ISHLAB CHIQARISH KOMPLEKSLARIDA TARMOQ TRAFIKINI INTELLEKTUAL MONITORING QILISH TIZIMLARI

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 685 ISHLAB CHIQARISH KOMPLEKSLARIDA TARMOQ TRAFIKINI INTELLEKTUAL MONITORING QILISH TIZIMLARI O.M. Ismailov1, A.F. Isaqov2 1IIV Akademiyasi Kiberxavfsizlik va raqamli kriminalistika fakulteti, raqamli texnologiyalar va axborot xavfsizligi kafedrasi professori, texnika fanlari doktori (DSc) 2IIV Akademiyasi Kiberxavfsizlik va raqamli kriminalistika fakulteti, raqamli texnologiyalar va axborot xavfsizligi kafedrasi boshlig‘i o‘rinbosari, texnika fanlari bo‘yicha falsafa doktori (PhD), dotsent https://doi.org/10.5281/zenodo.17892588 Annotatsiya. Maqolada ishlab chiqarish komplekslarining tarmoq trafigini monitoring qilish algoritmlarini takomillashtirish orqali industrial tarmoqlarda boshqaruv samaradorligini va axborot xavfsizligini oshirish masalalari yoritilgan. Ishlab chiqarish boshqaruv tizimlarida ma’lumotlarni shakllantirish va uzatish xususiyatlari hamda texnologik jarayonlarning barqarorligiga ta’sir etuvchi tipik tahdidlar tahlil qilingan. Tarmoq oqimlarini tahlil qilish va klassifikatsiyalashning statistik usullar hamda mashinali o‘rganish texnologiyalariga asoslangan algoritmlari taklif etilgan bo‘lib, ular anomal holatlar va noqonuniy ta’sirlarni real vaqt rejimida aniqlashni ta’minlaydi. Traditsion va intellektual monitoring usullari taqqoslanib, ularning ishlab chiqarish protokollari bilan ishlashdagi afzallik va cheklovlari ko‘rsatib o‘tilgan. Tadqiqot natijalari sanoat interneti (IoT), texnologik jarayonlarni avtomatlashtirilgan boshqarish tizimlari (ASU TP) va ishlab chiqarish tarmoqlari kiberxavfsizligi platformalarini yaratishda qo‘llanilishi mumkin. Kalit so‘zlar. Industrial Internet of Things (IoT), tarmoq trafikini monitoring qilish, anomaliyani aniqlash, intrusion detection system (IDS), distributional reinforcement learning (DRL), generative adversarial network (GAN), machine learning, deep learning, edge computing, federated learning, explainable artificial intelligence (XAI), kiberxavfsizlik, real vaqtli ma’lumot tahlili, sanoat avtomatlashgan boshqaruv tizimlari (SCADA, ICS), axborot xavfsizligi. Kirish Zamonaviy ishlab chiqarish komplekslari bugungi kunda raqamli transformatsiya bosqichidan o‘tmoqda. “Sanoat 4.0” kontseptsiyasi doirasida ishlab chiqarish jarayonlari tobora avtomatlashtirilmoqda, texnologik uskunalar esa tarmoq orqali o‘zaro bog‘langan aqlli obektlarga aylanmoqda. Natijada, Industrial Internet of Things (IoT), SCADA, va ASU TP (Avtomatlashtirilgan boshqaruv tizimlari) kabi texnologiyalar ishlab chiqarishning ajralmas qismi bo‘lib qoldi. Biroq bu jarayonlar bilan bir qatorda tarmoq xavfsizligi va monitoringi masalasi ham dolzarb ahamiyat kasb etmoqda. Ishlab chiqarish tizimlarida minglab sensorlar, kontrollerlar, serverlar va operator terminallari bir vaqtda ma’lumot almashadi. Har bir qurilma hosil qilgan tarmoq oqimi (network flow) butun tizimning ishonchliligi va barqarorligiga ta’sir ko‘rsatadi. Shu sababli, bunday tizimlarda tarmoq trafikining holatini real vaqt rejimida kuzatish, tahlil qilish va THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 686 anomal xatti-harakatlarni erta bosqichda aniqlash muhim ilmiy-amaliy vazifadir. An’anaviy monitoring vositalari (SNMP, NetFlow, sFlow va boshqalar) paketlar soni, kechikish yoki yuklanish kabi oddiy statistik ko‘rsatkichlarni qayd etadi. Ammo ular ishlab chiqarish tarmoqlarida uchraydigan murakkab, dinamik va gibrid xatarlarni (masalan, ichki tizimdagi noto‘g‘ri konfiguratsiya, yashirin DoS-hujumlar, yoki tarmoqdagi anomaliyali signallar) aniqlay olmaydi. Shu sababli, tarmoq monitoring tizimlarini intellektual yondashuvlar, xususan mashinali o’qitish (Machine Learning, ML) asosida takomillashtirish zaruriyati paydo bo‘lgan. So‘nggi yillarda olib borilgan ilmiy tadqiqotlar shuni ko‘rsatadiki, ML asosidagi yondashuvlar tarmoq oqimlaridagi g‘ayritabiiy o‘zgarishlarni aniqlashda yuqori aniqlikka erishadi. Bu esa ishlab chiqarish jarayonlarining uzluksizligini, tizimlarning kiberxavfsizligini ta’minlash hamda boshqaruv samaradorligini oshirish imkonini beradi. Shu nuqtai nazardan, ushbu maqolada ishlab chiqarish komplekslarining tarmoq trafikini intellektual monitoring qilish algoritmlari, ularning statistik va mashinali o’qitish asosidagi modellar bilan integratsiyasi, hamda amaliy qo‘llanish natijalari tahlil qilinadi. Adabiyotlar sharhi Ushbu [1] tadqiqotda sanoat interneti (Industrial Internet of Things - IoT) tizimlarida kiberxavfsizlikni ta’minlash uchun anomaliya aniqlash tizimlarining samaradorligini oshirish muammosi ko‘rib chiqilgan. Mualliflar IDS tizimlarida uchraydigan asosiy muammo - ma’lumotlar nomutanosibligi (imbalanced dataset) - kam uchraydigan hujum sinflarining yetarlicha o‘rganilmasligi ekanini ta’kidlashadi. Shu maqsadda ular Distributional Reinforcement Learning (DRL) va Generative Adversarial Network (GAN) ni birlashtirgan DRL-GAN modelini taklif etishgan. Taklif etilgan tizim DS2OS ma’lumotlar bazasida sinovdan o‘tkazilgan va ikki ssenariyda - binary va ko‘p sinfli klassifikatsiyada baholangan. Natijalar shuni ko‘rsatdiki, GAN yordamida ma’lumotlar balansini yaxshilash orqali DRL agenti kichik sinflarni aniqroq o‘rgangan, natijada aniqlik 98.85 % dan 99.05 % gacha oshgan, F1-koeffitsient esa 99.27 % ga yetgan. Anomaliyalarni real vaqt rejimida aniqlash va ma’lumotlar nomutanosibligini bartaraf etish masalasi yechilgan va modelni o‘qitish uchun yuqori hisoblash quvvati talab etilgan. [2] tadqiqotda aqlli ishlab chiqarish zavodlarida (Smart Industrial Plant) IoT sensor ma’lumotlariga asoslangan anomaliya aniqlash tizimi ishlab chiqilgan. Tadqiqot maqsadi ishlab chiqarish liniyalarida nosozlik yoki kiberxurujlarni erta bosqichda aniqlash orqali ishlab chiqarishning uzluksizligini ta’minlash bo’lgan. Mualliflar turli sanoat datchiklari (harorat, bosim, vibratsiya) dan to‘plangan signallar asosida mashinali o’qitish modellarini (Random Forest, SVM, LSTM) sinovdan o‘tkazganlar. Natijada LSTM asosidagi model eng yuqori aniqlikka (97.3 %) erishgan. Tizim real vaqt rejimida ishlashga moslashtirilgan va ishlab chiqarishdagi avariya yoki nosozlik holatlarini 12–15 daqiqaga erta aniqlash imkonini bergan. Tadqiqot ishining afzalligi bu oldindan ogohlantiruvchi (predictive) monitoring tizimini shakllantirish, kamchiligi esa turli datchiklar orasida sinxron ma’lumot yig‘ish zaruriyati hisoblanadi. Bu [3] ishda IoT tarmoqlarida ma’lumot uzatish xavfsizligini oshirish maqsadida anomaliyali trafikni aniqlovchi gibrid algoritm ishlab chiqilgan. Muammo sifatida IoT qurilmalaridan kelayotgan signallarning yuqori shovqinliligi va real vaqt filtrlashdagi kechikishlar ko‘rsatilgan. Yechim sifatida mualliflar Genetik algoritm asosida xususiyat tanlash, ensemble THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 687 klassifikatorlar (Random Forest, XGBoost) va anomaly score thresholding mexanizmini birlashtirganlar. Natijada aniqlik 98.6 %, F1-score 98.2 % ga erishgan. Model “false positive” sonini kamaytirgan va trafik monitoringini real vaqt rejimida amalga oshira olgan. Tadqiqot ishining afzalligi axborot oqimida g‘ayritabiiy xatti-harakatlarni past kechikish bilan aniqlash, bu esa IoT qurilmalari uchun kiberxavfsizlikni sezilarli darajada oshirgan. Quyidagi 1-jadvalda sanoat/IoT/SCADA/ICS tarmoqlarida tarmoq trafikini intellektual monitoring qilish, anomaliyani aniqlash va IDS (Intrusion Detection System)ni takomillashtirishga bag‘ishlangan ilmiy ishlar[] tahlili keltirilgan. Jadvalning maqsadi — turli mualliflar taklif etgan yondashuvlarni bir formatda ko‘rsatish, ya’ni qaysi maqolada qaysi muammo yechilganini, qaysi usul qo‘llanganini, uning kuchli va zaif tomonlarini, hamda aniqlik ko‘rsatkichlarini bir qarashda ko‘rish imkonini berishdir. 1-jadval. Tadqiqot doirasida amalga oshirilgan ilmiy-amaliy ishlarning tqqqoslash JADVALI № Yechilgan masala Qo‘llanilgan usul Kamchilik Afzallik 1. Industrial IoT tarmoqlarida anomaliyani DRL+GAN yordamida aniqlash Distributional Reinforcement Learning + GAN asosidagi IDS GAN’ni o‘qitish resurs talab qiladi, real sanoat trafigi bilan sinov cheklangan Taqlid qilingan anomal holatlarni ham ushlaydi, IIoTga mos 2. ICSda ML asosidagi intruziyani aniqlash Ma’lumotga tayanuvchi ML IDS (klassifikatorlar to‘plami) Qo‘lda belgilangan threshold’lar kerak, ma’lumot nomutanosibligi ta’sir qiladi Qo‘shimcha qoida yozmasdan yangi xurujlarni o‘rganadi 3. IIoT uchun SCADA tizimlarida kiberhujumni aniqlash MLP, CNN va DNN bilan ko‘p sinfli hujumni tasniflash Model murakkab, ba’zi hollarda ortiqcha moslashish xavfi 99% dan yuqori aniqlik, 99.95% MLP bilan 4. Sanoat CPS/IIoT tarmoqlarida edgecomputing asosida trafik tahlili va IDS Edge tugunlarda dastlabki tahlil + markazda chuqur IDS Edge qurilmalarining resursi cheklangan Tarmoqqa yuklanishni kamaytiradi, real vaqtda ishlaydi 5. IoT/IIoT tarmoqlarida anomaliya usullarini taqqoslash ML usullarining tahliliy solishtirishi (SVM, RF, DL) Amaliy datasetda sinov qilinmagan, ko‘proq nazariy Qaysi topologiyada qaysi usulni tanlashni ko‘rsatadi 6. ICS uchun intruziya aniqlashni yaxshilash Gibrid: anomaliya + misuse detection, DL bilan Yuqori o‘lchamli ma’lumotda tezlik pasayishi ICS hujumlarini aniqlash qamrovi kengroq 7. SCADA xavfsizligini GAN yordamida kuchaytirish Generative Adversarial Network orqali IDS’ni “boqish” GANni sozlash murakkab, haqiqiy hujumga yaqinlikka bog‘liq Yolg‘on ijobiylarni kamaytiradi, yangi hujum turini ham simulyatsiya qiladi THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 688 8. IoT trafigida anomal paketlarni ko‘p bosqichli aniqlash Birinchi bosqichda preprocessing + keyin ML asosidagi aniqlash Bir nechta bosqich bo‘lgani uchun kechikish oshishi mumkin Shovqinli ma’lumotda ham ishlaydi, FPR past 9. ICS trafigida noma’lum hujumlarni aniqlash NCO – ikki qavatli DIFF_RF – OPFYTHON gibrid modeli Model tuzilishi murakkab, sozlash ko‘p vaqt oladi Noma’lum/zero-day hujumlarga sezgir 10. SCADA uchun gibrid kiberxavfsizlik Ensemble + optimizatsiya + feature selection Real sanoat protokollari bo‘yicha sinovlar cheklangan FPR kamayadi, bir nechta tahdidni bir vaqtning o‘zida ko‘radi 11. IoT tarmoqlarida chuqur autoencoder bilan anomaliya aniqlash Deep Autoencoder + ANOVA F-test NSL-KDD ga juda bog‘liq, boshqa datasetga ko‘chirishda sozlash kerak Xususiyatlarni o‘zi tanlaydi, yuqori aniqlik beradi 12. ICS uchun robust IDS Gibrid model: o‘lchamni kamaytirish + anomaliya aniqlash Yuqori o‘lchamli ma’lumotni oldindan qayta ishlash talab qiladi Faqat normal ma’lumot bilan o‘qitib ham yaxshi natija beradi 13. IIoT uchun GNNasosli IDS Graph Neural Network (GNN) bilan trafikdagi munosabatlarni o‘rganish GNN’lar sanoat tarmoqlarida hali to‘liq sinalmagan Murakkab topologiyali tarmoqda ham ishlaydi 14. Federativ o‘qitishga tayangan IDS Federated Learning + lokal DL model Qurilmalar quvvati cheklanganida o‘qitish sekinlashadi Ma’lumot markazga yuborilmaydi, maxfiylik saqlanadi 15. Shifrlangan DNP3 trafigini ML bilan klassifikatsiya qilish Supervised ML (SVM, RF) shifrlangan SCADA trafigiga Protokolga xos yechim, umumlashtirish qiyin Shifrlangan tunnel ichida ham xabar turini ajratadi 16. IoT/IoT IDS bo‘yicha ML usullariga sharh Supervised, unsupervised va deep learning tahlili Tajribaviy emas, ko‘proq nazariy sharh Amaliyot uchun mos algoritmni tanlashga yordam beradi 17. Tuman (fog) darajasida federativ CNN-IDS Fog-enabled Federated Learning + CNN Fog va bulut o‘rtasidagi sinxronlashuv talab qiladi Real vaqtga yaqin ishlash, maxfiylik, masshtablanish 18. Haqiqiy SCADA testbedida ML-IDS sinovi Real vaqt ML klassifikatorlari (RF, k-NN, SVM) Eski SCADA namunasi asosida, yangi protokollar yo‘q Real qurilma ustida sinov, online ishlashi ko‘rsatildi 19. Autoencoder + Kmeans bilan IoT trafigida yomon tugunni topish AE yordamida o‘lchamni qisqartirish + clustering Klasterlar sonini tanlashga sezgir Murakkab, ko‘p xususiyatli trafikda ham ishlaydi 20. AE-MLP gibridli yengil IDS Autoencoder bilan feature selection + MLP tasniflagich Ba’zi holatda MLP chuqur modeldan yutqazadi Trening qiymati kamayadi, aniqlik barqaror THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 689 21. Federated Learning for IoT Intrusion Detection FL asosida bir nechta tugunda IDS o‘qitish Tarmoqqa ko‘p bor chiqish (communication overhead) Maxfiylik saqlanadi, taqsimlangan sanoat tarmoqlari uchun mos 22. Real vaqt IoT anomaliya aniqlash uchun yengil model Feature o‘lchamini kamaytiruvchi yengil DL modeli Juda katta trafikda aniqlik biroz tushishi mumkin Resursi kam qurilmada ishlaydi, kechikishi past 23. AI-Enabled IoT IDS: yagona konseptual model AI/ML bilan yagona IDS arxitekturasi Konseptual, to‘liq eksperiment yo‘q Turli sanoat tarmoqlariga moslashuvchi dizayn beradi 24. SCADA intruziyasi bo‘yicha supervisor o‘qitish ishlari sharhi SCADA uchun SVM, DT, RF, ANN metodlari taqqoslangan Real sanoat datasetlari kamligi qayd etilgan Qaysi hujumga qaysi ML mosligini ko‘rsatadi 25. IoT/UAV uchun yengil IDS Yengil DNN, resurs cheklangan qurilmalarga moslashtirilgan Sanoat protokollariga (Modbus, DNP3) to‘liq mos emas Kichik qurilmada ham ishlaydi, mobil CPS uchun qulay Amalga oshirilgan ishlar Iqtisodiy jihatdan samarali bo‘lgan intellektual monitoring tizimini tanlashda eng muhim ko‘rsatkichlardan biri anomaliyani aniqlash aniqligidir. Tarmoq trafigi oqimlari (ing: network flows) ma’lumot paketlari ketma-ketligidan iborat bo‘lib, ularning har biri ma’lum vaqt oralig‘ida tarmoq orqali uzatiladi. Tarmoq oqimlari odatda Poisson jarayoni yoki Markov zanjiri orqali modellashtiriladi, bu esa real vaqtli oqimlarni statistik baholash imkonini beradi. 𝐹𝑖={𝑝𝑖1,𝑝𝑖2,...,𝑝𝑖𝑛}, 𝜆(𝑡)= 𝑁(𝑡) 𝑡 (1) bu yerda 𝐹𝑖 – 𝑖 – oqimdagi paketlar to‘plami, 𝑝𝑖𝑗 – har bir paketning atributlari, 𝜆(𝑡) – vaqt birligida o‘tuvchi paketlar intensivligi O qitish bosqichi Ma lumot olish (SCADA/IoT) Xususiyat ajratish 𝑋=[𝑥1,𝑥2,…,𝑥𝑛] Autoencoder Deep learning GNN GAN Federated learning Qaror qabul qilish Tizimni baholash 1-rasm. Intellektual tarmoq monitoring tizimining umumiy sxemasi. Quyida ilmiy tadqiqotlarda taklif etilgan ayrim yondashuvlar bo‘yicha aniqlik ko‘rsatkichlari taqqoslandi. Grafikdan ko‘rinib turibdiki, chuqur o‘qitish (Autoencoder, MLP) asosidagi yondashuvlar klassik daraxtli modellar (RF)ga nisbatan biroz ustun keladi. Trafik oqimidagi har bir holat 𝑋 = [𝑥1,𝑥2,…,𝑥𝑛] kuzatuv vektori sifatida qaraladi. Bu THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 690 jrayonda anomaliyalar mavjudlik ehtimolini Bayes qoidasi yordamida aniqlanadi. 𝑃(𝐴|𝑋)= 𝑃(𝑋|𝐴)𝑃(𝐴) 𝑃(𝑋) (2) bu yerda 𝑃(𝐴|𝑋) – kuzatilgan oqim anomaliya ekanligi ehtimoli, 𝑃(𝑋|𝐴) – anomaliya holatidagi ma’lumotlarning ehtimollik zichligi, 𝑃(𝐴) – anomaliya yuz berishining umumiy ehtimoli, 𝑃(𝑋) – kuzatilgan oqimlarning umumiy ehtimollik taqsimoti. Agar 𝑃(𝐴|𝑋)> 𝜏 bo‘lsa, ya’ni bo‘sag‘a qiymatidan katta bo‘lsa, tizim oqimni anomaliya sifatida belgilaydi. Quyidag 2-rasmdan ko‘rinib turibdiki, ishlarda qo‘llanilgan metodlar juda rang-barang: klassik nazoratli ML (SVM, RF), chuqur o’qitish(CNN, Autoencoder), generativ modellar (GAN), graf neyron tarmoqlari (GNN), shuningdek federativ o‘qitish va edge-computing asosidagi yengil IDSlar. Bu esa IoT va ishlab chiqarish tarmoqlarida bitta universal usulning o‘zi yetarli emas, balki tarmoq topologiyasi, protokol turi (Modbus, DNP3, OPC UA), qurilma resurslari va xavf modeli hisobga olingan gibrid yechimlar zarurligini ko‘rsatadi. 2-rasm. Qo‘llangan usullar aniqlik ko‘rsatkichi bo‘yicha taqqoslanishi. Yuqoridagi 2-rasmdan ko‘rinadiki, MLP asosidagi yondashuv SCADA muhitida 99,95% gacha aniqlik berdi, bu esa ishlab chiqarish tarmoqlari uchun yuqori ishonchlilikni ta’minlaydi. Autoencoder asosidagi model ham yuqori natija ko‘rsatmoqda, bu anomaliyalar shakli oldindan noma’lum bo‘lgan hollarda muhimdir. Autoencoder modelida kiruvchi ma’lumot (trafik xususiyatlari vektori) siqiladi va qayta tiklanadi. ℎ =𝑓(𝑊1𝑋+𝑏1), 𝑋 =𝑔(𝑊2ℎ+𝑏2), 𝐿= ‖𝑋−𝑋 ‖2 (3) bu yerda ℎ – yashirin qatlam (latent representation), 𝐿 – rekonstruksiya xatosi. Agar 𝐿>𝜃 bo‘lsa, model bu oqimni g‘ayritabiiy trafik sifatida tasniflaydi. Ushbu yondashuv oldindan noma’lum anomaliyalarni aniqlashda yuqori aniqlik beradi. Ko‘plab ishlarda yuqori aniqlikka erishilgan bo‘lsa ham, amaliy sanoat sharoitida ularni bevosita joriy etishga to‘sqinlik qiladigan omillar (hisoblash xarajati, real dataset yetishmasligi, sinovlarning faqat laboratoriyada o‘tkazilgani, protokolga xoslik) mavjud. Afzallik esa qaysi ishlarda real vaqt rejimi, qaysilarida balanssiz ma’lumotlar bilan ishlash, qaysilarida esa tushuntiriladigan (explainable) natija ustun qo‘yilgani ko‘rinadi. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 691 3-rasm. Amalga oshirilayotgan ishlar hajmining o‘sishi. Yuqoridagi 3-rasmdan ko‘rinib turibdiki, 2023-yildan boshlab sanoat tarmoqlari uchun IDS/monitoring masalalariga e’tibor sezilarli darajada oshgan. 2025-yilda bu ko‘rsatkich maksimal darajaga chiqqani ishlab chiqarish tarmoqlarida kiberxavfsizlikka talab keskin oshganidan dalolat beradi. Tadqiqotlar tahlili shuni ko‘rsatdiki, taklif etilgan usullar odatda ikki guruh muammoga duch keladi: (1) hisoblash resurslari talabi va (2) real vaqt rejimida ishlashdagi kechikish. Quyidagi guruhlangan ustunli grafikda bir nechta tipik yondashuvlar bo‘yicha afzalliklar va kamchiliklar soni solishtirilgan. 4-rasm. Turli yondashuvlar bo‘yicha afzallik va kamchiliklar taqqoslanishi. Yuqoridagi 4-rasmga ko‘ra, edge-computing asosidagi IDS’lar kamchiliklari soni bo‘yicha nisbatan qulay (faqat 2 ta asosiy cheklov), shu bilan birga afzalliklari ko‘p. Federativ o‘qitishga asoslangan yondashuvlar esa maxfiylikni ta’minlasa-da, amaliyotda ko‘proq cheklovga ega. Federativ o‘qitishda global model quyidagicha yangilanadi: 𝜔𝑡+1 = ∑𝑛𝑘 𝑛𝜔𝑡 𝑘 𝐾 𝑘=1 (4) bu yerda 𝜔𝑡 𝑘 – 𝑘 - tugundagi lokal model og‘irliklari, 𝑛𝑘 – har bir tugundagi ma’lumotlar soni, 𝑛 – umumiy ma’lumotlar hajmi. Bu yondashuv markazlashtirilmagan holda o‘qitishni amalga oshiradi va maxfiylikni saqlaydi. Modelning hisoblash murakkabligi (yadro soni, qatlamlar soni, parametrlar miqdori bo‘yicha shartli baho) va u bergan aniqlik o‘rtasidagi bog‘liqlik muhim ko’rsatkichlar hisoblanadi. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 692 5-rasm. Model murakkabligi va aniqlik o‘rtasidagi bog‘liqlik. Murakkablik 7–8 darajagacha oshganda aniqlik ham oshadi, biroq 8 dan keyin natija deyarli o‘zgarmaydi. Demak, sanoat tarmoqlarida ortiqcha murakkab neyron tarmoqlarni joriy etish har doim ham maqsadga muvofiq emas. Hozirda asosiy e’tibor nazoratli o‘qitish (supervised ML) va chuqur o‘rganishga qaratilgan. Lekin federativ va GNN-asosidagi yondashuvlar ham paydo bo‘lib boryapti. Nazoratli o‘qitish usullari hamon yetakchi (35%), biroq chuqur o’qitishva autoencoderga asoslangan anomaliya aniqlash usullari ulushi ham tez oshib bormoqda. Bu esa ishlab chiqarish tarmoqlarida signaturali IDS o‘rnini sekin-asta intellektual modellar egallayotganini ko‘rsatadi. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 693 6-rasm. Tadqiqotlarda qo‘llangan yondashuvlar ulushi. Ishlab chiqarish tarmog‘ining holatini baholashda kiruvchi (inbound) va chiquvchi (outbound) trafik o‘zgarishlari asosiy ko‘rsatkich hisoblandi. Quyidagi grafikda 24 soat davomida o‘lchangan tarmoq trafigi dinamikasi tasvirlangan. Qizil to‘lqin -kiruvchi oqim, yashil esa chiquvchi oqimdir. Trafik hajmi sekundiga kilobitlarda (kbit/s) ko‘rsatilgan. Grafikdan tarmoqdagi maksimal yuklanish va tinch davrlar yaqqol ko‘rinadi. 7-rasm. 100 Mbit/s (Optik tolali kanal)/Kiruvchi va chiquvchi trafik dinamikasi. Yuqoridagi 6-rasmdan ko‘rinib turibdiki, nazoratli o‘qitish usullari hamon yetakchi (35%), biroq chuqur o’qitishva autoencoderga asoslangan anomaliya aniqlash usullari ulushi ham tez oshib bormoqda. Bu esa ishlab chiqarish tarmoqlarida signaturali IDS o‘rnini sekin-asta intellektual modellar egallayotganini ko‘rsatadi.