internet orqali xavfsiz ma’lumot almashinuvini ta’minlaydigan kriptografik protokollar. SSL - 1990-yillarda ishlab chiqilgan va eski versiyalari (SSL 2.0 va SSL 3.0) bugungi kunda eskirgan deb hisoblanadi. TLS - SSL’ning yangilangan va xavfsizroq versiyasidir. Hozirda TLS 1.2 va TLS 1.3 keng qo‘llaniladi. TLS - bu SSL’ning rivojlangan va xavfsiz versiyasi bo‘lib, u internetda shifrlangan va xavfsiz ma’lumot almashinuvini ta’minlaydi. 7. Hashing algoritmlari: o SHA (Secure Hash Algorithm): Ma’lumotlar yaxlitligini ta’minlash uchun ishlatiladi, ayniqsa, parol saqlash va autentifikatsiya jarayonlarida qo‘llaniladi. SHA bu ma’lumotlarni kriptografik xesh qilish uchun ishlatiladigan xavfsiz algoritmlar oilasi bo‘lib, u ma’lumotlardan o‘ziga xos xesh (hash) qiymatini yaratadi. 221

Volume 2, Issue 1 8. 222 March 2025 Management and Future Technologies journal.umft.uz Xavfsizlikni tekshirish va ruxsatnoma boshqaruvi: RBAC (Role-Based Access Control): Tarmoqdagi foydalanuvchilarga ma’lum huquqlarni berish uchun ishlatiladi. Bu tizim foydalanuvchilarni ro‘yxatga olish va xavfsizlikni boshqarishda yordam beradi. o Axborot xavfsizligini ta’minlashda mazmunni tekshirish algoritmlari Data Loss Prevention - bu korxonalar va tashkilotlarda ma’lumotlarning yo‘qolishi, o‘g‘irlanishi yoki ruxsatsiz foydalanilishini oldini olish uchun qo‘llaniladigan texnologiyalar, jarayonlar va siyosatlar majmuasi. DLP tizimlari tashkilotning maxfiy ma’lumotlarini, intellektual mulklarini va shaxsiy ma’lumotlarini himoya qilishga qaratilgan. Data Loss Prevention ya’ni yo‘qotishlarning oldini olish algoritmlarini shartli ravishda quyidagi ikki guruhga ajratish mumkin: - Policy-based DLP: Maxfiy ma’lumotlarga kirish huquqlarini boshqarish va xususiy ma’lumotlarning yo‘qolishining oldini olish. Policy-based DLP (Siyosatga asoslangan DLP) - bu tashkilotda ma’lumotlarni himoya qilish siyosatlariga asoslangan DLP tizimidir. Ushbu yondashuvda xavfsizlik siyosatlari va qoidalar tashkilotning maxfiy ma’lumotlarini qanday boshqarish, kimga ruxsat berish va ma’lumotlarni qaysi sharoitlarda uzatish mumkinligini belgilaydi. - Content Inspection: Tarmoq orqali o‘tayotgan ma’lumotlarni tahlil qilish va maxfiy ma’lumotlarni yo‘qotishning oldini olish uchun ishlatiladigan algoritmlar. Content Inspection (Mazmunni tekshirish algoritmlari) - axborotni yo‘qotishning oldini olish tizimlarining muhim qismidir. Ushbu algoritmlar ma’lumot oqimlari, fayllar va kommunikatsiyalarni tahlil qilib, noxosil foydalanish yoki siyosat buzilishlarini aniqlashga mo‘ljallangan[12]. Mazmunni tekshirish - bu faqat metadata yoki tashqi xususiyatlarga emas, balki ma’lumotlarning o‘ziga tahlil o‘tkazishdir. Ushbu algoritmlar hujjatlar, elektron pochta xabarlari yoki ma’lumot paketlaridagi haqiqiy mazmunni chuqur o‘rganib, oldindan belgilangan siyosatlarga zid axborotni aniqlaydi. Mazmunni tekshirish algoritmlari xususiyatlariga ko‘ra bir nechta turlarga bo‘linadi, ular orasida eng keng tarqalgan texnologiyalar sifatida quyidagilarni ko‘rsatish mumkin: - paketlarni chuqur tekshirish (Deep Packet Inspection, DPI); andoza aniqlash (Pattern Recognition); evriluvchan tahlil (Heuristic Analysis); tabiiy tilni qayta ishlash (Natural Language Processing, NLP); Fayllar izini aniqlash (File Fingerprinting). Deep Packet Inspection (DPI) internet orqali yuborilayotgan paketlarni chuqur tahlil qilish uchun qo‘llaniladigan texnologiyadir. Internet orqali amalga oshirilayotgan barcha aloqa jarayonlari ma’lumotlarni uzatish uchun "paketlar"dan foydalanadi. Bu jarayon VoIP qo‘ng‘iroqlarimiz, tashrif buyurayotgan veb-sahifalarimiz va yuborayotgan elektron pochta xabarlarimizni o‘z ichiga oladi.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Pattern Recognition (shablonlarni tanish) - bu kompyuter ilm-fani va sun’iy intellekt sohasida keng qo‘llaniladigan texnologiya bo‘lib, u ma’lumotlar to‘plamlaridan shablonlar yoki qoidalarni aniqlashni nazarda tutadi. Shablonlarni tanish tizimlari ma’lum bir xususiyatlarga yoki parametrlar to‘plamiga asoslangan holda ma’lumotlarni tahlil qiladi va ularning ichidan o‘xshashliklarni aniqlaydi. Bu tizimlar ko‘pincha tasvirlar, ovozlar, matnlar va boshqa murakkab ma’lumotlar shakllarini qayta ishlashda ishlatiladi. 1-rasm. Shablonni tekshirish tizimlarining umumiy arxitekturasi Heuristic tahlil kiberxavfsizlik va antivirus protokollarining muhim tarkibiy qismi bo‘lib, asosan zararli dasturlar kabi jiddiy xavf-xatarlarga qarshi kurashish va ularni aniqlash maqsadida ishlatiladi. Bu usul yangi viruslar yoki hozirgi kunda tanilgan viruslarning varianti turlarini aniqlashda an’anaviy usullardan chetga chiqadi. Bu xavfsizlik dasturlariga qurilmaga zarar yetkazishi mumkin bo‘lgan noma’lum yoki xavfli faoliyatlarni aniqlash uchun zarur bo‘lgan ilgari ko‘rish imkonini beradi. Tabiiy tilni qayta ishlash (NLP) - kompyuterlarni insonlarning tabiiy tili bilan ishlashga o‘rgatish uchun yaratilgan texnologiyalar va metodlar to‘plamidir. Bu soha, kompyuterlar va insonlar o‘rtasida tilni avtomatik tarzda tushunish va ishlashni ta’minlashga yo‘naltirilgan. Fayl Fingerprinting (Fayl izini olish) - bu faylni unikal tarzda identifikatsiya qilish usuli bo‘lib, ma’lumotlar bazasidagi yoki tizimdagi fayllar orasida farqlash va ularga alohida e’tibor qaratish imkoniyatini beradi. Bu jarayon, asosan, faylni boshqalardan ajratib turadigan raqamli izni yaratishga asoslanadi. Faylning izini olish jarayonida uning tarkibi, xususiyatlari yoki boshqa identifikatsiyalovchi belgilariga asoslanib unikal raqamli identifikator hosil qilinadi. Ma’lumotlar yo‘qotilishining oldini olish tizimi arxitekturasi Axborot yo‘qolishi, ma’lumotlarning sizib chiqishi, ma’lumot o‘g‘irlanishi yoki hatto ma’lumot - dunyoning qaysi burchagida bo‘lishingizdan qat’i nazar tashkilotdan axborotning yo‘qolishini ifodalovchi atamalar mavjud. Dunyo bo‘ylab katta va kichik tashkilotlar o‘z ma’lumotlarini himoya qilish zarur. Buning sababi faqatgina axborot yo‘qolishi emas, balki bu holat qonunchilik, milliy jarimalar va hatto obro‘ga zarar yetkazishi mumkinligi bilan ham bog‘liq. 223

Volume 2, Issue 1 224 March 2025 Management and Future Technologies journal.umft.uz DLP yechimlari ko‘p yillar davomida qo‘llanilib kelinmoqda, hatto ularning qo‘llanilishi endi kichik tashkilotlarga ham yetib borgan. Yangi texnologiyalarni an’anaviy DLP metodologiyalari bilan birlashtirish orqali hatto eng kichik biznes ham arzon narxda amalga oshirish oson bo‘lgan zamonaviy va murakkab yechimdan foydalanishi mumkin. Symantec Data Loss Prevention modullari va komponentlari taklif qilingan umumiy DLP arxitekturasiga osonlik bilan moslashtirilishi mumkin: 1. Data in Motion (Harakatdagi ma’lumotlar) Symantec DLP modullari: - DLP for Network: Bu modul tarmoq orqali ma’lumotlar oqimini nazorat qiladi va harakatdagi ma’lumotlarni aniqlash, bloklash yoki ogohlantirish kabi choralar ko‘radi. Tarmoq orqali o‘tadigan ma’lumotlarni, jumladan, elektron pochta, veb-pochta va boshqa Internet protokollarini tekshiradi. 2. Data at Rest (Saqlangan ma’lumotlar) Symantec DLP modullari: - DLP for Storage: Bu komponent endpointlar, fayl serverlari, veb-portallar va ma’lumotlar bazalari kabi saqlash qurilmalaridagi ma’lumotlarni tekshiradi. 3. Data in Use (Foydalanishdagi ma’lumotlar) Symantec DLP modullari: 4. DLP for Endpoint: Bu modul foydalanuvchi qurilmalarida ma’lumotlar oqimini nazorat qiladi. Ushbu modul ma’lumotlarni bloklash, shifrlash, ogohlantirish, karantinlash yoki boshqa xavfsizlik choralarini ko‘radi. 5. Ma’lumotlarni Boshqarish va Tahlil qilish Symantec DLP modullari: - DLP Management Server: Bu markazlashtirilgan boshqaruv serveri siyosatlar yaratish va ularni boshqa DLP serverlariga yuborish, voqealarni va ish jarayonlarini boshqarish, xabarlarni yig‘ish va hisobotlarni taqdim etish uchun ishlatiladi. U boshqa uchinchi tomon tizimlari, masalan, Active Directory yoki SIEM bilan integratsiya qilinishi mumkin. 6. Ma’lumotlarning tarmoq orqali nazorati Symantec DLP modullari: - DLP for Web: Ushbu modul veb-aloqalarni nazorat qilish va ma’lumotlarni tarmoq orqali chiqishini aniqlash uchun ishlatiladi. Bu tizim ICAP protokoli yordamida DLP serveri bilan integratsiyalashadi va web-traffikni tahlil qiladi. Symantec DLP yechimi, arxitekturaning har bir qismiga mos ravishda, tashkilotlarga ma’lumotlarning holatini kuzatib borish va xavfsizlik choralarini joriy qilish imkoniyatini beradi. Boshqaruv konsoli orqali barcha modullarni bir joyda boshqarish va tahlil qilish mumkin. Semantik Data Loss Prevention modullari va komponentlari taklif qilingan umumiy Data Loss Prevention arxitekturasiga osonlik bilan moslashtirilishi mumkin:

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 225 2-rasm. Semantik ma’lumotlar yo‘qotilishining oldini olish tizimining tavsiya etilayotgan arxitekturasi Ushbu arxitektura yordamida ma’lumotlarning foydalanish holatini Symantec DLP Endpoint Discover va Protect komponentalarini joylashtirish orqali ta’minlaymiz. Saqlangan ma’lumotlar Symantec DLP Network Discover va Protect komponentalari orqali ta’minlanadi. Harakatdagi ma’lumotlar uchun esa Symantec DLP Network Monitor port-span yoki tarmoq tap orqali tarmoq bilan integratsiya qilinadi. DLP Agentlarni o‘rnatish va konfiguratsiyalarini sozlash Symantec Data Loss Prevention turli usullarda amalga oshirilishi mumkin. Bu amalga oshirish turlari “O‘rnatish darajalari” deb ataladi. O‘rnatish darajalari uchta turga bo‘linadi: Bitta daraja (Single Tier): DLP Enforce Server (Boshqaruv serveri), Oracle Database va har qanday aniqlash serveri. Bitta daraja faqat laboratoriya va sinov muhitlarida qo‘llaniladi. Ikki daraja (Two Tier): DLP Enforce Server va Oracle Database bir xil serverda o‘rnatiladi. Aniqlash serverlari esa alohida serverlarga o‘rnatiladi. Uch daraja (Three Tier): DLP Enforce Server, Oracle Database va Detection Servers alohida serverlarga o‘rnatiladi. Test muhiti uchta virtual mashinadan foydalanadi. Birinchi virtual mashina DLP Single Tier

Volume 2, Issue 1 226 March 2025 Management and Future Technologies journal.umft.uz Server bo‘lib, Enforce Server, Oracle Database va Detection Serverlarni joylashtiradi. Ikkinchi serverda Active Directory va boshqa xizmatlar, masalan, DNS, DHCP va File Server rollari joylashadi. Uchinchisi esa Windows 10 ish stoli tizimi o‘rnatilgan foydalanuvchi ish stoli mashinasini ifodalaydi. Quyida har bir virtual mashinaning spetsifikatsiyalari keltirilgan. 1-jadval. Virtual mashinalar spetsifikatsiyalari. VM CPU RAM Disk Operating System VM 1 VM 2 VM 3 8 cores 4 cores 1 core 64 GB 16 GB 4 GB 3 TB 500 GB 256 GB Win Ser 2016 Win Ser 2016 Win 10 Axborot xavfsizligini ta’minlashda kontekstga asoslangan bo‘lakli hashing algoritmlari Yakuniy ishlov berish va dasturlarni tahlil qilishda taxminiy moslashtirish usullaridan foydalanish ko‘pincha zararli dasturlarni yoki bajariluvchi fayllarni tahlil qilish sohasida ko‘rib chiqiladi. So‘nggi tadqiqotlardan bajariluvchi fayllarning o‘xshashligini o‘lchash masalasida keng tarqalgan fuzzy hashing usullari sezilarli kamchiliklarga ega ekanligini ko‘rish mumkin[3]. Xususan, kontekstga asoslangan bo‘lakli hashing (Context-Triggered Piecewise Hashing) yondashuvi bajariluvchi fayllarni taqqoslash uchun yetarli darajada ishonchli emas deyishimizga asos bor. Chunki hatto zararsiz o‘zgarishlar ham dastlabki faylning bayt darajasidagi qiymatiga katta ta’sir ko‘rsatadi. O‘zgarishlar zararsiz yoki zararli dasturiy koddagi o‘zgarishlar turli kompilyatorlar yoki o‘zgartirilgan kompilyator sozlamalari natijasida yuzaga kelishi mumkin. Statistik jihatdan kam uchraydigan xususiyatlarni chiqarib olishga asoslangan yondashuvlar yoki n-gramma gistogrammalari kompilyatsiya sozlamalari va dasturiy koddagi o‘zgarishlarga qarab farqlanuvchi bajariluvchi fayllarni aniqlashda yaxshiroq natijalar ko‘rsatmoqda[4]. Shunga qaramay, bajariluvchi fayllarni taxminiy moslashtirish usullari yanada aniqroq xulosalar berish imkonini bermaydi, ya’ni bayt darajasida o‘zgartirilgan joylarni yoki modifikatsiyalangan fayldagi kichik farqlarni ajratib ko‘rsatish qobiliyatiga ega emas. Tasodifiy fayllarni aniqlash, zararli kodni tasniflash yoki qayta ishlatilgan kodlarni aniqlash uchun turli yondashuvlar taklif qilingan. Aksariyat hollarda ushbu yondashuvlar orasida taxminiy moslashtirish usullari tavsiya etiladi. Mazkur algoritmlar xavfsizlik va raqamli kriminalistika sohasida muhim rol o‘ynaydi. So‘nggi yillarda yangi sxemalar va ularning variantlari taklif qilindi. Ammo ushbu algoritmlarning bajariluvchi fayllarga nisbatan qo‘llanilishi ko‘pincha turli natijalarni ko‘rsatgan. Garchi ssdeep kabi keng qo‘llaniladigan dastlabki implementatsiyalar mavjud bo‘lsada, ularning qo‘llanilish doirasi ko‘pincha muhokama qilinib, kengaytirilgan baholashlarni talab qilgan. So‘nggi tadqiqotlar ushbu usullarning obro‘si va foydalanish qulayligidagi nomuvofiqliklar sabablarini yoritib beradi[11].

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Dastlab ma’lumotlarni qisqartirish, fragmentlarni aniqlash yoki raqamli to‘plamlarning o‘xshashligini tahlil qilish uchun ishlab chiqilgan ko‘plab fuzzy hashing sxemalari bajariluvchi fayllarning turli hayotiy bosqichlarini samarali tarzda qayta ishlay olmaydi. Yangi sxemalar esa asosiy ketma-ketliklarning ehtimoliy randomizatsiyasini inobatga olib, bayt darajasida yuzaga keladigan farqlarni yumshatadi. Ayniqsa, tlsh - Trend Micro‘ning Locality Sensitive Hashing sxemasi mustahkamlik jihatidan sezilarli ustunlikka ega. Chunki, uning asosiy algoritmi n-gramma xususiyatlarini ajratib olish va chastotaga asoslangan o‘xshashlikni taqqoslash orqali farqlarni muvozanatlashtiradi. Tadqiqotlarda binar yoki zararli dasturlarni tahlil qilish kontekstida turli sxemalarning qo‘llanilishi muhokama qilingan. Ushbu sohada asosiy vakil sifatida ssdeep hanuzgacha yetakchi o‘rinda turadi. O‘tgan davrlarda turli yondashuvlarning baholanishi natijasida noaniq natijalar va tushunmovchiliklar yuzaga kelgan. Ko‘pincha moslashtirish natijalari aniq izohlar berilmasdan e’lon qilinadi. Bu esa ma’lum bir sxemalarning nima sababdan turli ssenariylar uchun turlicha ishlashini tushunishni qiyinlashtiradi. Bundan tashqari, sinov ssenariylari ishlatilgan ma’lumotlar to‘plami va test metodologiyasiga qarab keng miqyosda farq qilishi mumkin[5]. Turli nashrlar, ularning baholari va natijalari bo‘yicha batafsil ma’lumot olish uchun Pagani va boshqalar ishiga murojaat qilish tavsiya etiladi. Asl mrsh-v2 sxemasi Kontekstga asoslangan bo‘lakli hashing Context-Triggered Piecewise-Hashing usulining a’zosi hisoblanadi va berilgan kiritish ma’lumotlarining bayt ketma-ketligi ustida ishlaydi. Ushbu sxema berilgan ketma-ketlikni belgilangan modul b asosida bo‘laklarga ajratadi. Algoritm bayt oqimida siljuvchi tartib asosida ishlaydi. Ketma-ketlikni baytma-bayt kuzatadi va bir vaqtda 7 ta ketma-ket baytni qayta ishlaydi. Joriy oynadagi ma’lumotlar Pseudo Random Function, PRF yordamida xeshlanadi va natijada 0 dan b gacha bo‘lgan qiymat qaytariladi. Ushbu qiymat tetik nuqtani aniqlaydi va shu tariqa joriy bo‘lakning chegarasini belgilaydi. Agar PRF psevdo-tasodifiy ishlasa, tetik nuqtaning ehtimolligi b ga teskari proporsional bo‘lib, har bir bo‘lakning hajmi taxminan b baytga teng bo‘ladi. Ushbu umumiy konsepsiya ikki asosiy zaiflikni o‘z ichiga oladi: birinchidan, bayt tuzilmasidagi kichik o‘zgarishlar PRF tomonidan belgilangan bo‘lak chegaralarining to‘liq o‘zgarishiga olib kelishi mumkin. Ikkinchidan, bo‘lak chegaralari turlicha bayt tomonidan bevosita ta’sirlanmasa ham, bitta bayt joriy ketma-ketlikni o‘zgartiradi va natijada CHF tomonidan yaratilgan bo‘lak xesh qiymatini ham o‘zgartiradi. Bizning prototipimiz turli obyekt fayllari yoki matn bo‘limlarida kutubxonalarni aniqlash jarayonida barcha boshqa sxemalardan ustunlilarga ega ekanligini ko‘rish mumkin. Tadqiqotlar tahlili asosida quyidagi jadvalda ko‘rsatilganidek, nisbatan yuqori haqiqiy musbatlik darajasini saqlagan holda nol noto‘g‘ri musbatlikni ta’minlovchi chegaraviy qiymatlarni o‘rgandik. Dastlabki mrsh-v2 implementatsiyasiga o‘xshab, apx-bin yordamida barcha fayllar qayta ishlanishi mumkin. 227

Volume 2, Issue 1 228 March 2025 Management and Future Technologies journal.umft.uz 2-jadval. Haqiqiy va noto‘g‘ri musbatlik darajasi natijalari Algoritm ssdeep mrsh-ve sdhash tlsh .o TPR % 0 11.7 12.8 0.4 FPR % 0 0.5 0 0.1 .text TPR % 0 7.7 24.4 0.2 FPR % 0 0.2 0.1 0.1 Err % 0 0 53.9 41.7 Quyida keltirilgan grafiklarda turli optimallashtirish darajalari va turli sxemalar o‘rtasidagi o‘xshashlikni vizuallashtirilgan. Foiz qiymati nol noto‘g‘ri musbatlik bilan haqiqiy musbatlik darajasini bildiradi. Rangli soha noto‘g‘ri moslikning eng yuqori o‘xshashlik ballini tavsiflaydi. Bunda, y o‘qi 0 dan 1000 gacha mosliklar sonini, x o‘qi esa o‘xshashlik ballini ko‘rsatadi. 3-rasm. Turli optimallashtirish darajalari va turli sxemalar o‘rtasidagi o‘xshashlik Rasmdan ko‘rinib turibdiki, apx-bin va mrsh-v2 algoritmlari barcha natijalar bo‘yicha

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 barqarorlikni ifodalamoqda. O‘rtacha ball modeli barcha boshqa yondashuvlardan ustun kelib, o‘rtacha haqiqiy musbatlik darajasi 61,6% ni tashkil etdi. Ma’lumotlarning sizib chiqishini aniqlash uchun foydalaniladigan usullardan biri - bu taxminiy fayllarni moslashtirish texnikasi hisoblanadi. Ushbu usul PDF yoki Word hujjatlari kabi sizib chiqqan fayllarni aniqlashda qo‘llaniladi. Ushbu texnikaning ikki bosqichi mavjud[9]. Birinchi bosqichda ma’lum fayllardan ma’lum xususiyatlarni ajratib olish orqali signaturalar yoki imzolar yaratiladi. Ikkinchi bosqichda yangi fayllarning signaturalari birinchi bosqichda olingan mavjudlari bilan solishtiriladi. Solishtirish natijalari 0 dan 100 gacha bo‘lgan diapazonda baholanadi. Boshqacha aytganda, ikki faylni solishtirish natijalari yuqori bo‘lsa, ular bir-biriga o‘xshash hisoblanadi. Aksincha, natijalar past bo‘lsa fayllar bir-biriga o‘xshash emas deb baholanadi. Ushbu ishda Mrsh-v2 (Ko‘p o‘lchamli o‘xshashlik xeshlash) algoritmi xusususiyatlari o‘rganilib, baholanadi. Bu algoritm taxminiy moslashtirish texnikasi asosida ishlaydigan usullardan biri hisoblanadi[6]. Ushbu algoritmning birinchi bosqichida kirish ma’lumotlari baytlar ketma-ketligini (b1, b2, ..., bn) o‘z ichiga oladi va ular bir nechta oraliqlarga bo‘linadi va guruhlanadi. Har bir oraliq uzunligi 7 baytdan iborat. Keyin ushbu oraliqlar (w1, w2, ..., wm) rolling hash algoritmi g‘oyasi asosida guruhlanadi. Ushbu g‘oya eski oraliqning birinchi elementini olib tashlash va yangi elementni qo‘shib, yangi segment yaratishga asoslangan[7]. Segmentning elementlari hajmi har bir segment uchun psevdo-tasodifiy funksiyani (PRF) hisoblash va segment hajmini (c) belgilash orqali aniqlanadi. Agar PRF (ma’lum bir element uchun) == -1 mod c bo‘lsa, yangi elementlarni segmentga qo‘shish to‘xtatiladi. Aks holda, yangi elementlarni qo‘shish davom ettiriladi. Har bir segment keyinchalik FIN algoritmi yordamida xeshlanadi. Asosiy maqsad segment hajmini 160 baytga va signatura hajmini 0,5 ga teng qilishdir. Algoritmning ikkinchi bosqichini amalga oshirish uchun bloom filter g‘oyasidan foydalanilgan. Bloom filter to‘plam a’zoliklarini tekshirish usuli hisoblanadi. Bu usul kirish ma’lumotlari va mustaqil xeshlash funksiyalariga asoslanadi. Tasavvur qilaylik, elementlar to‘plami E bilan belgilanadi va barcha elementlar (n) dastlab false qiymatiga ega bo‘ladi. Bundan tashqari, mustaqil xeshlash funksiyasi xeshlash funksiyalari to‘plamini (Hf1, Hf2, ..., Hfn) o‘z ichiga oladi va bizga 0 dan n-1 gacha bo‘lgan tasodifiy sonlarni beradi. To‘plamdagi har bir element (e) uchun Hf(e) natijasi E to‘plamidagi indeks raqamni beradi va biz ushbu pozitsiyadagi elementni true qilib belgilaymiz. Ikkinchi bosqich yangi fayllarning signaturalarini mavjud signaturalar bilan solishtirishdan iborat. Ushbu bosqichni amalga oshirish uchun ikkita bloom filtri - E1 va E2 qo‘llaniladi. e1 va e2 mos ravishda E1 va E2 filtrlarida true qiymatiga ega bo‘lgan bitlar sonini ifodalaydi. Ushbu filtrlar orasida umumiy true qiymatiga ega bo‘lgan bitlar soni esa k = e1 ∩ e2 orqali aniqlanadi. Bloom filtri - bu ma’lumotlar to‘plamiga elementlarning a’zolik holatini samarali tarzda 229

Volume 2, Issue 1 230 March 2025 Management and Future Technologies journal.umft.uz tekshirish uchun ishlatiladigan probabilistik ma’lumotlar strukturasi. Bloom filtri, asosan, elementning to‘plamga kirishini tekshirishda ishlatiladi. Lekin u noaniqlikni o‘z ichiga oladi, ya’ni ba’zan noto‘g‘ri ijobiy javob (false positive) berishi mumkin, lekin noto‘g‘ri salbiy javob (false negative) bermaydi. E1 va E2 filtrlarini solishtirish uchun k ma’lum bir o‘zaro taqqoslash balli (S) bilan solishtiriladi. Agar k qiymati S dan katta bo‘lsa, o‘xshashlik darajasi yuqori deb baholanadi. Aks holda, o‘xshashlik darajasi 0 deb qabul qilinadi. S qiymati E1 va E2 orasida tasodifan mos tushgan maksimal (Max) va minimal (Min) bitlar soniga asoslanib hisoblanadi. Shu tariqa o‘xshashlikni aniqlash uchun zarur bo‘lgan mezonlar aniqlanadi. � � 𝛽𝛽 𝛽 ���� � ���� � ��� (1) bu yerda β = 0.3 bo‘lib, u tajribalar natijasida eng yaxshi ko‘rsatkich sifatida aniqlangan. Max quyidagi formula yordamida aniqlanishi mumkin: ��� � min �𝑒𝑒1, 𝑒𝑒2� (2) Biroq, Min quyidagi formula yordamida hisoblanishi mumkin: ��� � � 𝛽 �1 � 𝑞𝑞 ���𝛽��$� � 𝑞𝑞 ���𝛽��$� � 𝑞𝑞 �����$���$� � (3) Bu yerda n - bloom filtri bitlarining soni va Hf - ilgari bloom filtrining tavsifida keltirilgan xeshlash funksiyalarining o‘lchami. e1$ - Bloom filtri E1 uchun elementlar soni, va e2$ - E2 uchun elementlar soni. Nihoyat, q - yangi element qo‘shilganda Bloom filtrida ba’zi bitlarning hali ham false yoki nol bo‘lish tezligi bo‘lib, bu quyidagi formulaga asosan aniqlanadi. 𝑞𝑞 � �1 � 1/�� (4) Mrsh-v2 algoritmi confusion matrix (teskari tasniflash jadvali) yordamida baholanadi[8]. Confusion matrix baholashda foydalanish mumkin bo‘lgan bir qancha metrikalarga ega bo‘ladi. True positive (TP), false positive (FP), false negative (FN), true positive rate (TPR) yoki sensitivlik yoki recall, false positive rate (FPR) yoki fall-out yoki false alarm ehtimoli va false negative rate (FNR) yoki miss rate - bularning barchasi baholashda ishlatilgan metrikalardan ayrimlaridir. - TP (True positive) - algoritm tomonidan to‘g‘ri aniqlangan fayl. Boshqacha aytganda, aniqlangan fayl ma’lumotlar bazasida saqlangan faylga o‘xshash bo‘ladi. - Sensitivlik yoki recall - ma’lumotlar bazasida mavjud bo‘lgan fayllar bilan o‘xshashlikka ega bo‘lgan fayllar soni yoki ulushi. - FP (False positive) - Mrsh-v2 algoritmi tomonidan aniqlangan fayllar, ammo ular ma’lumotlar bazasida mavjud emas.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 - Fall-out yoki false alarm ehtimoli - algoritm tomonidan aniqlangan fayllar soni yoki ulushi, lekin ular ma’lumotlar bazasida mos keladigan faylga ega emas. - FN (False negative) - Mrsh-v2 algoritmi tomonidan aniqlanmagan, ammo ma’lumotlar bazasida mavjud bo‘lgan fayllar. - Miss rate - ushbu algoritm tomonidan aniqlangan, ammo ma’lumotlar bazasida mavjud bo‘lmagan fayllar soni. Tahlil va natijalar muhokamasi Mrsh-v2 algoritmi tarmoq muhitida va TS dataset yordamida baholanadi. TS dataset onlayn tarzda jamoat uchun mavjud bo‘lgan ma’lumotlar to‘plami hisoblanadi. Ushbu to‘plamda pdf, exe, doc, gif, xls, ppt va txt kabi turli fayllar mavjud. TS dataset dan taxminan uch mingta fayl tarmoq orqali uzatildi va taxminan ikki yuz to‘qson ming paket ishlab chiqildi. 290100 paketdan 249670 tasi, ma’lumotlar to‘plamida mavjud bo‘lgan turli fayllarni o‘z ichiga olgan, Mrsh-v2 algoritmi tomonidan to‘g‘ri aniqlangan. Biroq, 40643 paket turli fayllarni uzatgan bo‘lsada, Mrsh-v2 tomonidan aniqlangan fayllarning ayrimlari ma’lumotlar to‘plamida mavjud emas. Boshqa tomondan, 29031 paket fayllar mavjud bo‘lishiga qaramay Mrsh-v2 tomonidan aniqlanmasada, ushbu fayllar ma’lumotlar to‘plamida mavjud bo‘lishi mumkin. TPR yoki sensitivlik qiymati 1 dan 0.85 bo‘lib, bu quyidagi jadvalda ko‘rsatiladi. Bu shuni anglatadiki, Mrsh-v2 algoritmi tomonidan turli tipdagi fayllar to‘g‘ri aniqlanadi. Biroq, FPR va FNR qiymatlari mos ravishda 1 dan 0.14 va 0.1 bo‘ldi. Bu Mrsh-v2 algoritmi turli fayl turlariga nisbatan kam xatoliklar hosil qilishini ko‘rsatadi. Mos ravishda Mrsh-v2 algoritmi jpg, gif, va pdf fayllarini to‘g‘ri aniqlaydi, chunki TPR yuqori va FNR hamda FPR past bo‘lishini quyida keltirilgan rasmdan ko‘rish mumkin. 3-jadval. Mrsh-v2 algoritmi asosida olib borilgan tadqiqqotlar natijalari Fayl turi jpg gif doc xls ppt pdf txt exe total FP 31813 28976 41001 51913 41017 35012 40643 53111 41214 TP 277634 280404 212911 232666 266745 279014 253187 244103 250204 FN 9102 5788 69515 53442 19213 12003 35307 44234 28897 231

Volume 2, Issue 1 March 2025 Management and Future Technologies journal.umft.uz Quyidagi rasmda ushbu jadvalda keltirilgan qiymatlarning vizual ko‘rinishi keltirilgan. 232 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 jpg gif doc xls ppt pdf txt exe total 4-rasm. Mrsh-v2 yordamida aniqlangan TPR qiymatlari 1.2 1 0.8 0.6 0.4 0.2 0 jpg gif doc xls ppt FP TP pdf txt exe total FN 5-rasm. Mrsh-v2 yordamida aniqlangan TP, FP va FN ulushi bo‘yicha aniqlangan qiymatlar

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 233 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 jpg gif doc xls ppt FPR TPR pdf txt exe total FNR 6-rasm. Mrsh-v2 yordamida aniqlangan FPR, TPR va FNR qiymatlari Ma’lumotlar qayerda saqlanmasin ularni himoya qilish nihoyatda muhimdir. Ma’lumotlar uchta asosiy turda saqlanishi mumkin: uzatilayotgan ma’lumotlar, saqlanayotgan ma’lumotlar va foydalanilayotgan ma’lumotlar. Ma’lumotlar nafaqat qonuniy egalar uchun, balki hujumchilar uchun ham muhim hisoblanadi. Data Loss Prevention vositalari sezgir ma’lumotlarni aniqlash uchun samarali vosita hisoblanadi. DLP ma’lumotlar tarkibini tahlil qilishi va administratorlarga qaror qabul qilish uchun, masalan, filtrlash, o‘chirish yoki shifrlash kabi vazifalarni amalga oshirish uchun qayta aloqa yuborishi mumkin. Xulosa va tavsiyalar DLP texnikalarining bir nechta turlari mavjud. Eng samarali usullardan biri approximation files matching texnikasi hisoblanadi. Mrsh-v2 algoritmi ushbu yondashuvning bir misoli sifatida qaraladi. Ushbu algoritm tahlili ochiq manbalarda mavjud bo‘lgan TS dataset yordamida amalga oshirildi va baholandi. Confusion matrix natijalari shuni ko‘rsatdiki, ushbu algoritm yuqori TP va TPR ko‘rsatkichlariga ega. Boshqa tomondan Mrsh-v2 algoritmi past FP, FN, FPR va FNR ko‘rsatkichlarini namoyon etishini ko‘rish mumkin. Ushbu tadqiqot natijalari telekommunikatsiya tizimlarida axborot xavfsizligini oshirishga qaratilgan bo‘lib, quyidagi tavsiyalar ishlab chiqildi: 1. Telekommunikatsiya tizimlarida axborot xavfsizligini oshirish bo‘yicha:

Volume 2, Issue 1 234 March 2025 Management and Future Technologies journal.umft.uz - Kontekstga asoslangan bo‘lakli hashing algoritmlarini telekommunikatsiya tarmoqlariga integratsiya qilish bo‘yicha, ma’lumotlarni qayta ishlash jarayonida moslashuvchan bo‘laklash mexanizmlaridan foydalanish tavsiya etiladi. Har xil turdagi ma’lumotlar (matn, audio, video, sensor ma’lumotlari) uchun hashing strategiyalarini optimallashtirish lozim. - Hisoblash samaradorligini oshirish uchun hashing algoritmlarining yuklama taqsimotini optimallashtirish bo‘yicha, Telekommunikatsiya tarmoqlarida ma’lumotlar oqimi yuqori bo‘lganligi sababli, paralel ishlov berish va bulutli hisoblash infratuzilmasidan foydalanish taklif etiladi. Ma’lumotlarni bosqichma-bosqich hashing qilish orqali hisoblash yuklamasini kamaytirish mumkin. 2. Kiberxavfsizlik choralarini mustahkamlash bo‘yicha: - Kiberhujumlarga qarshi himoya tizimlarida kontekstga asoslangan hashing algoritmlaridan foydalanish, Telekommunikatsiya tarmoqlarida keng tarqalgan DDoS, man-in-the-middle va ma’lumotlarni buzish (tampering) hujumlariga qarshi bardoshli hashing texnologiyalaridan foydalanish tavsiya etiladi. Hashing algoritmlarini anomaliya aniqlash tizimlariga integratsiya qilish orqali tahdidlarni oldindan aniqlash samaradorligi oshiriladi. - Ma’lumotlarni butunligini ta’minlash va autentifikatsiya tizimlarini kuchaytirish, kontekstga asoslangan hashing texnikalarini foydalanuvchi autentifikatsiyasi va tranzaksiya xavfsizligini oshirish uchun qo‘llash tavsiya etiladi. Hashing natijalari orqali elektron imzolar va raqamli guvohnomalarning xavfsizligini oshirish mumkin. 3. Telekommunikatsiya operatorlari va tashkilotlari uchun: - Yangi hashing algoritmlarini sinovdan o‘tkazish va amaliyotga joriy etish, telekommunikatsiya provayderlari uchun tajriba loyihalari (pilot projects) doirasida kontekstga asoslangan hashing algoritmlarini real tizimlarda sinovdan o‘tkazish tavsiya etiladi. Telekommunikatsiya infratuzilmasida algoritmlarning tezligi, samaradorligi va kiberhujumlarga chidamliligini baholash uchun maxsus test usullarini ishlab chiqish lozim. - Regulyator organlar va standartlashtirish tashkilotlari bilan hamkorlik qilish, hashing algoritmlarini mavjud xalqaro axborot xavfsizligi standartlariga (ISO/IEC 27001, NIST 800-53, ETSI TS 103 744) muvofiqlashtirish tavsiya etiladi. Telekommunikatsiya tizimlarida yangi xavfsizlik me’yorlarini ishlab chiqishda ilmiy tadqiqotlar natijalaridan foydalanish lozim. 4. Ilmiy tadqiqotlar va kelajakdagi rivojlanish yo‘nalishlari: - Kontekstga asoslangan hashing algoritmlarini mashinaviy o‘rganish (ML) va sun’iy intellekt (AI) bilan integratsiya qilish, katta hajmdagi ma’lumotlarni real vaqt rejimida qayta ishlash uchun neyron tarmoqlar asosida hashing optimallashtirish usullarini ishlab chiqish. Ma’lumotlar oqimidagi anomaliyalarga avtomatik moslashish imkoniyatiga ega bo‘lgan algoritmlarni yaratish. - Kvant hisoblashga qarshi hashing algoritmlarini ishlab chiqish, Kvant kriptografiyasi va

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 post-kvant hashing texnologiyalarini telekommunikatsiya tizimlariga moslashtirish. Kelajakdagi kvant kompyuterlarning hisoblash quvvatiga mos ravishda bardoshli hashing algoritmlarini ishlab chiqish va sinovdan o‘tkazish. Tadqiqot natijalari asosida ishlab chiqilgan tavsiyalar telekommunikatsiya tarmoqlarida axborot xavfsizligini oshirish, hashing algoritmlarining samaradorligini yaxshilash va yangi himoya mexanizmlarini joriy etish uchun muhim ahamiyat kasb etadi. Ushbu yondashuv real tizimlarga moslashuvchan yechimlar taklif etib, telekommunikatsiya operatorlari, axborot xavfsizligi bo‘yicha mutaxassislar va ilmiy tadqiqotchilar uchun amaliy ahamiyatga ega 235

Volume 2, Issue 1 236 March 2025 Management and Future Technologies journal.umft.uz Аdаbiyоtlаr O‘zbekiston Respublikasi Prezidentining 05.10.2020 yildagi “Raqamli O‘zbekiston - 2030 strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida”gi PF6079-son farmoni. O‘zbekiston Respublikasi Prezidentining 31.05.2023 yildagi PQ-167-son “O‘zbekiston Respublikasining muhim axborot infratuzilmasi obyektlari kiberxavfsizligini ta’minlash tizimini takomillashtirish bo‘yicha qo‘shimcha chora-tadbirlar to‘g‘risida”gi qarori. F.Pagani, M.Dell’Amico, D.Balzarotti Beyond precision and recall: understanding uses (and misuses) of similarity hashes in binary analysis // Proceedings of the Eighth ACM Conference on Data and Application Security and Privacy. – 2018. – С. 354-365 J.Oliver, C.Cheng, Y.Chen TLSH--a locality sensitive hash //2013 Fourth Cybercrime and Trustworthy Computing Workshop. – IEEE, 2013. – С. 7-13. Vitor Hugo Galhardo Moia and Marco Aurélio Amaral Henriques Similarity Digest Search: A Survey and Comparative Analysis of Strategies to Perform Known File Filtering Using Approximate Matching // Security and Communication Networks Volume 2017, Article ID 1306802, 17 pages. V. Gupta, "File detection in network traffic using approximate matching," MS Thesis. Institutt for Telematikk, 2013 Basheer Husham Ali, Ahmed Adeeb Jalal, Wasseem N. Ibrahem Al-Obaydy Data loss prevention by using MRSH-v2 algorithm // International Journal of Electrical and Computer Engineering (IJECE) Vol. 10, No. 4, August 2020, pp. 3615~3622. K. Ting, "Confussion Matrix," Encyclopedia of Machine Learning and Data Mining. Springer, Boston, 2017 J. Beeskow, "Reducing Security Risk using Data Loss Prevention Technology," Journal of The Healthcare Financial Management Association, pp. 108-112, 2015 F. Breitinger and H. Baier, "Similarity Preserving Hashing: Eligible Properties and a New Algorithm MRSH-v2," International ICST Conference on Digital Forensics and Cyber Crime, pp. 167-182, 2012. R. Hiesh, "Improving HIPAA Enforcement and Protecting Patient Privacy in a Digital Healthcare Environment," Loyola University Chicago Law Journal, vol. 46, no. 1, pp. 175-223, 2014 N. Wynne and B. Reed, "Magic Quadrant for Content-Aware Data Loss Prevention," Gartner Research, 2019.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Аdаbiyоtlаr 1. O‘zbekiston Respublikasi Prezidentining 05.10.2020 yildagi “Raqamli O‘zbekiston - 2030 strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida”gi PF-6079-son farmoni. 2. O‘zbekiston Respublikasi Prezidentining 31.05.2023 yildagi PQ-167-son “O‘zbekiston Respublikasining muhim axborot infratuzilmasi obyektlari kiberxavfsizligini ta’minlash tizimini takomillashtirish bo‘yicha qo‘shimcha chora-tadbirlar to‘g‘risida”gi qarori. 3. F.Pagani, M.Dell’Amico, D.Balzarotti Beyond precision and recall: understanding uses (and misuses) of similarity hashes in binary analysis // Proceedings of the Eighth ACM Conference on Data and Application Security and Privacy. – 2018. – С. 354-365 4. J.Oliver, C.Cheng, Y.Chen TLSH--a locality sensitive hash //2013 Fourth Cybercrime and Trustworthy Computing Workshop. – IEEE, 2013. – С. 7-13. 5. Vitor Hugo Galhardo Moia and Marco Aurélio Amaral Henriques Similarity Digest Search: A Survey and Comparative Analysis of Strategies to Perform Known File Filtering Using Approximate Matching // Security and Communication Networks Volume 2017, Article ID 1306802, 17 pages. 6. V. Gupta, "File detection in network traffic using approximate matching," MS Thesis. Institutt for Telematikk, 2013 7. Basheer Husham Ali, Ahmed Adeeb Jalal, Wasseem N. Ibrahem Al-Obaydy Data loss prevention by using MRSH-v2 algorithm // International Journal of Electrical and Computer Engineering (IJECE) Vol. 10, No. 4, August 2020, pp. 3615~3622. 8. K. Ting, "Confussion Matrix," Encyclopedia of Machine Learning and Data Mining. Springer, Boston, 2017 9. J. Beeskow, "Reducing Security Risk using Data Loss Prevention Technology," Journal of The Healthcare Financial Management Association, pp. 108-112, 2015 10. F. Breitinger and H. Baier, "Similarity Preserving Hashing: Eligible Properties and a New Algorithm MRSH-v2," International ICST Conference on Digital Forensics and Cyber Crime, pp. 167-182, 2012. 11. R. Hiesh, "Improving HIPAA Enforcement and Protecting Patient Privacy in a Digital Healthcare Environment," Loyola University Chicago Law Journal, vol. 46, no. 1, pp. 175-223, 2014 12. N. Wynne and B. Reed, "Magic Quadrant for Content-Aware Data Loss Prevention," Gartner Research, 2019. 237

Volume 2, Issue 1 March 2025 238 Muallif Barxayotjon Uzakov Muhammad Al Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, Toshkent, 100208, O‘zbekiston; barhayotuzoqov@gmail.com Management and Future Technologies journal.umft.uz NEFT QAYTA ISHLASH SANOATIDAGI REKTIFIKATSIYA KOLONNASI JARAYONINING MATEMATIK MODELLARI A nnotatsiya: Maqolada aylanmali quvurdagi buralgan oqimning matematik modeli ishlab chiqilgan bo‘lib, u o‘q va azimutal tezliklarning taqsimlanishini aniqlash imkonini beradi. Shuningdek, mini-neftni qayta ishlash qurilmasining rektifikatsiya kolonnasi harorat maydonidagi diffuziya va rektifikatsiya jarayonlarining matematik modeli ishlab chiqilgan, bu esa rektifikatsiyaning samarali rejimini aniqlashga yordam beradi. Bundan tashqari, neftni ajratishda raqobatlashuvchi diffuziya va rektifikatsiya jarayonlarining modeli yaratilgan bo‘lib, u neft mahsulotlarining yengil fraksiyalari chiqishining hajmiy ulushlarini bashorat qilish imkoniyatini taqdim etadi. Kalit so‘zlar: diffuziya va rektifikatsiya jarayoni, azimutal tezlik, neft mahsulotlari fraksiyasi, rektifikatsiya kolonnalari, bug‘-suyuqlik oqimlari, issiqlik generatori, markazdan qochma maydon, kinetik energiyalar. Copyright: © 2024 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/).

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 ishga tushirishdan iborat [1, 2 Uzakov]. Keyinchalik, vorteks trubkasida yoki soplu distillash ustuniga kirish moslamasida aylanayotgan barqaror holatdagi ekssimetrik oqimni matematik modellashtirish o‘rganiladi [3]. Suyuqlikning tezlik va uyurmalanish bilan harakatining umumiy vector u tenglamasi quyidagi ko‘rinishga ega: u u B t (1) Tegishli tezlik (u, v, ) komponentlari va berilgan uyurmalanish komponentlari bilan silindrik koordinatalarda (r , h, ) o‘qqa simmetrik oqimni ko‘rib chiqamiz: (r , h , ) 1 (h ) v u r , h , . h h r r h (2) Agar tezlikning u va v komponentlari tok funksiyasi (r, ) orqali quyidagicha ifodalansa, massaning saqlanish tenglamasi bajariladi: u 1 1 ,v . h h h r (3) Bundan aylanishning azimutal komponenti quyidagiga teng bo‘ladi: 1 2 2 1 ). h r 2 h 2 h h (4) u z u v B ; t h (5) u h u z 0; t (6) u h B . t r (7) ( Bu yerda uchta skalyar tenglamani olamiz. Bu yerda tenglamani quyidagicha qayta yozish mumkin: d ( h ) 0. dt (8) Bunday ko‘rinishda (8) markazi simmetriya o‘qida va unga normal bo‘lgan tekislikda yotuvchi aylana shaklidagi suyuqlik konturi bo‘ylab sirkulyatsiyaning doimiyligini ifodalaydi. Barqaror oqim uchun 239

Volume 2, Issue 1 240 March 2025 Management and Future Technologies journal.umft.uz suyuqlikning har bir zarrasi oqimning simmetriya o‘qiga nisbatan o‘q tekisligida yotuvchi egri chiziqning aylanishidan hosil bo‘lgan sirt const , bo‘ylab oqim chizig‘i bo‘ylab harakatlanadi. U holda (8) va Bernulli teoremasidan quyidagilarga ega bo‘lamiz: 1 2 P (u v 2 2 ) B ( ); . 2 (9) h A ( ). Bu yerda (4) dan to’k funksiyasiga nisbatan tenglamani olamiz: 2 2 1 dB dA h2 A . 2 2 r h h h d d (10) Butun oqim maydonida qo‘llaniladigan (10) tenglama silindrik sohada murakkab bo‘lmagan almashtirishlar orqali Bessel tenglamasiga keltiriladi. d 2 1 d 1 ( K 2 2 ) 0, 2 dh h dh h (11) umumiy yechimga ega bo‘lgan cJ 1 ( kh ) ДY1 ( kh ), (12) Bu yerda J1 va Y1 1 va 2-turdagi Bessel funksiyalari; Ф ifodadan aniqlanadi ( z , h) 1 2 uh h ( r , h ), k 2 1 2 u1 Oxir-oqibat silindrik sohadagi o‘q tezligi uchun quyidagiga ega bo‘lamiz 1 d u u1 [ chJ 1 ( kh ) Д hY1 ( kh )]; h dh (13) azimutal tezlik uchun 1 h kcJ 1 ( kh ) kB Y1 ( kh ), (14) Bu yerda u 1 va 1 suyuqlikning o‘zgarmas o‘q tezligi va butun jism sifatida aylanish burchak tezligi. Shunday qilib, o‘tkazilgan tadqiqotlar natijasida biz o‘q va azimutal tezlik taqsimoti uchun ifodani olamiz va shu bilan aylanma harakat kinetik energiyasining bir qismini issiqlik energiyasiga