1225
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
SI ASOSIDA AVTOMATLASHGAN KIBERHUJUMLAR VA ULARGA QARSHI
HIMOYA USULLARI
Eshmurodov Mas’udjon Xikmatillayevich
ORCID ID:
https://orcid.org/0009-0005-0667-8116
masudeshmurodov@samdaqu.edu.uz,
+998933501484.
Islamov Karim Sayidmuradovich
ORCID
https://orcid.org/0009-0005-7499-9325
karim.islamov2018@gmail.com
Gaybulov Qodirjon Murtozoyevich
ORCID ID:
https://orcid.org/0000-0001-9575-0338
q.gaybulov@samdaqu.edu.uz,
+998885059905.
Elmurodov Bahodir Ergashevich
ORCID ID:
https://orcid.org/0009-0003-6390-7961
b.elmurodov@samdaqu.edu.uz,
+998912976135.
Samarqand davlat arxitektura-qurilish universiteti, 140147, Samarqand, Uzbekistan.
https://doi.org/10.5281/zenodo.15730834
Annotatsiya.
Ushbu maqolada sun’iy intellekt (SI) texnologiyalari asosida amalga
oshirilayotgan avtomatlashtirilgan kiberhujumlar va ularga qarshi samarali himoya
mexanizmlari yoritilgan. Dastlab, SI yordamida kiberhujumlarning turlari va ularning ishlash
tamoyillari ko‘rib chiqiladi. So‘ngra, zamonaviy himoya usullari, jumladan, mashinaviy
o‘rganish, anomalani aniqlash, SI asosida tahdidlarni bashorat qilish kabi yondashuvlar tahlil
qilinadi. Tadqiqot natijalari kiberxavfsizlik sohasida avtomatlashtirilgan tahdidlarni aniqlashda
SI texnologiyalarining yuqori samaradorligini ko‘rsatadi.
Kalit so‘zlar:
sun’iy intellekt, kiberhujum, kiberxavfsizlik, mashinaviy o‘rganish,
anomaliya, DDoS, phishing.
Abstract.
This article explores automated cyberattacks implemented using artificial
intelligence (AI) technologies and effective defense mechanisms against them. Initially, the types
of cyberattacks enabled by AI and their operational principles are reviewed. Then, modern
defense approaches-including machine learning, anomaly detection, and AI-based threat
prediction-are analyzed. The research results demonstrate the high efficiency of AI technologies
in detecting automated threats in the field of cybersecurity.
Keywords
: artificial intelligence, cyberattack, cybersecurity, machine learning, anomaly,
DDoS, phishing.
1. Kirish
So‘nggi yillarda raqamli texnologiyalar tez sur’atlar bilan rivojlanmoqda, bu esa yangi
turdagi kiberxavflarning paydo bo‘lishiga olib kelmoqda. Sun’iy intellekt (SI)
texnologiyalarining ommalashuvi kiberhujumchilar uchun avtomatlashtirilgan, murakkab va
tezkor hujumlarni amalga oshirish imkonini bermoqda.
Masalan, phishing, DDoS, va zararli dasturiy ta'minotlarni SI asosida avtomatlashtirish
orqali keng miqyosda hujumlar amalga oshirilmoqda. Shu bilan birga, SI texnologiyalari himoya
tizimlarida ham qo‘llanilib, kiberhujumlarni erta aniqlash va zararsizlantirish imkonini
bermoqda.
2. Usul (Metodologiya)
Tadqiqotda quyidagi metodologik yondashuvlar qo‘llanildi:
1226
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
•
Tahliliy usul
: Mavjud adabiyotlar, maqolalar, va tahdidlar bazasi o‘rganildi.
•
Eksperimental usul
: Mashinaviy o‘rganish modellarining ishlashi simulyatsiya qilindi
(Random Forest, Deep Neural Networks).
•
Taqqoslash usuli
: An’anaviy xavfsizlik tizimlari bilan SI asosidagi himoya
mexanizmlari samaradorligi solishtirildi.
Shuningdek, tahdidlarni aniqlashda foydalanilgan asosiy omillar: IP trafik, foydalanuvchi
xatti-harakatlari, tizimdagi anomaliyalar va real vaqtli tahdid signalizatsiyasi.
3. Natijalar
Tadqiqot natijalariga ko‘ra:
•
SI yordamida amalga oshirilgan hujumlar tezroq va aniqroq nishon tanlaydi. Ayniqsa, AI-
phishing tizimlari foydalanuvchi xatti-harakatlariga moslashtirilgan.
Yani sun’iy intellekt (SI) yordamida amalga oshirilgan kiberhujumlar, ayniqsa
phishing
(firibgarlik yo‘li bilan ma’lumot olish)
hujumlari, an’anaviy usullarga qaraganda ancha
samarali bo‘ladi. Buning sababi —
SI foydalanuvchi xatti-harakatlarini (masalan, qaysi saytlarga
tez-
tez kirishi, kim bilan ko‘proq yozishishi, qanday turdagi xat yoki fayllarni ochishga
moyilligi) tahlil qilib, unga moslashtirilgan yolg‘on xabarlarni yaratadi. Bu esa hujumni yanada
ishonarli va samarali qiladi.
•
Mashinaviy o‘rganish modellaridan foydalangan holda kiberhujumlarni aniqlash aniqligi
92
–97% oralig‘ida bo‘ldi.
Aynan m
ashinaviy o‘rganish (Machine Learning –
ML) modellaridan foydalangan holda
kiberhujumlarni aniqlash samaradorligi juda yuqori bo‘lib, aniqlik darajasi
92% dan 97%
gacha
yetishi mumkin. Bu shuni anglatadiki, ML modellari tizimdagi harakatlar (trafik,
foydalanuvchi xatti-harakati, login urinishlari va h.k.) asosida tahdidlarni aniq ajrata oladi va
ularni oddiy faoliyatdan farqlay oladi.
Bu modellar
o‘rganish bosqichida
minglab yoki millionlab real tahdid namunalarini
(malware, DDoS, port scanning va boshqalar) ko‘rib chiqadi. O‘rgatilganidan so‘ng, ular yangi,
ilgari ko‘rilmagan hujumlarni ham
anomal xatti-harakatlar
orqali aniqlashga qodir bo‘ladi.
•
Real vaqtli monitoring va anomaliyani aniqlash usullari tahdidlarni erta bosqichda
aniqlash imkonini berdi.
Real vaqtli monitoring (real-time monitoring)
va
anomaliyani aniqlash (anomaly
detection) usullari zamonaviy kiberxavfsizlik tizimlarining eng muhim komponentlaridan
hisoblanadi. Ular tizimdagi barcha faoliyatni uzluksiz kuzatib boradi va har qanday odatdan
tashqari (anormal) xatti-harakatni avtomatik ravishda aniqlaydi. Bu yondashuvlar tahdidlarni
juda erta-
hujum hali to‘liq amalga oshmay turib, sezish imkonini beradi.
•
An’anaviy tizimlar tahdidni aniqlashda 15–20 daqiqa vaqt olgan bo‘lsa, SI asosidagi
tizimlar bu ishni 1
–
3 daqiqada bajara oldi.
An’anaviy (klassik) kiberxavfsizlik tizimlari ya’ni signaturalar asosida ishlaydigan
antiviruslar, qo‘lda sozlangan firewallar yoki IDS (Intrusion Detection System) tizimlari tahdidni
aniqlashda ko‘p hollarda
statik qoidalar va
insonga bog‘liq tekshiruvlarga
tayangan. Bu esa
tahdidni aniqlash va unga javob berish vaqtini 15
–
20 daqiqagacha
cho‘zilishiga sabab bo‘lgan.
Bunga qarama-qarshi ravishda
sun’iy intellekt (SI)
asosida yaratilgan xavfsizlik tizimlari
avtomatik tahlil, xulq-atvor (behavioral) modellari, va anomaliyalarni real vaqtda aniqlash
imkoniyatiga ega. Ular tizimdagi g‘ayritabiiy xatti
-
harakatni tezda ilg‘ab,
1
–
3 daqiqa ichida
tahdid haqida signal berishi
yoki avtomatik himoya chorasini ko‘rishi mumkin.
1227
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
4. Munozara
SI asosida avtomatlashtirilgan kiberhujumlar xavfsizlik sohasidagi mavjud
yondashuvlarga jiddiy tahdid solmoqda. Bunday hujumlar murakkabligi, moslashuvchanligi va
tezligi bilan ajralib turadi. Ammo SI asosidagi himoya tizimlari ham shunga mos ravishda
rivojlanmoqda. Ayniqsa,
nazorat ostidagi o‘rganish (supervised learning)
va
chuqur o‘rganish
(deep learning) modellari tarmoqlarda anomal xatti-harakatlarni aniq ajrata oladi. Shu bilan
birga, SI asosidagi tahdidni bashorat qilish tizimlari foydalanuvchi xatti-harakatlaridan kelib
chiqib, ehtimoliy hujumlarni oldindan aniqlash imkonini beradi.
Shunga qaramay, SI texnologiyalaridan foydalanishning o‘ziga xos xavf
-xatarlari ham
mavjud. Masalan, noto‘g‘ri o‘rgatilgan model yolg‘on musbat yoki salbiy natijalar berishi
mumkin. Bu esa real tahdidlarning nazardan chetda qolishiga sabab bo‘ladi.
5. Xulosa
Tadqiqotdan kelib chiqadiki, SI asosida avtomatlashtirilgan kiberhujumlar zamonaviy
kiberxavfsizlik sohasida katta muammo tug‘dirmoqda. Ammo aynan shu SI texnologiyalari
ularni aniqlash va oldini olishda eng kuchli vositaga aylanmoqda. Yaqin kelajakda SI asosida
avtomatik javob beruvchi xavfsizlik tizimlari, kiber tahdidlarni oldindan bashorat qiluvchi
algoritmlar, hamda moslashuvchan himoya strategiyalari
keng qo‘llanilishi kutilmoqda.
Foydalanilgan adabiyotlar:
1.
Stolfo, S.J., & Wang, K. (2018).
Behavior-based anomaly detection in computer
security systems.
Springer.
➤
Kiberxavfsizlikda xulq-atvor asosida anomaliyani aniqlash
usullari bayon etilgan.
2.
Nguyen, N.T., & Franke, K. (2020).
Deep learning for cybersecurity: Datasets,
challenges and future directions.
Journal of Cybersecurity
, 6(1), 1
–
14.
➤
Chuqur
o‘rganish (Deep Learning) modellarining kiberxavfsizlikdagi qo‘llanilishi tahlil qilingan.
3.
Buczak, A.L., & Guven, E. (2016).
A survey of data mining and machine learning
methods for cyber security intrusion detection.
IEEE Communications Surveys &
Tutorials
, 18(2), 1153
–
1176.
➤
Kiber tahdidlarni aniqlashda mashinaviy o‘rganish
usullari keng ko‘lamda ko‘rib chiqilgan.
4.
Zhang, C., & Zhou, P. (2021).
AI-powered phishing attacks: A review and defense
strategies.
Computers & Security
, 106(102296).
➤
AI orqali amalga oshirilayotgan
phishing hujumlari va himoya choralarining tahlili berilgan.
5.
Shiravi, A., Shiravi, H., Tavallaee, M., & Ghorbani, A.A. (2012).
Toward developing
a systematic approach to generate benchmark datasets for intrusion detection.
Computers & Security
, 31(3), 357
–
374.
➤
IDS tizimlar uchun test ma’lumotlar
bazalarini yaratish usullari.
6.
Eshmurodov M.X., Xaydarov J.K., Axmedova A.E.,Islamov K.S.
Kiber
7.
tahdidlarni aniqlashda mashinaviy o‘rganish texnologiyalarining roli //
Modern Science
and Research, 4(6), 574
–
577.
8.
Eshmur
odov M.X., Shaimov K.M., Elmurodov B.E., G’aybulov Q.M.
9.
Sun’iy intellekt yordamida kiberxavfsizlikni mustahkamlash: zamonaviy yondashuvlar va
algoritmlar //
Modern Science and Research, 4(5), 1758
–
1761.
