SUN'IY INTELLEKT ASOSIDA TARMOQ XAVFSIZLIGINI OSHIRISH USULLARI

SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 26 DOI: https://doi.org/10.5281/zenodo.17940097 SUN’IY INTELLEKT ASOSIDA TARMOQ XAVFSIZLIGINI OSHIRISH USULLARI Suyumov Jo‘rabek Yunusaliyevich Farg‘ona davlat texnika universiteti o‘qituvchisi Mamarasulov Hazratillo Zohit-zoda Farg‘ona davlat texnika universiteti 652-24 DI guruh talabasi Xabibullayev Zikirillo Muxammadnosir o‘g‘li Farg‘ona davlat texnika universiteti 652-24 DI guruh talabasi ANNOTATSIYA Maqolada sun’iy intellekt (SI) yordamida tarmoq xavfsizligini oshirish usullari tahlil qilinadi. Mashinaviy o‘rganish, chuqur neyron tarmoqlar, GAN va federated learning metodlari tarmoq trafigini real vaqt rejimida kuzatish, anomaliyalarni aniqlash va xujumlarga tezkor javob berish imkonini beradi. Tadqiqotlar shuni ko‘rsatadiki, bu yondoshuvlar an’anaviy tizimlarga nisbatan yuqori samaradorlik va adaptivlikka ega bo‘lib, xavfsizlikni sezilarli darajada oshiradi. Shu bilan birga, ularning amaliy qo‘llanilishi uchun yetarli hisoblash quvvati, sifatli ma’lumotlar va tizim sozlamalari zarur bo‘ladi, va kelajakda metodlarni optimallashtirish orqali tarmoq xavfsizligi yanada kuchaytirilishi mumkin. Kalit so‘zlar: Sun’iy intellekt, tarmoq xavfsizligi, mashinaviy o‘rganish, chuqur neyron tarmoqlar, Generative Adversarial Networks, federated learning, anomaliya aniqlash, intrusion detection system SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 27 ANNOTATION The article analyzes methods for verifying sources using artificial intelligence (AI). Machine learning, deep neural networks, GANs, and federated learning methods can plan network traffic in real time, quickly respond to anomalies and attacks. Research shows that these approaches have higher efficiency and adaptability than traditional systems, and increase stability. At the same time, for practical additional power, there will be useful power, quality data, and security power, and the power can be further enhanced by optimizing useful methods. Keywords: Artificial intelligence, network security, machine learning, deep neural networks, Generative Adversarial Networks, federated learning, anomaly detection, intrusion detection system АННОТАЦИЯ В статье анализируются методы проверки источников с использованием искусственного интеллекта (ИИ). Машинное обучение, глубокие нейронные сети, генеративно-соединительные сети (GAN) и методы федеративного обучения позволяют планировать сетевой трафик в режиме реального времени, быстро реагировать на аномалии и атаки. Исследования показывают, что эти подходы обладают более высокой эффективностью и адаптивностью, чем традиционные системы, а также повышают стабильность. При этом, с практической точки зрения, дополнительная мощность будет включать полезную мощность, качество данных и безопасность, а её можно дополнительно повысить за счёт оптимизации полезных методов. Ключевые слова: Искусственный интеллект, сетевая безопасность, машинное обучение, глубокие нейронные сети, генеративно-состязательные сети, федеративное обучение, обнаружение аномалий, система обнаружения вторжений SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 28 Kirish Sun’iy intellekt (SI) asosida tarmoq xavfsizligini oshirish usullari tahlil qilinadi. Raqamli ekotizimning jadal rivojlanishi bilan birga kiberhujumlar soni va murakkabligi ortib bormoqda, bu esa an’anaviy tarmoq himoya vositalarining samaradorligini cheklab qo‘ymoqda, chunki ko‘plab IDS va firewall tizimlari yangi turdagi hujumlarni aniqlashda yetarli darajada moslashuvchan emas va ko‘pincha noto‘g‘ri signal (false positive) beradi [4]. Shu nuqtada sun’iy intellektning turli modellari tarmoq trafigidagi yashirin bog‘liqliklarni aniqlash va tahdidlarga erta javob berish imkonini yaratadi. Masalan, AI asosida taklif etilgan gibrid intruziyani aniqlash modeli yuqori aniqlik ko‘rsatgan bo‘lib, u real vaqt rejimida anomaliyalarni sezilarli darajada tez aniqlashi bilan ajralib turadi [1]. Shuningdek, chuqur neyron tarmoqlar asosidagi izohli (explainable) AI yondoshuvlari xavfsizlik tizimlarining qarorlarini foydalanuvchi uchun tushunarli holga keltirishga yordam beradi, ayniqsa tarmoq administratorlari uchun bu muhimdir [2]. GAN (Generative Adversarial Networks) modellarining xavfsizlik sohasidagi qo‘llanilishi esa tahdidlarni simulyatsiya qilish va tizimning himoya darajasini sinovdan o‘tkazish imkonini beradi [3], federated learning esa markazlashtirilmagan o‘qitish orqali ma’lumot maxfiyligini saqlagan holda tarmoq hujumlarini aniqlash mexanizmlarini kuchaytirishi mumkinligini ko‘rsatadi [5]. Shu bilan, ushbu kirish qismi maqolaning asosiy maqsadini belgilaydi: sun’iy intellekt yordamida tarmoq xavfsizligini oshirishning zamonaviy, samarali va istiqbolli yondoshuvlarini tahlil qilish hamda ularning amaliy qo‘llanish mexanizmlarini ilmiy manbalar asosida yoritish. Tarmoq xavfsizligini oshirish uchun sun’iy intellektning bir nechta asosiy yondoshuvlari ko‘rib chiqiladi. Avvalo, mashinaviy o‘rganish (ML) metodlari tarmoq trafigidagi anomaliyalarni aniqlashda juda foydali hisoblanadi, chunki oddiy statistik va qoidaga asoslangan tizimlar yangi hujum shakllarini sezishda qiyinchiliklarga duch keladi, ammo ML algoritmlari katta hajmdagi ma’lumotlardan o‘rganib, ilgari ko‘rilmagan tahdidlarni aniqlash imkonini beradi [4]. Shu nuqtada gibrid yondoshuv – SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 29 ya’ni turli ML modellari va xususiyat tanlash algoritmlarini birlashtirish – anomaliyalarni aniqlash aniqligini sezilarli darajada oshiradi [1]. Chuqur neyron tarmoqlar (DNN) asosidagi yondoshuvlar katta hajmdagi tarmoq trafigini tahlil qilishi, murakkab naqshlarni aniqlashi va tizim qarorlarini tushunarli qilish imkonini beradi, explainable AI (XAI) esa administratorlarga modelning nima uchun aynan shu trafikni shubhali deb baholayotganini ko‘rsatib, xatoliklarni kamaytiradi va xavfsizlikni kuchaytiradi [2]. Generative Adversarial Networks (GAN) metodlari tahdidlarni sun’iy yaratish va tizimning ularga nisbatan javobini sinovdan o‘tkazish imkonini beradi, bu esa real hujumlarni oldini olish strategiyasini mukammallashtiradi [3]. Federated learning yondoshuvi esa markazlashtirilmagan ma’lumotlarni turli server va qurilmalarda saqlagan holda, birlashtirilgan model orqali tarmoq xujumlarini tezkor aniqlash imkonini yaratadi va maxfiylikni ta’minlaydi [5]. Shu tarzda, mashinaviy o‘rganish, chuqur neyron tarmoqlar, GAN va federated learning yondoshuvlari birgalikda tarmoq trafigini tahlil qilish, tahdidlarni aniqlash va real vaqt rejimida xavfsizlikni oshirish imkonini beradi, ularning kombinatsiyasi esa an’anaviy IDS tizimlariga nisbatan aniqroq, tezroq va adaptivroq himoya yaratadi, bu zamonaviy kiberxavfsizlikning eng muhim talabi hisoblanadi. Tahlil qilingan sun’iy intellekt yondoshuvlari tarmoq xavfsizligini sezilarli darajada oshirish imkonini beradi. Gibrid intrusion detection modeli mashinaviy o‘rganish algoritmlari va xususiyat tanlash usullarini birlashtirib, real vaqt rejimida tarmoqdagi anomaliyalarni yuqori aniqlik bilan aniqlay oladi, tadqiqotlar esa bu yondoshuv 98–99% aniqlik darajasiga erishishini ko‘rsatadi [1]. Chuqur neyron tarmoqlar va explainable AI metodlari tarmoq administratorlariga qarorlar logikasini tushunarli qilish imkonini berib, noto‘g‘ri signal (false positive)larni kamaytiradi va tizim samaradorligini oshiradi [2]. Generative Adversarial Networks (GAN) tahdidlarni simulyatsiya qilish orqali tarmoqni sinovdan o‘tkazish va tizimning zaif tomonlarini aniqlash imkonini beradi, shu bilan tizimni yanada ishonchli qiladigan strategiyalar ishlab chiqish mumkin bo‘ladi [3]. Federated learning metodida esa ma’lumotlar markazlashtirilmagan holda saqlanadi, lekin birlashtirilgan model SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 30 yordamida turli tarmoqlardagi xujumlar tezkor aniqlanadi, bu esa maxfiylikni saqlagan holda xavfsizlikni oshiradi [5]. Shu tarzda, mashinaviy o‘rganish, chuqur neyron tarmoqlar, GAN va federated learning yondoshuvlari birgalikda tarmoq trafigini real vaqt rejimida kuzatish, anomaliyalarni aniqlash va xujumlarga tezkor javob berish imkonini yaratadi, bu esa an’anaviy IDS tizimlariga nisbatan yuqori samaradorlik va adaptivlikni ta’minlaydi. Xulosa Tahlillar shuni ko‘rsatadiki, sun’iy intellekt yordamida tarmoq xavfsizligini oshirishning zamonaviy yondoshuvlari an’anaviy tizimlarga nisbatan ancha samarali va adaptivdir [1]. Mashinaviy o‘rganish va chuqur neyron tarmoqlar birgalikda tarmoq trafigini real vaqt rejimida kuzatish, anomaliyalarni aniqlash va xujumlarga tezkor javob berish imkonini beradi, bu esa tashkilotlar va foydalanuvchilar uchun xavfsizlikni sezilarli darajada oshiradi [2]. Shu bilan birga, GANlar tahdidlarni simulyatsiya qilish va tizimni sinovdan o‘tkazish orqali xavfsizlik strategiyalarini yanada mukammal qilish imkonini beradi [3]. Federated learning esa markazlashtirilmagan ma’lumotlardan foydalanib tizimni tezkor va maxfiy ishlashiga yordam beradi, bu esa amaliy qo‘llanishni samarali qiladi [5]. Shu bilan birga, ularning amaliy qo‘llanilishi uchun yetarli hisoblash quvvati, sifatli ma’lumotlar va tizim sozlamalariga e’tibor qaratish zarur. Kelajakda SI asosidagi yondoshuvlarni optimallashtirish, explainable AI metodlarini kengaytirish va federated learning hamda boshqa ilg‘or texnologiyalarni integratsiyalash orqali tarmoq xavfsizligini yanada yuqori darajada ta’minlash mumkin. Umuman olganda, sun’iy intellekt tarmoq xavfsizligini mustahkamlashda muhim vosita bo‘lib, uning rivojlanishi kiberxavfsizlik sohasida yangi imkoniyatlar ochadi va tahdidlarga qarshi kurashishda samaradorlikni oshiradi. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 15 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal December, 2025 31 FOYDALANILGAN ADABIYOTLAR 1. Hybrid AI-Driven Intrusion Detection: Framework Leveraging Novel Feature Selection for Enhanced Network Security. arXiv preprint — 2025. — 12 pp. [online] Available at: https://arxiv.org/abs/2509.00896 (accessed: 04.12.2025). 2. A Comparative Analysis of DNN-based White-Box Explainable AI Methods in Network Security. arXiv preprint — 2025. — 15 pp. [online] Available at: https://arxiv.org/abs/2501.07801 (accessed: 04.12.2025). 3. A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes. arXiv preprint — 2024. — 20 pp. [online] Available at: https://arxiv.org/abs/2407.08839 (accessed: 04.12.2025). 4. Enhancing Intrusion Detection Systems with AI: Examine the Integration of AI into Traditional IDS to Improve Detection Rates and Reduce False Positives. IJISAE Journal. — (chiqarilgan yili). — (jurnal tomi, №), pp. (tegishli betlar). 5. Towards Adapting Federated & Quantum Machine Learning for Network Intrusion Detection: A Survey. arXiv preprint — 2025. — 18 pp. [online] Available at: https://arxiv.org/abs/2509.21389 (accessed: 04.12.2025).