150
Statistics cryptanalysis is constantly evolving and adapting to new cryptographic
systems and challenges. Some recent developments in statistics cryptanalysis are:
•
Multidimensional linear cryptanalysis: This is an extension of linear
cryptanalysis that uses multiple linear approximations that form a linear subspace. The
advantage of this method is that it can capture the joint behavior of several not
necessarily independent binary variables, and potentially recover more bits of
information about the key using less data. Multidimensional linear cryptanalysis was
proposed by Hermelin et al. in 2018[10]
•
Neural-aided statistical attack: This is a novel method that combines statistics
cryptanalysis with deep learning techniques. The idea is to use neural networks to learn
the statistical properties of a cipher and use them to assist in key recovery attacks.
Neural-aided statistical attack was proposed by Chen et al. in 2022, and applied to
round-reduced versions of Speck32/64, DES, and Speck96/96.[2]
References:
1.
https://crypto.stackexchange.com/questions/55861/whats-the-difference-
between-a-known-plaintext-attack-and-a-ciphertext-only-att
2.
https://www.geeksforgeeks.org/cryptanalysis-and-types-of-attacks/
3.
https://www.geeksforgeeks.org/cryptanalysis-and-types-of-attacks/
4.
https://www.geeksforgeeks.org/cryptanalysis-and-types-of-attacks/
5.
https://link.springer.com/article/10.1007/s00145-018-9308-x
6.
https://academic.oup.com/comjnl/advance-article-
abstract/doi/10.1093/comjnl/bxac099/6645489
7.
https://www.uobabylon.edu.iq/eprints/publication_12_4672_49.pdf
8.
https://owasp.org/www-community/attacks/Cryptanalysis
9.
https://www.thefreedictionary.com/Statistical+cryptanalysis
10.
https://doi.org/10.1093/comjnl/bxac099
11.
https://academic.oup.com/journals/pages/open_access/funder_policies/chor
us/standard_publication_model%29
ТЕСТОВЫЕ АЛГОРИТМЫ ДЛЯ РЕШЕНИЕ ЗАДАЧИ ТАКСНОМИИ
к.т.н., доц. Т. Эшонқулов,
Р. Михлиев
Джизакский филиал Национального университета Узбекистана
Аннотация.
В настоящей научной публикации предлагается решение
задачи таксономии с помощью тестовым алгоритмом на основе разработанные
авторами критерия качества
𝒦
таксономии.
Ключевые слова:
Система опорных под множества, объекты,
Таксономия, таксоны, критерия качества функция близости, меры близости,
процедура, оценки качества.
151
В настоящей научной статье будет покозано, как в рамках метода
вычисления оценок [1,2] может быть сконструирован такой критерий качества
таксономии
𝒦
, каторый явным образом зависит как от нее самой, так и от
системы Ω опорных множеств, на базе каторый он вычисляется. Тем самым
будет показано, как в рамках этого метода, можно поставить задачу об
определенном согласовании между таксономией
𝒦
и системной Ω.
Действительно, ведь если критерий качества такой, что он существенно
зависит от пары (
𝒦
, Ω), то его экстремальное значение определяет такую из
них, изменение любого одного элемента в паре может только ухудшить
значение выбранной оценки. В результате оказывается, что рассматриваемый
критерий-это не просто критерий оценки качества таксономии, а критерий
согласованности элементов в паре (
𝒦
, Ω). В этой соглосованности и состоит
содержательный смысл использования тестовых алгоритмов для решения
задачи таксаномии. В данной статье предлагается следующие конструкции
искомый критерий: Необходимо, прежде всего, выбрать такой способ
построения системы Ω опорных подмножеств, в котором выстраиваемая
система существенно зависит от предварительно заданной таксономии
𝒦
на
множестве М. Иначе говоря, необходимо, чтобы Ω была функцией от
𝒦
:
Ω= Ω (
𝒦
).
Из всех известных систем, которые обладают таким свойством, наиболее
изученные-это системы тестов для таблицы Т. По этому именно на базе этой
системы прежде всего, иследуется возможность строить конструкцию искомого
критерия.
Любую систему такога рода будем называть тестовой и обозначать через
𝜏
.
Алгоритм поиска
𝜏
для заданой таксаномии
𝒦
будем называть тестовым
алгоритмом. С помощью тестовога алгоритма для произвольной таксономии
𝒦
на
ℓ
таксонов на таблице Т строится система
𝜏
подмножеств признаков, которая
на этой таксопомии является системой тестов.
Выбирая такую систему в качестве системы опорных подмножеств,
оценим выбранную таксономию. Для этого прежде всего, определим функцию
f ( S,S
ˈ
) , близости между двумя обектими [3,4]
f ˈ (S, S ˈ) = ∑
𝑟
𝜔
(𝑠, 𝑠 ˈ)
𝜔𝜖𝑇
(1)
Функция близости f зависит не только от того, на каких элиментах
системы Т функция
𝜏
𝜔
равна 1. Эта зависимость целиком определяется
характеристикой сходства-различия сравниваемых объектов S и S
ˈ
. Однако,
функция f
ˈ
зависит и от мощности |
𝑇
| множества
𝑇
, каторая определется всей
таксономией
𝒦
в целом.
Функцию меры
𝜇(𝑆, 𝒦
𝑞
)
близости объкта S к таксону
𝑘
𝑞
определим
следуюшим образом. [2]
𝜇(𝑆, 𝒦
𝑞
) =
1
|𝐾
𝑞
|
∑
𝑓(𝑆, 𝑆 ˈ )
𝑆`∈𝐾
𝑞
(2)
152
Если
𝑆 ∉ 𝒦
𝑞
. это означает, что в системе
𝜏
никакой объект, не
принадлежащий таксону
𝒦
q
, не молжет быть ближе к этому таксону, чем даже
самый далекий его объект.
На основе функцию меры
𝜇 (𝑆, 𝑘
𝑞
)
построим критерия для оценки качества
таксономии J (
𝒦
,
𝜏
) в виде
𝐽(𝒦,
𝜏
) = ∑
∑
𝜇(𝑆, 𝒦
𝑞
)
𝑆∈𝐾
𝑞
𝑙
𝑞=1
(3)
Определения наилучшей таксономии основывается на следующую
процедуру.
Именно,
𝒦
и
𝒦ˈ
-две различные таксономии, то до сравнения построим
для каждой из них ей присущую систему
𝜏
(состветественню
𝜏
тестов.
После этого в соответствии с формулой (3) вычислим для
K
-величину J
(
𝒦
,
𝜏
) , а для
𝒦ˈ
- величину J(
𝒦ˈ
, T). В зависимости от того, какая из этых
величин больше, ту таксономию и примем как лучщую из сравниваемых [5,6].
Литература:
1. Эшонқулов.Т-Выделение особых элементов при решении задач
таксономии, Изв. АН. Уз ССР, СТН, 1989, №2 С. 57-60
2. Камилов М.М., Эшоқулов Т. - Метод классификации с выделением
особенностей В кн.: Тезис докладов IX Всесоюзной Конференции по
управлению –Ереван, Наука,1983 С. 91-92
3. Адылова Ф.Т., Камилов М.М., Мучник И.Б., Эшонқулов Т.-Метод
вычисления оценок для классификации с выделением особых объектов.-Изв.
АН Уз ССР, СТН,1983, №3,7-10.
4. Заблоцкис Н. М., Мучиник И.,Эшонқулов Т., Селуянов Н.А.-Выделение
особенностей в матрицах данных при обработки их методами автоматической
классификации и экстремальной группировки параметров.-В кн.: Применение
математических методов и ЭВМ в социалогических исследованиях.-М. Наука,
1982, С.74-86/ИСИ АН СССР/.
5. Ф. Т. Адылова, Т. Эшонқулов “Адаптивные алгоритмы вычисления
оценок ”, Монография, препринт, Ташкент, 1992 г
6. 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.
7.
Javlon K., Erali M. STRUCTURE AND PRINCIPLE OF OPERATION OF
FULLY CONNECTED NEURAL NETWORKS //International Journal of
Contemporary Scientific and Technical Research. – 2023. – С. 136-141.
8. Ramazon, Mixliyev, and Babayarov Abdusattor. "MIKROSKOP
YORDAMIDA HUJAYRALARDAGI QON VA OQ QON HUJAYRALARI SONI
153
BOʻYICHA BEMORLARNING SOGʻLIGʻINI ANIQLASH." International Journal
of Contemporary Scientific and Technical Research (2023): 133-137.
9. 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.
10. 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.
11. 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.
12. Nizomiddin, Normatov. "TA’LIMDA DASTURLASH JARAYONINI
BAHOLASHGA ASOSLANGAN AVTOMATLASHTIRILGAN TIZIMNI TADBIQ
ETISH." International Journal of Contemporary Scientific and Technical Research
(2023): 24-28.
13. 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.
14. Javlon X. et al. Классификатор движения рук с использованием
биомиметического распознавания образов с помощью сверточных нейронных
сетей с методом динамического порога для извлечения движения с
использованием датчиков EF //Journal of new century innovations. – 2022. – Т. 19.
– №. 6. – С. 352-357.
15. Қаршиев А. МАКТАБ ЮҚОРИ СИНФ ЎҚУВЧИСИНИГ АХБОРОТ
КОМПЕТЕНТЛИГИ ТУЗИЛМАСИ //Журнал математики и информатики. –
2020. – Т. 1. – №. 1.
16. Қаршиев АА П. Ш. М. Глобаллашув жараёнида таълим сифатини
таъминлаш ва унинг ўзига хос хусусиятлари //Интернаука»: научный журнал. –
№. 44. – С. 126.
THE ROLE OF ARTIFICIAL INTELLIGENCE TECHNOLOGY IN
INDIVIDUALIZED TEACHING
Tojiyev Alisher Hasan o‘g‘li,
Norqo‘ziyev Quvonchbek Komiljon o‘g‘li
Jizzakh branch of National University of Uzbekistan
Abstract.
Individualized teaching, tailored to the unique needs and abilities of
each
learner, has long been an educational ideal. With the advent of artificial
