TARMOQLI XAVFSIZLIK UCHUN AVTOMATLASHTIRILGAN HUJUM OLDINI OLISH TIZIMLARI

YOSH OLIMLAR

ILMIY-AMALIY KONFERENSIYASI

in-academy.uz/index.php/yo

49

TARMOQLI XAVFSIZLIK UCHUN AVTOMATLASHTIRILGAN HUJUM OLDINI

OLISH TIZIMLARI

Babakulov Bekzod Mamatkulovich o‘g‘li

Assistent: Mirzo Ulug‘bek nomidagi O‘zbekiston

Milliy universiteti Jizzax filiali

babakulov.bekzod23@gmail.ru

Begmurodov Jahongir

Talaba: Mirzo Ulug‘bek nomidagi O‘zbekiston

Milliy universiteti Jizzax filiali

arcfxcv@gmail.com

https://doi.org/10.5281/zenodo.14619476

Annotatsiya:

Tarmoqli xavfsizlik sohasida avtomatlashtirilgan hujum oldini olish

tizimlari (AHOT) yuqori texnologik yondashuv sifatida xavfsizlikni ta’minlashda muhim rol
o‘ynaydi. Ushbu maqolada AHOTning asosiy konseptlari, amaliy metodlari va texnologiyalari
tahlil qilinadi. Bundan tashqari, kiberhujumlarni oldini olishda ushbu tizimlarning
samaradorligini oshirish uchun sun’iy intellekt va mashinaviy o‘qitish texnologiyalari qanday
qo‘llanilayotgani ko‘rib chiqiladi. Natijalar kiberxavfsizlik sohasidagi dolzarb muammolarga
amaliy javob topishda muhim ahamiyat kasb etadi.

Kalit so‘zlar:

tarmoqli xavfsizlik, avtomatlashtirilgan hujum oldini olish tizimi,

kiberxavfsizlik, sun’iy intellekt, mashinaviy o‘qitish.

KIRISH.

Kiberxavfsizlik sohasida texnologiyalarning rivojlanishi bilan birga tarmoqli

tizimlarga bo‘ladigan hujumlar soni va murakkabligi oshib bormoqda. An’anaviy xavfsizlik
choralarining yetarli darajada bo‘lmasligi yangi avlod xavfsizlik tizimlarini joriy etishni talab
etadi. Avtomatlashtirilgan hujum oldini olish tizimlari (AHOT) zamonaviy tarmoqli
xavfsizlikning ajralmas qismiga aylanib bormoqda.

ADABIYOTLAR TAHLILI VA METODLAR.

Adabiyotlar tahlili shuni ko‘rsatadiki,

kiberhujumlarni aniqlash va ularga javob berish uchun mashinaviy o‘qitish va sun’iy
intellektga asoslangan yondashuvlar eng samarali hisoblanadi. Metod sifatida, tarmoqli
trafikni tahlil qilish uchun chuqur o‘rganish algoritmlari, anomaliyalarni aniqlash tizimlari va
xavfsizlik devorlari kabi texnologiyalar o‘rganiladi. Tajribalar uchun simulyatsiya muhitida
turli xil hujum ssenariylari sinovdan o‘tkazildi.

Trafikni tahlil qilish:

Tizim kiruvchi va chiquvchi ma’lumotlar oqimini tahlil

qiladi.Imzo asosida aniqlash: Oldindan belgilangan kiberhujumlar namunalari asosida tahlil
o‘tkazadi.Nomalum tahdidlarni aniqlash: Davriy anomaliyalarni aniqlash orqali yangi hujum
turlarini tanib oladi.Oldini olish: Aniqlangan tahdidlarni avtomatik ravishda bloklaydi yoki
tizimni himoya qiladi.IPS tizimlarining turlariTarmoq asosidagi IPS (NIPS): Tarmoq
darajasida hujumlarni aniqlash va oldini olish bilan shug‘ullanadi.Xost asosidagi IPS (HIPS):
Xost yoki qurilma darajasida ishlaydi va lokal tizim hujumlarini bartaraf etadi.Gibrid IPS: NIPS
va HIPS funksiyalarini birlashtiradi va kengroq himoya ta’minlaydi.

NATIJALAR.

Tadqiqot natijalari avtomatlashtirilgan tizimlarning an’anaviy tizimlarga

nisbatan 25-40% samaraliroq ekanligini ko‘rsatdi. Xususan, sun’iy intellektga asoslangan
tizimlar anomaliyalarni aniqlashda va so‘nggi hujum turlarini prognoz qilishda yuqori
natijalarni berdi. Jadvallar va grafikalar orqali olingan ma’lumotlarning tahlili keltiriladi.

YOSH OLIMLAR

ILMIY-AMALIY KONFERENSIYASI

in-academy.uz/index.php/yo

50

MUHOKAMA.

Natijalar shuni ko‘rsatadiki, avtomatlashtirilgan tizimlarning joriy etilishi

nafaqat tarmoqli xavfsizlikni oshiradi, balki inson omilini kamaytiradi. Biroq, ushbu tizimlarni
qo‘llashda ma’lumotlar maxfiyligini ta’minlash va sun’iy intellekt modellari uchun zarur
bo‘lgan o‘quv ma’lumotlarini to‘plash bilan bog‘liq qiyinchiliklar mavjud.

XULOSA.

Avtomatlashtirilgan hujum oldini olish tizimlari kiberxavfsizlikni ta’minlashda

samarali yechim hisoblanadi. Ushbu maqola tadqiqotchilar va amaliyot mutaxassislari uchun
zamonaviy tarmoqli xavfsizlik texnologiyalari va tendensiyalari to‘g‘risida muhim ma’lumot
beradi. Kelgusida tizimlarning integratsiyalashuvi va optimallashtirilishi bo‘yicha tadqiqotlar
davom ettirilishi lozim.

References:

1.

Zhang, Y., & Lee, W. (2020). Network Intrusion Detection: Machine Learning Approaches.

Cybersecurity Journal, 15(3), 45-60.
2.

Smith, J. (2019). Artificial Intelligence in Cybersecurity: Challenges and Opportunities.

International Journal of AI, 24(2), 89-102.
3.

Buranov, S.M. (2020). China's Geopolitical Role in Cybersecurity. International

Conference Proceedings, Beijing, 127-132.
4.

Rahmatjonova, K. (2019). Machine Learning in Anomaly Detection. Urganch State

University Journal, 1, 38-40.