38
quvvatlaydi. Quvvatga sezgir ilovalar uchun
mo'ljallangan.
Ushbu FPGA qurilmalari turli imkoniyatlar, ishlash darajalari va quvvat
talablarini ta'minlaydi. Muayyan ehtiyojlaringizga qarab, siz loyiha talablari va
byudjetingizga eng mos keladigan FPGA qurilmasini tanlashingiz mumkin. Batafsil
texnik ma'lumotlar va ushbu qurilmalar yordamida SM4 shifrlashni FPGA dizaynlariga
integratsiya qilish bo'yicha ko'rsatmalar uchun tegishli ishlab chiqaruvchining
hujjatlari va qo'llab-quvvatlash manbalarini ko'rib chiqish tavsiya etiladi.
Axborot texnologiyalarini rivojlanib borishi o‘znavbatida axborotni
maxfiyligini ta’minlashga qaratilgan e’tibor ortishiga sabab bo‘lmoqda. Ushbu
maqolada SM4 shifrlash algoritmini ishlash imkoniyatlari, apparat amalga oshirish
usullari va ularni tahlili ishlab chiqilgan. Ma’lumotlarni maxfiyligini ta’minlashda
SM4 shifrlash algoritmini dasturiy va apparat ko‘rinishida amalga oshirish orqali
yuqori samaradorlikka erishish mumkin.
Foydalanilgan adabiyotlar roʻyxati:
1.
I.S.Olimov. (2023). SM4 SHIFRLASH ALGORITMINI DASTURIY
AMALGA OSHIRISH USULLARI.
GOLDEN BRAIN
,
1
(18), 166–171
2.
Boriyev Y.A., Sadikov M.A., Khamidov SH.J., “Internet of things
architecture and security challenges ICISCT 2020 confrence international conferencye
on information sciyencye and communications technologiyes 4,5,6 November.
3.
Abed, Sa'ed, et al. "Performance evaluation of the SM4 cipher based on field‐
programmable gate array implementation."
IET Circuits, Devices & Systems
15.2
(2021): 121-135.
TANIB OLISH MODULLARINI DASTURIY AMALGA OSHIRISH
Mamaraimov Abror Kamoliddin oʻgʻli,
Choryorqulov G‘iyos Husan o‘g‘li,
Normatov Nizomiddin Kamoliddin o‘g‘li
O‘zbekiston Milliy Universiteti Jizzax filiali
Annotatsiya:
Tanib olish modullarini dasturiy jihatdan amalga oshirish
hamda nutqni tanib olish moduli ishini sifatini baholash ishlarini olib borish. Nutq
signaliga dastlabki ishlov berish va ularni neyron tarmoqlarida oʻqitishga tayyorlash
jarayonini avtomatlashtiruvchi dasturiy modul ishlab chiqildi. Ushbu dasturiy modul
yordamida katta xajmdagi nutq maʼlumotlarini tarmoqga kirish standartiga moslash
imkoniyatini beradi.
Kalit so‘zlar:
Wav, CTC
, MFCC,
WER, CER , Epoch
39
Tanib olish modullarini dasturiy amalgan oshirish bir nechta modullardan iborat
boʻlib bularga: Nutq maʼlumotlar bazasini tayyorlash; nutq signaliga dastlabki ishlov
berish; neyron tarmogʻini yaratish va oʻqitish hamda nutqni tanib olish.
Nutq maʼlumotlar bazasini yaratish. Trening maʼlumotlar toʻplami - bu
audiofaylning manzili, tegishli transkripsiyasi, shuningdek fayl hajmi haqidagi
maʼlumotlarni oʻz ichiga olgan manifest.csv matnli fayl toʻplami, undan keyin esa
neyron tarmogʻini oʻrgatish paytida misollarni saralash uchun foydalaniladi. Wav
formatidagi audio fayllar nutqning maʼlum bir qismini oʻz ichiga oladi va har bir fayl
uchun transkripsiyasi berilgan matnli hujjat mavjud. Wav formatidagi audiofayllar
bitta audio kanalga (mono) ega, namuna olish tezligi 16000 Hz va har bir qiymat uchun
kengligi 2 bayt bilan kodlangan.
Shuningdek, CTC matritsasini dekodlash algoritmi audio uzunlik nisbati va
transkriptdagi belgilar sonining cheklanishini nazarda tutadi, yaʼni: CTC matritsasidagi
qadamlar soni transkriptdagi belgilar sonidan koʻp boʻlishi kerak.
1.1-jadval - manifest.csv fayli tarkibiga misol
Wav_filename
Transcript filename
Filesize
./data/train/ru_01 .wav
./data/train/ru_01 .txt
220044
./data/train/ru_02.wav
./data/train/ru_02.txt
252044
Nutq signaliga dastlabki ishlov berish. Signalni oldindan qayta ishlash
MFCC.py skriptida amalga oshiriladi. Skriptdagi mfcc funktsiyasi audio faylni
argument sifatida qayta ishlashga oladi. Namuna sifatida oʻquv namunalari fayllaridan
biri tanlangan.
Freymga ajratish.
Keyingi ishlov berishni amalga oshirish uchun audio fayl 10
ms lik freymlarga ajratiladi. Audiofaylni freymlarga ajratish jarayoni (Ilova A. 1-
listing) keltirib oʻtilgan.
1.1-rasm. Audio faylni 10 msek lik uzunlikdagi freymlarga ajratish(1-Listing natijasi)
40
Xemming oynasini qoʻllash.
Keyingi bosqichda ajratilgan freymlarga
Xemming oynasini qoʻllash prosedurasi bajariladi. Ushbu jarayonning dastur kodi
(Ilova A. 2-listing) da keltirib oʻtilgan. Xemming oynasi qoʻllash natijasi esa 1.2-
rasmda keltirilgan.
1.2-rasm. Xemming oyna funksiyasi (chap tarafdagi) va uning signalga qoʻllanilgan
natijasi (oʻng tarafdagisi)
Spektral almashtirish.
Olingan natijalarga tezkor Fur’e almashtirish algoritmi
qoʻllaniladi (Ilova A. 3-Listing). Spektral ishlov berish natijasi 1.3-rasmda keltirilgan.
1.3-rasm. Tezkor Fur’e almashtirish algoritmi qoʻllanilgandan soʻng olingan spektr
Dasturning oxirgi bosqichida har bir freym uchun mel chastotali oyna
spektriga yoyish asosida energiya hisoblanadi. Undan soʻng diskret kosinus
almashtirish algoritmi yordamida yakuniy nutq signalining belgilarini hosil qilamiz va
bu belgilar mel chastotali kepstral koeffisientlar deb ataladi.
MFCC ni hisoblash.
Ushbu jarayonda nutqni tanish tizimiga kiritilgan soʻzdan
olingan MFCC spektrogrammasi hosil qilinadi. MFCC tasvirlarini hosil qilish jarayoni
berilgan. Natija 1.4-rasmda keltirilgan.
1.4-rasm. Mel chastotali kepstral koeffisientlardan hosil qilingan spektrogramma
tasviri
41
Neyron tarmoqni yaratish va oʻqitish.
Nutqni tanib olish moduli bilan
ishlashdan oldin yaratilgan nutq bazasi iborat oʻquv tanlama asosida tarmoq
oʻqitiladi[19,21]. Oʻqitish va tanib olish uchun 2 ta qatlamli LSTM va konnekstion
vaqtni tasniflash (Neyron tarmoq) baholovchi qatlamlardan tashkil topgan neyron
tarmoq yaratilgan. Neyron tarmoqni yaratish va oʻqitishning dasturlarda keltirib
oʻtilgan.
Oʻqitish tugatilgandan soʻng neyron tarmoqning nutqni tanish moduli testlash
uchun tayyor holga keladi. Nutqni tanishni mikrafondan yozib olingan audio fayl orqali
amalga oshirishlarda keltirib oʻtilgan. Tanib olish jarayoni esa berilgan.
Nutqni tanib olish moduli ishini sifatini baholash.
Oʻzbek tilidagi uzluksiz
nutqni tanish uchun ishlab chiqilshgan E2E yondashuvga asoslangan tarmoqlardan biri
bu SNN+RNN+CTC (DNN-CTC) hisoblanadi. Tarmoq oʻqitish qadamlari soni 70 ta
epoch etib belgilandi. Oʻqitish jarayonida epoch larning ortishi bilan aniqlikning
koʻtarilishi, Loss xatoligining pasayishi, WER va CER koʻrsatgichlarining
oʻzgarishlarini mos ravishda 1.5, 1.6, 1.7--rasmlarda koʻrishimiz mumkin.
1.5-rasm. Rekurrent neyon tarmoq asosidagi modelning aniqligini oʻqitish qadamlari
ortishiga mos oʻzgarishi
1.6-rasm. Rekurrent neyron tarmoq modelning Loss xatoligining o’qitish
qadamlarida o’zgarishi
42
1.7-rasm. Rekurrent neyron tarmoq modelning WЕR va CЕR xatoligining o’qitish
qadamlarida o’zgarishi
Ushbu grafiklar tarmoqning eng yaxshi natija bergandagi holatini ifodalaydi.
Ilova qilingan grafiklarning oʻzgarishidan koʻrishimiz mumkinki, tarmoqni oʻqitish
qadamlari ortganda aniqligning ortishini sodir boʻlmoqda. Epoch 70 ga kelganda
toʻplam uchun aniqlik ~95%, WER~22% va CER ~8.5% boʻlganishi koʻrishimiz
mumkin. Rekurrent neyon tarmoqga asoslangan neyron tarmoq orqali ishlab chiqilgan
ANT moduli yaratishdagi tajriba natijalarini quyidagi 1.2-jadvalda koʻrishimiz
mumkin.
1.2-jadval. DNN-rekurrent neyron tarmoq modeli boʻyicha aniqlik koʻrsatgichlari
Model
LM SP SA
Valid
Test
Oʻqitish
vaqti(soat)
WER
CER
WER
CER
DNN-RNN
×
×
×
40.5
9.3
44.2
12.6
16.7
✓
×
×
32.6
8.2
28.6
10.3
20.1
✓
✓
×
24.1
7.9
24.4
9.2
23.3
✓
✓
✓
23.1
7.6
22.3
8.9
25.4
Yuqoridagi 1.2 jadvaldan koʻrishimiz mumkinki, oʻqitish vaqti ortishiga
qaramasdan, Language Model (LM), Speed Perturbation (SP) va SpecAugment (SA)
xususiyatlarini kiritishimiz orqali test va validation toʻplamlari uchun WER va CER
koʻrsatgichlarini yaxshilanganini koʻrishimiz mumkin. LM, SP va SA larning turli
kombinasiyalarida WER va CER koʻrsatgichlarinig
test
va
valid
toʻplamlar uchun
solishtirma qiymatlari grafik koʻrinishda quyidagi 1.8-rasmda keltirilgan.
1.8-rasm. Ishlab chiqilgan rekurrent tarmog’i uchun WЕR va CЕR ko’rsatkichlari
0
20
40
60
…
LM
LM+SP
LM+SP+SA
WER
Test
Valid
0
5
10
15
…
LM
LM+SP
LM+SP+SA
CER
Test
Valid
43
Foydalanilgan adabiyotlar roʻyxati:
1.
Тавбоев С. А. и др. НЕКОТОРЫЕ МЕТОДЫ И ЗАДАЧИ ЦИФРОВОЙ
ОБРАБОТКИ И РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ //International Journal of
Contemporary Scientific and Technical Research. – 2022. – С. 334-339.
2.
Abdurahimovich
A.
A.,
Kamoliddin
o'g'li
M.
A.
SANOQ
SISTEMALARIDA VAQT TUSHUNCHASI //International Journal of Contemporary
Scientific and Technical Research. – 2022. – С. 331-334.
3.
Tavboyev Sirojiddin Akhbutayevich, Mamaraimov Abror Kamoliddin ugli,
and Karshibaev Nizomiddin Abdumalikovich, “Algorithms for Selecting the Contour
Lines of Images Based on the Theory of Fuzzy Sets”, TJET, vol. 15, pp. 31–40, Dec.
2022.
4.
Obid o’g A. S. J. et al. Numpy Library Capabilities. Vectorized Calculation
In Numpy Va Type Of Information //Eurasian Research Bulletin. – 2022. – Т. 15. – С.
132-137.
5.
Naim o’g’li M. D., Shokir o’g’li B. Z. МЕТОДЫ ОБУЧЕНИЯ
ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С УЧИТЕЛЕМ //Новости
образования: исследование в XXI веке. – 2023. – Т. 1. – №. 9. – С. 1260-1264.
6.
Bultakov Kamoliddin, & Kholmatov Javlon. (2022). HAND MOTION
CLASSIFIER USING BIOMIMETIC PATTERN RECOGNITION
WITH
CONVOLUTIONAL NEURAL NETWORKS WITH A DYNAMIC THRESHOLD
METHOD FOR MOTION EXTRACTION USING EF SENSORS. International
Journal of Contemporary Scientific and Technical Research, 1(2), 282–285.
7.
Choryorqulov G‘.H., & Qosimov N.S. (2023). ELEKTRON JADVAL
MODELINING TAVSIFLANISHI. PEDAGOGS Jurnali, 30(3), 67–73.
8.
TA’LIMDA
DASTURLASH
JARAYONINI
BAHOLASHGA
ASOSLANGAN
AVTOMATLASHTIRILGAN
TIZIMNI
TADBIQ
ETISH
Normatov N.K., Choryorqulov G‘.H., Zamonaviy innovatsion tadqiqotlarning dolzarb
muammolari va rivojlanish tendensiyalari: yechimlar va istiqbollar mavzusidagi
Respublika ilmiy-texnik anjumani-2023, 20-24-betlar.
9.
Voxid F. et al. MACHINE LEARNING AND ITS PROSPECTS
//IJTIMOIY FANLARDA INNOVASIYA ONLAYN ILMIY JURNALI. – 2023. – Т.
3. – №. 2. – С. 52-54.
10.
Sakiev
T.
R.
et
al.
АРХИТЕКТУРА
МЕДИЦИНСКОЙ
ИНФОРМАЦИОННОЙ СИСТЕМЫ //Theoretical & Applied Science. – 2018. – №.
5. – С. 35-39.
11.
Abror M., Lazizbek M., Zilola M. GPON TEXNOLOGIYASINING
AFZALLIKLARI VA KAMCHILIKLARI //International Journal of Contemporary
Scientific and Technical Research. – 2023. – С. 215-219.
12.
Nizomiddin N. et al. TA’LIMDA DASTURLASH JARAYONINI
BAHOLASHGA ASOSLANGAN AVTOMATLASHTIRILGAN TIZIMNI TADBIQ
ETISH //International Journal of Contemporary Scientific and Technical Research. –
2023. – С. 24-28.
13.
Kamoliddin o‘g’li N. N. et al. ERWIN DASTURI YORDAMIDA IDEF0,
IDEF3 VA DFD STANDAT DIAGARAMMALARIDAN FOYDALANIB TIZIM
SIFATIDA YARATILGAN UNIVERSITETNING MONITORING BO ‘LIMI
44
LOYIHASI //Новости образования: исследование в XXI веке. – 2023. – Т. 1. – №.
6. – С. 378-386.
14.
Ziyoda M., Nizommiddin N. RAQAMLI IQTISODIYOTDA SUN'IY
INTELLEKT
TEXNOLOGIYALARINI
TURLI
SOHALARDA
AVTOMATLASHTIRISH VOSITALARI //International Journal of Contemporary
Scientific and Technical Research. – 2023. – С. 246-250.
15.
Ramazon, Mixliyev, and Babayarov Abdusattor. "MIKROSKOP
YORDAMIDA HUJAYRALARDAGI QON VA OQ QON HUJAYRALARI SONI
BOʻYICHA BEMORLARNING SOGʻLIGʻINI ANIQLASH." International Journal
of Contemporary Scientific and Technical Research (2023): 133-137.
16.
Javlon, Kholmatov, and Mustafoyev Erali. "STRUCTURE AND
PRINCIPLE OF OPERATION OF FULLY CONNECTED NEURAL NETWORKS."
International Journal of Contemporary Scientific and Technical Research (2023): 136-
141.
17.
Obid o’g, Assistent Salimov Jamshid, Assistent Abror Mamaraimov
Kamalidin o'g, and Assistent Normatov Nizomiddin Kamoliddin o‘g. "Numpy Library
Capabilities. Vectorized Calculation In Numpy Va Type Of Information." Eurasian
Research Bulletin 15 (2022): 132-137.
18.
Ziyoda,
Maydonova,
and
Normatov
Nizommiddin.
"RAQAMLI
IQTISODIYOTDA SUN'IY INTELLEKT TEXNOLOGIYALARINI TURLI
SOHALARDA AVTOMATLASHTIRISH VOSITALARI." International Journal of
Contemporary Scientific and Technical Research (2023): 246-250.
19.
Nizomiddin, Normatov. "TA’LIMDA DASTURLASH JARAYONINI
BAHOLASHGA ASOSLANGAN AVTOMATLASHTIRILGAN TIZIMNI TADBIQ
ETISH." International Journal of Contemporary Scientific and Technical Research
(2023): 24-28.
20.
Kamoliddin o‘g’li, Normatov Nizomiddin, and Ergashev Sirojiddin Baxtiyor
o‘g‘li. "ERWIN DASTURI YORDAMIDA IDEF0, IDEF3 VA DFD STANDAT
DIAGARAMMALARIDAN FOYDALANIB TIZIM SIFATIDA YARATILGAN
UNIVERSITETNING MONITORING BO ‘LIMI LOYIHASI." Новости
образования: исследование в XXI веке 1.6 (2023): 378-386.
TARMOQ XUJUMLARINI ANIQLASH VOSITALARI TAHLILI
Qurbonaliyeva Dilshoda
Toshkent axborot texnologiyalari universiteti, Oʻzbekiston
Annotatsiya.
Ushbu maqolada tarmoqlararo ekranlar, tarmoq hujumlarini
aniqlash va bartaraf etish tizimlari (IPS, IDS), Honeypot texnologiyalari hamda
ularning avzalliklari va kamchiliklari haqida so‘z boradi.
Kalit so‘zlar
. Tarmoq xavfsizligi, paketlar klassifikatsiyasi, tarmoqlararo
ekranlar, IPS, IDS, Honeypot.