T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
173
ISSN:3030-3613
SUN’IY INTELLEKT SHAROITIDA MA’LUMOTLAR
HIMOYASI: TAHDIDLAR VA YECHIMLAR
Panjiyeva Gulhayo
Chirchiq davlat pedagogika universiteti
Annotatsiya:
Sun’iy intellekt (SI) texnologiyalarining keng tarqalishi
kiberxavfsizlik sohasida yangi imkoniyatlar bilan bir qatorda, jiddiy tahdidlarni ham
yuzaga keltirmoqda. Ushbu maqolada SI bilan bog‘liq kiberxavfsizlik muammolari
chuqur tahlil qilinadi. Jumladan, deepfake texnologiyalarining xavfi, shaxsiy
ma’lumotlar bilan bog‘liq hujumlar va differential privacy tamoyili asosidagi himoya
mexanizmlari ko‘rib chiqiladi. Maqolada global statistika, real tadqiqotlar va
amaliyotda qo‘llanilayotgan texnologik yondashuvlar asosida ushbu muammolarning
dolzarbligi va ularni bartaraf etish yo‘llari tahlil qilinadi. Tadqiqot natijalariga ko‘ra,
SI asosidagi himoya usullari (masalan, avtomatlashtirilgan tahdid aniqlash, differensial
maxfiylik) kiberxavfsizlikni oshirishda katta salohiyatga ega, biroq ularning o‘zi
yetarli emas — yuridik va etik me’yorlar bilan birga ishlashi muhim.
Kirish so’z.
kiberxavfsizlik, ma’lumotlar tahlili, deepfake, aniqlash algoritmlari,
shaxsiy ma’lumotlar
Annotation:
The widespread adoption of artificial intelligence (AI) technologies
is bringing both new opportunities and serious challenges in the field of cybersecurity.
This paper explores key security issues related to AI, including the risks posed by
deepfake technologies, personal data breaches, and privacy protection through
differential privacy principles. Based on global statistics, recent academic research, and
practical technological approaches, the paper analyzes the relevance of these threats
and the effectiveness of current solutions. The findings suggest that AI-based defense
mechanisms — such as automated threat detection and differential privacy — have
great potential to enhance cyber security. However, they are not sufficient on their own
and must be complemented by legal and ethical frameworks.
Keywords:
cybersecurity, data analysis, deepfake, detection algorithms, personal
data
Аннотация:
Широкое распространение технологий искусственного
интеллекта (ИИ) приносит как новые возможности, так и серьёзные угрозы в
сфере кибербезопасности. В данной статье рассматриваются ключевые
проблемы безопасности, связанные с ИИ, включая риски, связанные с
технологией дипфейков, утечки персональных данных и механизмы защиты
конфиденциальности на основе дифференциальной приватности. На основе
глобальной статистики, современных научных исследований и практических
подходов анализируется актуальность указанных угроз и эффективность
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
174
ISSN:3030-3613
существующих решений. Результаты показывают, что методы защиты,
основанные на ИИ — такие как автоматическое обнаружение угроз и
дифференциальная приватность — обладают высоким потенциалом для
повышения уровня кибербезопасности, однако требуют дополнения
нормативно-правовой и этической поддержкой.
Ключевые слова:
кибербезопасность, анализ данных, дипфейк, алгоритмы
обнаружения, персональные данные
KIRISH
So‘nggi yillarda sun’iy intellekt (SI) texnologiyalarining jadal rivojlanishi
hayotning barcha jabhalariga, xususan, kiberxavfsizlik sohasiga ham sezilarli ta’sir
ko‘rsatmoqda. Xususan, ma’lumotlarga asoslangan qarorlar
qabul qilish,
foydalanuvchi xatti-harakatlarini kuzatish va avtomatlashtirilgan xavf tahlilini amalga
oshirishda SI vositalarining ahamiyati ortib bormoqda. Biroq, bu texnologiyalar bilan
birga
kiberxavfsizlikka doir yangi tahdidlar
ham yuzaga chiqmoqda. Xususan,
deepfake
texnologiyalarining ommalashuvi,
shaxsiy ma’lumotlarni himoya
qilishdagi murakkabliklar
, va
qonuniy bo‘lmagan ma’lumot sızdirilishi
bugungi
kunda dolzarb muammolar sirasiga kiradi.
Statistik ma’lumotlarga ko‘ra, 2023-yilda butun dunyo bo‘yicha
ma’lumotlar
buzilishi (data breach)
holatlari soni 8,2 milliarddan ortiq foydalanuvchiga ta’sir
qilgan boʻlib, bu 2021-yildagidan qariyb 45% ko‘pdir [1]. Ayniqsa, tibbiyot, ta’lim va
moliyaviy sektorlardagi ma’lumotlar, nisbatan himoyasiz ekani sababli, SI asosida
uyushtirilgan hujumlar uchun asosiy nishonga aylanmoqda. Shu bilan birga,
ma’lumotlarni yashirin holda yig‘uvchi AI vositalarining ko‘payishi shaxsiy hayot
daxlsizligiga tahdid solmoqda.
Sun’iy intellekt asosida yaratilgan
deepfake texnologiyalari
esa eng xavfli
tahdidlar qatoriga kiradi. Ushbu texnologiya yordamida video yoki audio kontentni
realdek ko‘rsatib, yolg‘on axborot tarqatish mumkin. 2019-yilda Facebook, Microsoft,
va Amazon kabi kompaniyalar deepfake’ga qarshi kurashish uchun
Deepfake
Detection Challenge
musobaqasini e’lon qildi [2]. Bu loyiha doirasida yuzlab ilmiy
guruhlar sun’iy intellekt yordamida deepfake’larni aniqlashning samarali usullarini
izlashdi. Ushbu musobaqa orqali soha olimlari orasida bu tahdidga qarshi global ilmiy
harakat boshlandi.
Kiberxavfsizlik masalasida yana bir dolzarb yondashuv —
Differential Privacy
(farqlovchan maxfiylik) tamoyilidir. Bu uslub foydalanuvchi ma’lumotlarining tahlil
qilinishiga imkon berar ekan, ularning shaxsiylik darajasini saqlab qoladi. Ushbu
yondashuv hozirgi kunda Google, Apple kabi kompaniyalar tomonidan amaliyotda
qo‘llanilmoqda. Maqolada biz aynan ushbu uch yo‘nalishga —
ma’lumotlar
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
175
ISSN:3030-3613
himoyasi, deepfake texnologiyalari xavfi va differential privacy asosidagi
yechimlarga
alohida e’tibor qaratamiz.
Ma’lumotlar himoyasi va sun’iy intellekt
AI orqali ma’lumotlar tahlili: xavf va foyda: Sun’iy intellekt (AI) bugungi kunda
katta hajmdagi ma’lumotlarni tahlil qilishda beqiyos imkoniyatlar yaratmoqda.
Kompaniyalar foydalanuvchi xatti-harakatlarini aniqlash, xavfli tendensiyalarni
oldindan bashorat qilish va real vaqtli monitoringni amalga oshirishda AI
algoritmlaridan keng foydalanmoqda. Masalan, bank tizimlarida AI yordamida
firibgarliklarni (fraud detection) aniqlash darajasi 90% dan yuqoriga ko‘tarilgan
(McKinsey Global Institute, 2020).
Biroq, ushbu texnologiyalar noto‘g‘ri maqsadlarda ham qo‘llanilishi mumkin.
Ma’lumotlarga asoslangan qarorlar diskriminatsion natijalarga olib kelishi yoki
foydalanuvchining maxfiyligini buzishi ehtimoli yuqori. Shuningdek, ma’lumotlar
noto‘g‘ri tuzilgan yoki etarli darajada anonimlashtirilmagan bo‘lsa, AI model orqali
shaxsni qayta aniqlash mumkin. Bu esa
GDPR
(General Data Protection Regulation)
singari xalqaro qonunlar bilan zid keladi.
AI yordamida hujumlarni aniqlash (IDS/IPS tizimlari)
Intrusion Detection System (IDS) va Intrusion Prevention System (IPS) tizimlari
— kiberxavfsizlikdagi muhim elementlardir. An’anaviy IDS/IPS tizimlari belgilangan
qoidalar asosida ishlagan bo‘lsa, hozirda ular
AI asosida o‘z-o‘zini o‘rganuvchi
tizimlarga aylanishmoqda. Masalan,
Kaspersky Adaptive Anomaly Detection
tizimi
o‘zida AI modelni mujassamlashtirgan bo‘lib, tizimdagi g‘ayritabiiy xatti-harakatlarni
real vaqt rejimida aniqlay oladi.
AI asosidagi IDS/IPS tizimlarining asosiy afzalligi —
aniq, moslashuvchan va
doimiy yangilanadigan himoya mexanizmi
dir. Ular statik hujum signaturalariga
tayanmasdan, yangi turdagi hujumlarni ham aniqlashga qodir. Xususan,
Recurrent
Neural Networks (RNN)
va
Decision Tree-based ensemble modellari
bu borada
samaradorligi isbotlangan.
AI orqali foydalanuvchi ma’lumotlarini himoya qilish imkoniyatlari
AI nafaqat hujumlarni aniqlash, balki ma’lumotlarni
proaktiv tarzda himoya
qilish
da ham qo‘llaniladi. Misol uchun,
access control (kirish huquqlari)
ni tahlil
qilishda AI foydalanuvchi odatlarini o‘rganib, g‘ayrioddiy harakatlarni to‘xtatadi.
Shuningdek,
homomorfik shifrlash
va
federated learning
kabi AI bilan bog‘liq
texnikalar orqali shaxsiy ma’lumotlar tahlil qilinadi, lekin markaziy serverda
saqlanmaydi — bu esa xavfsizlikni kuchaytiradi.
Deepfake texnologiyalari va ularning xavfi
Deepfake — bu
Generative Adversarial Networks (GANs)
asosida ishlovchi
texnologiya bo‘lib, u mavjud video, audio yoki rasmga realistik soxta elementlarni
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
176
ISSN:3030-3613
qo‘shishga imkon beradi. Masalan, kimningdir yuzini boshqa bir video orqali
“tiktirib”, u gapirmagan so‘zlarni aytayotgandek ko‘rsatish mumkin.
So‘nggi yillarda deepfake texnologiyasi yordamida siyosiy arboblar, aktyorlar,
hatto oddiy odamlar nomidan noto‘g‘ri kontentlar tarqatilgan. 2022-yilda Ukraina
prezidenti Zelenskiyning “taslim bo‘lishga chaqirgan” soxta videosi butun dunyo
bo‘ylab jiddiy xavotir uyg‘otgan edi (BBC, 2022).
Jamiyat va siyosatga ta’siri
Deepfake'lar nafaqat shaxsiy obro‘, balki
ijtimoiy ishonch, davlat barqarorligi
va axborot xavfsizligi
uchun ham tahdid tug‘diradi. Ular orqali siyosiy
provokatsiyalar, yolg‘on guvohliklar, moliyaviy firibgarliklar amalga oshirilmoqda.
Amerika Qo‘shma Shtatlarida deepfake’lar orqali moliyaviy firibgarlik holatlari 2023-
yilda 65% ga oshgan (FTC Report, 2023).
Aniqlash algoritmlari: CNN, Autoencoder, Frequency Analysis
Deepfake’larni aniqlashda
Convolutional
Neural
Networks
(CNN)
,
Autoencoder
, hamda
Frequency Domain Analysis
asosida ishlaydigan algoritmlar
qo‘llaniladi. Ulardan ba'zilari:
XceptionNet:
Yuzning mikro ifodalarini tahlil qilib, video manipulyatsiyasini
aniqlaydi.
MesoNet:
Yuqori darajada siqilgan videolarda deepfake izlarini aniqlashga
moslashgan.
FFT-based Detection:
Surat yoki videodagi past chastotali o‘zgarishlarni ko‘rib
chiqadi.
Ilmiy ishlanmalar: DeepFake Detection Challenge.
2020-yilda Facebook,
Microsoft va Amazon hamkorligida o‘tkazilgan
DeepFake Detection Challenge
(DFDC)
loyihasi bu sohadagi ilmiy yondashuvlar rivojiga turtki bo‘ldi. Loyiha
natijalariga ko‘ra,
EfficientNet
,
ResNet50
,
Hybrid CNN-LSTM
modellari eng
samarali aniqlash mexanizmlari sifatida ajralib chiqdi (Dolhansky et al., 2020).
Differential Privacy: Shaxsiy ma’lumotlarni himoyalash
An’anaviy himoya va Differential Privacy farqi.
An’anaviy ma’lumotlar himoyasi
usullari, masalan, shifrlash yoki anonymization, ma’lumotlar bazasidan shaxsiy
identifikatorlarni olib tashlash orqali ishlaydi. Biroq bu usullar ko‘pincha
rekonstruktsiya hujumlari oldida ojiz qoladi. Bunga qarshi eng zamonaviy
yondashuvlardan biri —
Differential Privacy (DP)
hisoblanadi.
DP har bir foydalanuvchining hissa qo‘shgan ma’lumotlarini himoya qiladi, hatto
butun
modelga
kirgan
taqdirda
ham,
biror
foydalanuvchining
ishtiroki
aniqlanmasligin
i
kafolatlaydi (Dwork, 2006).
DP algoritmlari (Laplace, Gaussian noise)
Differential Privacy algoritmlarida
matematik shovqin
(noise) kiritiladi:
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
177
ISSN:3030-3613
Laplace mechanism
: javoblarga tasodifiy shovqin qo‘shib, maxfiylikni
saqlaydi.
Gaussian mechanism
: ko‘proq statistik barqarorlik kerak bo‘lganda
qo‘llaniladi.
Ushbu algoritmlar real taqsimotga yaqin natijalar beradi, lekin foydalanuvchining
haqiqiy ma’lumotini yashirib turadi.
Google, Apple’ning real loyihalari
DP hozirda
Google Chrome
,
Apple iOS
tizimlarida joriy etilgan. Masalan, Apple
foydalanuvchi klaviatura yozuvlari orqali qaysi emoji'lar mashhur ekanini aniqlaydi,
lekin
foydalanuvchining individual yozuvlarini serverga yubormaydi
— bu DP
mexanizmi orqali amalga oshadi.
Talabalar ma’lumotlari kontekstida qo‘llash
Ta’lim sohasida DP yordamida talabalar reytingi, imtihon natijalari yoki ishtirok
statistikasi kabi sezgir ma’lumotlar xavfsiz tahlil qilinadi. Bu ayniqsa
onlayn ta’lim
tizimlari
uchun muhim: foydalanuvchi xatti-harakatlari tahlil qilinadi, lekin shaxsiy
identifikatsiya yo‘q qilinadi.
XULOSA
Sun’iy intellekt texnologiyalarining jadal rivojlanishi kiberxavfsizlik sohasida
katta imkoniyatlar yaratmoqda. Shu bilan birga, bu jarayon ma’lumotlar himoyasi,
yolg‘on kontentlar (deepfake) va shaxsiylik masalalarida yangi xavf va muammolarni
yuzaga keltirmoqda. Maqolada tahlil qilingan holatlar shuni ko‘rsatadiki:
AI asosidagi tahdidlar
– ayniqsa deepfake texnologiyasi – nafaqat shaxsiy
hayotga, balki davlat xavfsizligiga ham tahdid solmoqda;
Differential Privacy
kabi zamonaviy yondashuvlar esa ma’lumotlar himoyasini
ta’minlashda istiqbolli va ilmiy asoslangan vosita hisoblanadi;
AI yordamida hujumlarni aniqlash
tizimlari (IDS/IPS) klassik yondashuvlarga
qaraganda ancha samarali, ayniqsa o‘zgaruvchan kiberxavflar sharoitida.
Shunga asoslanib, quyidagi tavsiyalarni ilgari surish mumkin:
AI texnologiyalarini qo‘llashda yuridik va axloqiy standartlar ishlab
chiqilishi zarur.
Deepfake texnologiyasining noqonuniy ishlatilishini oldini olish
uchun global qonunchilikka muvofiq algoritmik nazorat tizimlari joriy etilishi lozim.
O‘zbekistonda ham Differential Privacy kabi ilg‘or maxfiylik
texnologiyalarini ta’lim va sog‘liqni saqlash sohalariga tadbiq etish maqsadga
muvofiq.
Ayniqsa talabalar, bemorlar, ijtimoiy aholini qamrab oluvchi axborot
tizimlarida.
AI asosidagi kiberxavfsizlik tizimlarini amaliyotda keng joriy qilish kerak.
Bu ayniqsa moliya, transport va hukumat portallarida tahdidlarni oldindan aniqlash
imkonini beradi.
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
65-son_1-to’plam_Iyul-2025
178
ISSN:3030-3613
Akademik doirada deepfake aniqlash bo‘yicha ilmiy izlanishlar
rag‘batlantirilishi lozim.
O‘zbek tilidagi kontentlar uchun chuqur o‘rganilgan
modellar yaratish dolzarb.
FOYDALANILGAN ADABIYOTLAR:
1.
IBM
Security.
(2023).
Cost
of
a
Data
Breach
Report
.
https://www.ibm.com/reports/data-breach
2.
Dolhansky, B., et al. (2020).
The Deepfake Detection Challenge Dataset
.
arXiv:2006.07397.
3.
McKinsey Global Institute.
(2020).
The Future of Work in Technology
.
4.
Dwork, C.
(2006). Differential Privacy.
Proceedings of the 33rd International
Colloquium on Automata, Languages and Programming (ICALP)
. Springer.
https://doi.org/10.1007/11787006_1
5.
Federal Trade Commission (FTC).
(2023).
Consumer Sentinel Network Data
Book 2023
6.
BBC News.
(2022).
Ukraine war: Deepfake video of President Zelensky circulates
online
https://www.bbc.com/news/technology-60780142
7.
Kaspersky
Lab.
(2023).
Adaptive
Anomaly
Detection
Overview
.
8.
Apple Inc.
(2017).
Learning with Privacy at Scale
. Apple Machine Learning
Journal, 1(8).
https://machinelearning.apple.com/research/learning-with-privacy-
9.
IBM Security.
(2023).
Cost of a Data Breach Report 2023
. IBM Corporation.
https://www.ibm.com/reports/data-breach
10.
Dolhansky, B., Howes, R., Pflaum, B., Baram, N., Roessler, A., & Ferrer, C.
C.
(2020). The Deepfake Detection Challenge (DFDC) Dataset.
arXiv preprint
arXiv:2006.07397
https://arxiv.org/abs/2006.07397
