JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Meyliyev Abduvoxid
Toshkent axborot texnologiyalari universiteti
NEYRON TARMOQLAR YORDAMIDA VEB-INTERFEYSGA QARATILGAN
DASTURIY TAMINOT ISHLAB CHIQISH
Annotatsiya.
Ushbu tadqiqot ishida foydalanuvchi interfeysi dizaynini avtomatlashtirish va
tarmoq hujumlarini aniqlash bo‘yicha zamonaviy texnologiyalar — xususan, chuqur o‘rganish
(Deep Learning) va RandomForest algoritmlaridan foydalanishga asoslangan metodologiya
ishlab chiqildi. Shuningdek, CICIDS2017 va CSE-CIC-IDS2018 ma’lumotlar to‘plamlariga
asoslangan holda kiberhujumlarni (DDoS, SQL Injection, Brute Force va boshqalar) aniqlovchi
veb-interfeysli dasturiy ta’minot ishlab chiqildi. Django, HTML, CSS va JavaScript
texnologiyalaridan foydalangan holda yaratilgan tizim RandomForest modeli yordamida 95.3%
aniqlikka erishdi.
Kalit so‘zlar:
Sun’iy intellekt (AI), tabiiy tilni qayta ishlash (NLP), generativ neyron tarmoqlar,
foydalanuvchi interfeysi (UI), UX dizayn, deep Learning (DL), Chuqur neyron tarmog‘i (DNN).
Kirish
Bugungi raqamli dunyoda ish jarayonlarini avtomatlashtirish va optimallashtirish qobiliyati
tashkilotlar muvaffaqiyatining asosiy omillaridan biridir. Bu, ayniqsa, tabiiy tilni qayta ishlash
(NLP) sohasida to'g'ri keladi, bu erda generativ neyron tarmoqlari o'zining ustunligini isbotladi
va uni yaxshilash uchun foydalanila boshlandi [1].
Interfeys dizayniga foydalanuvchiga yo'naltirilgan yondashuv muvaffaqiyatli bo'lish ehtimoli
yuqori bo'lgan dizayn variantlarini ishlab chiqish imkonini beradi. Biroq, foydalanuvchi
interfeysini loyihalash jarayonining katta qismi hali ham psixologiya, inson omillari, ergonomika
va boshqalar kabi turli fanlardan kelib chiqadigan eng yaxshi amaliyot va tamoyillarga
asoslanadi. Natijada, amalga oshirilishi mumkin bo'lgan texnologik yechim va muvaffaqiyatli
foydalanuvchi interfeysi dizayniga erishish uchun zarur bo'lgan vaqt, xarajatlar va kuchlarni
sezilarli darajada kamaytiradigan bir qator o'rnatilgan dizayn ko'rsatmalari paydo bo'ldi.
Generativ foydalanuvchi interfeysini modellashtirish g'oyasini foydalanuvchi interfeysi dizayni
va kod ishlab chiqarish yondashuvlari uchun naqshga asoslangan modellarga qaytarish mumkin.
O'tmishda foydalanuvchi interfeysi dizayni uchun turli xil statistik va mashinali o'rganish (ML)
usullaridan foydalangan holda bir nechta hissa qo'shilgan. Biroq, ko'plab ML algoritmlarining
asosiy cheklovi qattiq kodlangan qoidalar talabidir. Masalan, mushuk yoki itni taniganda,
chaqaloq bir nechta misollarni/tasvirlarni vizual tekshirish va qayta ishlash orqali ob'ektlar
sinflarini o'rganadi. Inson nerv modelini o'rgatish jarayoni mushukning ko'zlari, og'zi, quloqlari
va mo'ynasi kabi individual xususiyatlarga emas, balki umumiy shakl va tuzilishga ko'proq
e'tibor qaratiladi. Bir-biriga bog'langan milliardlab neyronlardan tashkil topgan inson miyasining
yadrosi har qanday vazifani bajarish uchun faqat kerakli ma'lumotlarni mavhumlash orqali
ishlaydi. Hinton va boshqalar. [2] chuqur o'rganish (DL) usullarining asosini tashkil etuvchi
sun'iy neyron tarmoqlari g'oyasini taklif qilishgan.
Chuqur neyron tarmoqlari
Inson asab tizimining dizaynidan ilhomlangan chuqur neyron tarmog'i arxitekturalari ma'lumot
olish, umumlashtirish va semantik baholash uchun mas'ul bo'lgan bir nechta qatlamlardan iborat.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Ushbu zich qatlamlarga kirish sifatida taqdim etilgan UI dizayn ma'lumotlari UI dizayn
elementlarining turli xususiyatlarini, kod bayonotlarini va tasvirlarni (UI dizaynining
skrinshotlari) o'z ichiga oladi. Har bir qatlam act(), X kirishlari va th parametrlarini faollashtirish
funktsiyalariga o'ralgan chiziqli operatsiyalar to'plamini hisoblaydi. Ushbu parametrlar W
og'irliklari va B egilishlarni o'z ichiga oladi. 1-tenglama bitta neyron (ni) uchun formulani
ko'rsatadi [3].
�
�
= ���(�
�
∗ �
�
+ �
�
)
Turli xil neyronlar qatlamga birlashtirilganda, ushbu neyronlar uchun qiymatlar W og'irliklari va
egilishlar B matritsasi yordamida hisoblanadi. Yashirin qatlamlar orqali qiymatlar hisoblab
chiqilgandan so'ng, ular chiqish neyronlariga ulanadi.
1-rasm. Chuqur neyron tarmoqning tuzilishi bitta kirish qatlami, ikkita yashirin qatlam va bitta
chiqish qatlamidan iborat. Yakuniy chiqish qatlamidan tashqari ushbu tarmoqdagi har bir
qatlamda n ta tugun mavjud [3].
Tadqiqotchilar tomonidan 98%+ aniqlik va juda cheklangan yolgʻon signal stavkalari 1% dan
past boʻlgan hujumlarni aniqlashning koʻplab modellari allaqachon taklif qilingan. Ushbu yuqori
darajadagi aniqlik tadqiqotchilar va sanoatni foydalanuvchilar uchun samarali mahsulotlar bilan
ta'minlash uchun pul va kuch sarflashga jalb qildi. Biroq, faqat bir nechta modellar haqiqiy
IDSni ishlab chiqish uchun sanoat tomonidan qabul qilinadi. Buning sababini topish uchun biz
eng so'nggi IDS modellarini, o'quv va test ma'lumotlar to'plamlarini va bunday ma'lumotlar
to'plamlaridan namunalar yaratishda foydalaniladigan algoritmlarni diqqat bilan kuzatamiz.
Tadqiqotimiz davomida biz Kanada kiberxavfsizlik instituti tomonidan taqdim etilgan
CICIDS2017[7] deb nomlangan yangi maʼlumotlar toʻplami yangilanish hujumlari
senariylarining koʻp qismini oʻz ichiga olganligini aniqladik. Ushbu zamonaviy ma'lumotlar
to'plami nafaqat yangilangan tarmoq hujumlarini o'z ichiga oladi, balki haqiqiy dunyo
hujumlarining barcha mezonlariga javob beradi [4-5].
Hozirgi kunda veb-interfeyslar yaratishda an’anaviy usullar bilan bir qatorda sun’iy intellekt,
xususan, neyron tarmoqlar asosida ishlovchi yangi metodlar ham faol qo‘llanilmoqda. Ushbu
yondashuvlar asosan quyidagilarga qaratilgan [6-9]:
Avtomatlashtirilgan dizayn va foydalanuvchi tajribasi (UX) takomillashtirilishi: Neyron
tarmoqlar foydalanuvchi xatti-harakatlarini tahlil qilib, interfeys elementlarini avtomatik tarzda
moslashtirish yoki takomillashtirishga imkon beradi.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Kod generatsiyasi va optimallashtirish: Neyron tarmoqlar HTML, CSS yoki JavaScript kod
fragmentlarini avtomatik yaratishga, xatoliklarni aniqlash va tuzatishga yordam beradi.
Matn va nutqni qayta ishlash: Chatbotlar va virtual yordamchilar uchun foydalanuvchi
interfeyslari yaratishda neyron tarmoqlar orqali tabiiy tilni tushunish va ishlash imkoniyati
oshiriladi.
Personalizatsiya: Har bir foydalanuvchi uchun individual interfeys variantlarini
shakllantirishda mashinaviy o‘rganish modellari qo‘llaniladi.
Metodlarni tashkil qilish odatda quyidagi bosqichlarni o‘z ichiga oladi [10-12]:
1. Loyihalash: Veb-ilovaning funksional va vizual talablarini belgilash.
2. Model tayyorlash: Kerakli neyron tarmoq arxitekturasini (CNN, RNN, Transformer va
boshqalar) tanlash va o‘rnatish.
3. Ma’lumotlar tayyorlash: Neyron tarmoqni o‘rgatish uchun ma’lumotlar to‘plash va tozalash.
4. Integratsiya: Neyron tarmoqni veb-interfeysga ulanadigan xizmat sifatida biriktirish
(masalan, API orqali).
5. Test va optimizatsiya: Foydalanuvchi tajribasini yaxshilash uchun sinov va modelni qayta
o'qitish.
Markazlashmagan tizim
Back-end tizimi
Ma’lumotlar
oqimini qabul qilish
DNN ishlov
berish agenti
DNN o’qitish
agenti
Ma’lumotlar
O'qitilgan DNN
himoya agenti
O'qitilgan DNN
himoya agenti
O'qitilgan va himoyalangan DNN ma'lumotlar bazasi
O'qitilgan DNN
taqsimlash agenti
Shifrni ochish agenti
1
2
3
4
5
6
7
8
9
Backendda DNN, DNN Training Agent ichida o'qitiladi,
1
. O‘qitishning natijasi (NN
arxitekturasi va parametrlari) o'qitilgan DNN himoya agenti,
2
ga yuboriladi. Shu bilan bir
qatorda, oldindan o'qitilgan DNN to'g'ridan-to'g'ri himoya agentiga import qilinishi mumkin.
DNN himoya agenti Key Generator komponentidan,
3
dan to'liq gomomorfik kalit juftligini hosil
qiladi. Keyin DNN shifrlanadi va o'zining gomomorf kalitlari juftligi bilan o'qitilgan va
himoyalangan DNN ma'lumotlar bazasida saqlanadi,
4
.
CICIDS2017 ma'lumotlar to'plamida haqiqiy ma'lumotlarga (PCAP) o'xshash xavfsiz va
zamonaviy umumiy hujumlar mavjud. Shuningdek, u vaqt tamg'asi, manba va maqsad IP
manzillari, manba va maqsad portlari, protokollar va hujumlar (CSV fayllari) asosida
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
belgilangan oqimlarga ega CICFlowMeter yordamida tarmoq trafigini tahlil qilish natijalarini o'z
ichiga oladi.
Aniqlanadigan hujum turlari
Tadqiqotda quyidagi tarmoq hujumlari aniqlanadi, ular CIC-IDS-2017 va CSE-CIC-IDS-2018
datasetlarida keltirilgan:
1. DDoS (Distributed Denial of Service): Server yoki tarmoq resurslarini haddan tashqari
yuklash orqali xizmatni to‘xtatishga qaratilgan hujum.
2. SQL Injection: Ma’lumotlar bazasiga zararli SQL so‘rovlarni kiritish orqali noqonuniy
kirish yoki ma’lumotlarni o‘zgartirish.
3. Brute Force: Parol yoki shifrlarni sinab ko‘rish orqali tizimga kirishga urinish.
4. Botnet: Zararli dasturlar yordamida boshqariladigan qurilmalar tarmog‘i orqali hujumlar
uyushtirish.
5. Web Attack: Veb-ilovalarga qarshi hujumlar, masalan, XSS (Cross-Site Scripting) yoki
CSRF.
6. Infiltration: Tizimga yashirincha kirib, ma’lumotlarni o‘g‘irlash yoki zararli faoliyatni
amalga oshirish.
7. Heartbleed: OpenSSL xavfsizlik xatosi orqali maxfiy ma’lumotlarni o‘g‘irlash.
8. Port Scan: Tizimning ochiq portlarini aniqlash uchun skanerlash.
Ushbu hujumlar RandomForest modeli yordamida klassifikatsiya qilinadi, tarmoq trafigidagi
xususiyatlar (masalan, paketlar soni, so‘rovlar chastotasi) asosida aniqlanadi.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
2-rasm. Kiberhujum va ularning turlarini aniqlash dasturiy ta’minot algoritmi.
2-rasmdagi algoritm kompyuter tarmoqlaridan trafik ma’lumotlarini yig‘ish, ularni tahlil qilish
va IDS (Intrusion Detection System) tizimida tekshirish jarayonini bosqichma-bosqich ko‘rsatib
beradi.
1. Trafik yig‘ish:
Dastlab, Wireshark yoki tcpdump kabi maxsus dasturlar yordamida tarmoqdan
trafik yozib olinadi va natijada
.pcap
(Packet Capture) formatidagi fayl yaratiladi. Bu fayl barcha
tarmoq aloqalarini o‘z ichiga oladi va keyingi tahlil uchun asosiy manba bo‘lib xizmat qiladi.
2. .pcap faylni CSV formatiga o‘tkazish:
Keyingi bosqichda .pcap fayl tshark yoki
CICFlowMeter kabi vositalar yordamida
CSV
formatiga konvertatsiya qilinadi. Ushbu jarayon
tarmoq oqimlarini osonroq tahlil qilish uchun ularni jadval shakliga keltiradi.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
3. CSV faylni tekshirish:
Hosil bo‘lgan CSV faylni tekshirish zarur. Asosan,
frame.time
va
boshqa muhim maydonlarning to‘g‘riligiga e’tibor qaratiladi. Bu bosqichda ma’lumotlarning
aniqligi va to‘liqligi nazorat qilinadi.
4. NetworkFlow formatiga moslashtirish:
Tayyorlangan CSV fayl Python skriptlari yordamida
NetworkFlow formatiga moslashtiriladi. Bu jarayonda har bir oqim uchun 69 ta xususiyat
(features) hisoblanadi va natija sifatida
test_x.csv
fayli yaratiladi. Bu fayl keyingi tahlillar uchun
tayyor ma’lumotlar to‘plamini ifodalaydi.
5. IDS tizimida tahlil qilish:
Django asosida yaratilgan veb-server ishga tushiriladi. IDS
tizimining Analysis sahifasi orqali CSV fayl yuklanadi va trafik oqimlari ustida xavfsizlik tahlili
o‘tkaziladi. Natijalar foydalanuvchiga grafik va statistik shaklda ko‘rsatiladi.
6. Modelga import qilish (ixtiyoriy):
Agar kerak bo‘lsa, NetworkFlow modeli yordamida
olingan ma’lumotlar tizim bazasiga import qilinadi. Keyinchalik Dashboard va Flows
sahifalarida bu ma’lumotlar vizual tarzda tahlil qilinishi va kuzatilishi mumkin.
Dasturiy ta’minot ishlab chiqish natijalari
Ishlab chiqilgan dasturiy ta’minot RandomForest algoritmi yordamida tarmoq hujumlarini
aniqlaydi. Aniqlash Django, HTML, CSS va JavaScript texnologiyalariga asoslangan veb-
interfeysga ega dasturiy vosita orqali amalga oshiriladi. Tadqiqot Canadian Institute for
Cybersecurity (CIC) tomonidan taqdim etilgan CIC-IDS-2017 va CSE-CIC-IDS-2018 datasetlari
asosida amalga oshirildi.
Tarmoq hujumlarini aniqlash uchun to‘liq veb-ilova yaratilgan:
1.
Model o‘qitish (
train_models.py
)
:
o
RandomForest algoritmi CIC-IDS datasetlari asosida o‘qitiladi.
o
StandardScaler va LabelEncoder yordamida ma’lumotlar tayyorlanadi.
o
Test ma’lumotlari uchun bashoratlar predictions.csv fayliga saqlanadi.
2.
Backend (
views.py
,
models.py
)
:
o
NetworkFlow modeli 68 ta xususiyat (masalan, protocol, flow_duration, total_fwd_packets)
va bashoratni saqlaydi.
o
views.pyda dashboard, flows va analysis sahifalari uchun logika, shuningdek, CSV fayllarni
tahlil qilish va eksport qilish funksiyalari mavjud.
o
get_new_flows funksiyasi real vaqt rejimida yangi oqimlarni AJAX orqali yuklaydi.
3.
Frontend (
dashboard.html
,
flows.html
,
analysis.html
)
:
o
Foydalanuvchi interfeysi sodda va qulay, sidebar navigatsiyasi orqali boshqariladi.
Amalga oshirilgan tadqiqotlar va ishlab chiqilgan algoritm asosida dasturiy ta’minot ishlab
chiqildi. Ishlab chiqilgan vebga yo‘naltirilgan dasturiy ta’minot tavsifi quyida rasmlar bilan
keltirilgan.
Python dasturlash tilida vebga yo‘naltirilgan dasturiy ta’minot ishlab chiqishda quyida keltirilgan
kutubxonalar lozim bo‘ladi:
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Django>=4.0.0
djangorestframework>=3.13.0
numpy>=1.22.0
pandas>=1.4.0
scikit-learn>=1.0.0
scapy>=2.4.0
requests>=2.27.0
matplotlib>=3.5.0
python-dateutil>=2.8.0
djangorestframework-simplejwt>=5.0.0
django-cors-headers>=3.11.0
joblib~=1.4.2
tensorflow~=2.19.0
Kutubxonalar o‘rnatib bo‘linganidan so‘ng, dasturiy ta’minot ishlab chiqilishi lozim, quyida
ishlab chiqish jarayonidan, kodlar va misollar keltirilgan.
dashboard.html:
a)
b)
3-rasm. Kiberhujumlarni aniqlash tizimining dashboard sahifasi keltirilgan
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Flows.html:
a)
b)
4-rasm. Kiberhujumlarni aniqlash tizimining network flows sahifasi keltirilgan
analysis.html:
a)
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
b)
5-rasm. Kiberhujumlarni aniqlash tizimining Analysis sahifasi keltirilgan
Yuqorida keltirilgan 5-rasmda analysis.htmlda CSV fayllarni yuklash, statistik natijalarni
ko‘rsatish va Chart.js yordamida vizualizatsiya taqdim etiladi.
a)
b)
6-rasm. Kiberhujumlarni aniqlash tizimida bashoratlar taqsimoti Donut va bar chart’lar orqali
interaktiv tarzda ko‘rsatiladi.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Ishlab chiqilgan kiberhujumlarni aniqlash tizimi test sinovlaridan o‘tkazilgan bo‘lib uning
natijalari visual ko‘rinishda statistik ma’lumotlar sifatida chiqariladi.
7-rasm. Tahlil qilish natijalari toifalar kesimida hujumlar turi bilan keltirilgan.
7-rasmda biz tahlil natijalarini ko‘rishimiz mumkin, tahlil natijalariga ko‘ra tizim, serverga
uyushtirlgan hujumlar turini va foizini aniqlaydi. Barcha hujumlar turlari aniqlangandan so‘ng.
Eng ko‘p uyushtirilgan hujumlarning asosiy 3 turi ajratib ko‘rsatiladi va bu o‘z navbatida
serverdagi mavjud zaifliklar va nuxsonlarni aniqlash va bartaraf etish imkonini beradi.
RandomForest algoritmi test to‘plamida 95.3% aniqlikka erishdi, F1-score esa 0.94 ni tashkil
qildi. Quyidagi jadvalda modelning asosiy ko‘rsatkichlari keltirilgan:
Model
Aniqlik
(%)
F1-skor
O‘qitish
vaqti
(soniya)
RandomForest
95.3
0.94
12.5
Xulosa
Kiberhujum va ularning turlarini aniqlash bo‘yicha sun’iy intellekt texnologiyalarini qo‘llagan
holda dasturiy ta’minot algoritmi ishlab chiqildi.
Ushbu tadqiqot Kanada Kiberxavfsizlik Instituti (CIC) tomonidan ishlab chiqilgan CIC-IDS-
2017 va CSE-CIC-IDS-2018 ma'lumotlar to‘plamlariga asoslanib, tarmoq hujumlarini aniqlash
va klassifikatsiya qilishga qaratilgan.
Tahlil va klassifikatsiya uchun RandomForest algoritmidan foydalanildi. Ma'lumotlarni qayta
ishlashda Pandas, NumPy, StandardScaler va LabelEncoder kutubxonalari qo‘llanildi. Tizimni
amalga oshirishda Django backend, HTML/CSS/JavaScript frontend texnologiyalari va Chart.js
orqali vizualizatsiyalar ishlab chiqildi. RandomForest algoritmi test to‘plamida 95.3% aniqlikka
erishdi, F1-score esa 0.94 ni tashkil qildi, umumiy o’qitish vaqti esa 12,5 soniyani tashkil etdi.
Yaratilgan veb-ilova real vaqt rejimida tarmoq trafigini tahlil qilish, bashorat natijalarini
ko‘rsatish va CSV formatida eksport qilish imkoniyatini beradi.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Adabiyotlar ro‘yxati
1. Чудинов Н.В., Халидов А.А. Разработка программного комплекса
для защиты программ от нелегального использования / Современные
цифровые
технологии:
проблемы,
решения,
перспективы.
национальная
(с
международным участием) научно-практическая конференция. Казань, 2022. С. 140-142.
2. Аникин И.В., Катасёв А.С., Черняков А.С. Модель и программный комплекс анализа
атак на web-приложения // Научно-технический вестник Поволжья. 2023. № 7. С. 17-20.
3. Ерхов Р. В. Методы разработки и архитектура современных веб-приложений //Новые
информационные технологии в научных исследованиях. – 2016. – С. 129-130
4. David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams. Learning Internal
Representations by Error Propagation. Technical Report ICS-8506, CALIFORNIA UNIV SAN
DIEGO LA JOLLA INST FOR COGNITIVE SCIENCE, September 1985. URL
dtic.mil/docs/citations/ADA164453.
5. Boemer, F., Ratner, E., and Lendasse, A. (2018). Parameterfree image segmentation with
SLIC. Neurocomputing, 277:228–236.
6. Brakerski, Z., Gentry, C., and Vaikuntanathan, V. (2011). Fully homomorphic encryption
without bootstrapping. Cryptology ePrint Archive, Report 2011/277.
7. Chabanne, H., de Wargny, A., Milgram, J., Morel, C., and Prouff, E. (2017). Privacy-
preserving classification on deep neural network. IACR Cryptology ePrint Archive, 2017:35.
8. Cheon, J. H., Han, K., Kim, A., Kim, M., and Song, Y. (2018). Bootstrapping for
approximate homomorphic encryption. IACR Cryptology ePrint Archive, 2018:153.
9. Chillotti, I., Gama, N., Georgieva, M., and Izabachene, M. (2018). Tfhe: Fast fully
homomorphic encryption over the torus. Cryptology ePrint Archive, Report 2018/421.
https://eprint.iacr.org/2018/421.
10. Clevert, D.-A., Unterthiner, T., and Hochreiter, S. (2015). Fast and accurate deep network
learning by exponential linear units (elus). arXiv preprint arXiv:1511.07289.
11. Cramer, R., Damgard, I. B., et al. (2015). ˚ Secure multipartycomputation. Cambridge
University Press.
12. Ducas, L. and Micciancio, D. (2015). Fhew: bootstrapping homomorphic encryption in less
than a second. In Annual International Conference on the Theory and Applications of
Cryptographic Techniques, pages 617–640. Springer.
