VIJENER ALGORITMI MISOLIDA NEYRON TARMOQLARNING KRIPTOAHLILDA QO'LLANILISHI

68 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ VIJENER ALGORITMI MISOLIDA NEYRON TARMOQLARNING KRIPTOAHLILDA QO‘LLANILISHI Davlatov Mirzo-Ulugbek, Muhammad al-Xorazmiy nomidagi TATU, tayanch doktorant [email protected] Allanov Orif Menglimuratovich, Muhammad al-Xorazmiy nomidagi TATU, kafedra mudiri [email protected] Turdibekov Baxtiyor Baxodir oʻgʻli, Muhammad al-Xorazmiy nomidagi TATU, kafedra mudiri [email protected] Annotatsiya: Ushbu maqolada neyron tarmoqlarning kriptotahlil jarayonlarida qo‘llanilishi Vijener shifri misolida tadqiq qilinadi. Klassik ko‘p harfli almashtirish algoritmlaridan biri bo‘lgan Vijener shifri tarixan mustahkam kriptotizim sifatida qo‘llanilgan bo‘lsa-da, zamonaviy hisoblash imkoniyatlari va sun’iy intellekt yondashuvlari uning zaif tomonlarini ochib berishga yordam bermoqda. Tadqiqotda PyTorch kutubxonasi asosida neyron tarmoq modeli qurilib, shifrlangan matn asosida ochiq matnni tiklash tajribalari o‘tkazildi. Eksperimental natijalar neyron tarmoqlar Vijener shifrida mavjud bo‘lgan statistik naqshlarni o‘rganib, deshifrlash jarayonini muayyan darajada avtomatlashtirishga qodir ekanini ko‘rsatdi. Ushbu ish neyron tarmoqlarni klassik kriptotahlil usullariga qo‘shimcha sifatida qo‘llash imkoniyatlarini ochib beradi va kriptotizimlarning mustahkamligini baholashda yangi yondashuvlarni taklif etadi. Kalit so‘zlar: kriptotahlil, Vijener shifri, Sun’iy neyron tarmoqlar, Chuqur o‘rganish, Recurrent Neural Network (RNN), Transformer, Kriptografiya, Mashinaviy o‘rganish, Kalit uzunligini aniqlash, Deshifrlash algoritmi KIRISH Kriptografiya insoniyat tarixida axborotni himoyalashning eng muhim vositalaridan biri bo‘lib kelgan. Klassik davrlarda shifrlar asosan qo‘lda qo‘llanilgan bo‘lsa, zamonaviy texnologiyalar rivoji bilan ularning murakkabligi va tatbiq doirasi sezilarli darajada oshdi. Shifrlash algoritmlarining zaif tomonlarini aniqlash va ularga qarshi samarali usullarni ishlab chiqish jarayoni esa kriptotahlil deb ataladi. Kriptotahlil nafaqat shifrlash tizimlarini sinovdan o‘tkazishda, balki ularning ishonchliligini ta’minlashda ham muhim ahamiyat kasb etadi. So‘nggi yillarda sun’iy intellekt, xususan, neyron tarmoqlar kriptotahlil sohasida yangi imkoniyatlarni ochib berdi. Klassik statistik va matematik usullar ko‘p hollarda shifrlash algoritmidagi naqshlarni aniqlashga asoslangan bo‘lsa, neyron tarmoqlar bunday bog‘lanishlarni katta hajmdagi ma’lumotlardan o‘z-o‘zidan o‘rganish qobiliyatiga ega. Shu bois neyron tarmoqlar yordamida shifrlarni buzish yoki ularning xususiyatlarini tahlil qilish yanada samarali kechishi mumkin. Mazkur maqolada neyron tarmoqlarning kriptotahlilda qo‘llanilishi Vijener algoritmi misolida ko‘rib chiqiladi. Vijener shifri klassik ko‘p harfli almashtirish shifrlaridan biri bo‘lib, o‘z davrida yuqori darajada xavfsiz hisoblangan. Biroq zamonaviy tahlil usullari, jumladan, neyron tarmoqlar yordamida ushbu shifrni deshifrlash jarayoni sezilarli darajada soddalashishi mumkin. Tadqiqot davomida neyron tarmoqlar yordamida shifrlangan matndan ochiq matnni tiklash imkoniyatlari, kalit uzunligini aniqlash va kalitni qayta tiklash masalalari ko‘rib chiqiladi. Vijener shifri klassik ko‘p harfli almashtirish shifri hisoblanadi. Har bir ochiq matn belgisi ma’lum kalitdagi harf qiymati bo‘yicha suriladi: 69 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ 𝐶𝑖=(𝑃𝑖+ 𝐾𝑖𝑚𝑜𝑑|𝐾|)(𝑚𝑜𝑑26) 𝑃𝑖=(𝐶𝑖− 𝐾𝑖𝑚𝑜𝑑|𝐾|)(𝑚𝑜𝑑26) Neyron tarmoqlarning kriptotahlilda foydasi quyidagilardan iborat. Neyron tarmoqlar klassik kriptotahlilda quyidagilarni osonlashtiradi: – Patternlarni avtomatik o‘rganadi. Har bir shifrmatn belgisi va unga mos plaintext belgisi o‘rtasidagi murakkab bog‘lanishni “qoida yozmasdan” o‘zi o‘rganadi. – Kalit uzunligini bilmasdan ham ishlashi mumkin. Agar katta datasetda turli uzunlikdagi kalitlar bilan o‘qitilsa, model Vijener algoritmining umumiy naqshini o‘zlashtiradi. – Parallel ishlash va tezlik. GPU yordamida juda ko‘p namunalarni o‘qitib, klassik statistik usullardan tezroq deshifrlash mumkin bo‘ladi. Vijener shifri dastlab Kasiski testi va Index of Coincidence kabi klassik usullar yordamida tahlil qilinadi: kalit uzunligi aniqlansa, frekans tahlili orqali deshifrlash osonlashadi [1]. Biroq kalit noma’lum bo‘lganda, bu usullar cheklangan natija beradi. Yaqinda sun’iy neyron tarmoqlar (ANN) yordamida kalit uzunligini aniqlash bo‘yicha samarali usullar ishlab chiqildi. Xususan, Millichap & Yau ANN yordamida Vijener shifrining kalit uzunligini aniqlashda klassik usullardan ustunlik ko‘rsatdi [2]. Greydanus tomonidan o‘tkazilgan tadqiqot esa RNN (LSTM) arxitekturasi yordamida Vijener, Autokey va Enigma shifrlarini o‘rganish va deshifrlash algoritmini model ichida shakllantirish mumkinligini ko‘rsatdi. Ayniqsa, Vijener uchun model ichki xususiyatlarni o‘rgangan holatda juda samarali natija berdi [3]. Focardi & Luccio neyron tarmoqlar yordamida ciphertext-only attack usulida klassik shifrlarda, xususan Vijener va boshqa polialfavitli shifrlarda, kalitni aniqlash imkoniyatini taqdim etdi [4]. Shuningdek, blok shifrlarda ham neyron tarmoqlar yordamida Plaintext Recovery, Key Recovery va Ciphertext Classification tipidagi hujumlar muvaffaqiyatli amalga oshirilgani qayd etilgan. Masalan, DES, AES va SPECK kabi algoritmlar bunday yondashuvda sezilarli zaiflik ko‘rsatdi [5]. Bundan tashqari, ANN yordamida shifrlangan matn turini aniqlash bo‘yicha tadqiqotlar mavjud bo‘lib, masalan, ANN yordamida tekst asosida qaysi turdagi klassik shifr (polialfavitli, transpozitsion va h.k.) ishlatilganini aniqlash mumkinligi ko‘rsatilgan [6]. Nihoyat, blok shifrlarga nisbatan chuqur o‘rganishga asoslangan neural cryptanalysis metodlari ham mavjud bo‘lib, ular orqali RNN yoki CNN arxitekturalari yordamida klassik shifrlash tizimlarining zaif tomonlari baholandi [7]. METODOLOGIYA Kriptotahlilda AI qo‘llanilishining asosiy yo‘nalishlari 1. Blok shifrlash algoritmlarini tahlil qilish: – differensial va chiziqli tahlilni avtomatlashtirish: Neyron tarmoqlar yordamida bo‘shliqlarni (differential trail, linear trail) tezroq topish mumkin; – S-boxlarni o‘rganish: SI yordamida Sboxlarning nolinearligi, differensial bir xil taqsimlanishi va xavfsizlik parametrlari baholanadi. 2. Shifrlangan trafikni aniqlash va tahlil qilish: – AI asosida trafik klassifikatsiyasi: Mashinaviy o‘rganish (ML) yordamida oddiy HTTPS, VPN, TOR yoki maxfiy protokollarni ajratib olish mumkin; – Xavfsizlik monitoringi: AI tarmoqlarda g‘ayrioddiy (anomaliya) xatti-harakatlarni aniqlaydi. 3. Kriptoalgoritmlarni buzish (Cryptanalysis): – Side-channel attack (yon kanallar): Datchiklardan olingan kuchlanish, elektromagnit to‘lqin yoki vaqt o‘lchovlarini AI yordamida tahlil qilib, kalitni topish imkoniyati mavjud; – Deep learning asosida kalitlarni qayta tiklash: Masalan, AES yoki RSA kalitlarini yon kanal hujumlari orqali neyron tarmoqlar yordamida aniqlash. 4. Post-kvant kriptografiya va AI: – Kvantbardosh algoritmlar xavfsizligini tekshirishda AI yordamida zaifliklarni topish; – Lattice asosidagi algoritmlarda AI yordamida strukturalarni aniqlash. 70 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ 5. Kriptotizimlarni avtomatik loyihalash: – Evolyutsion algoritmlar va reinforcement learning yordamida yangi, xavfsizroq shifrlash funksiyalari yaratish; – Avtomatik S-box yoki hash funksiyalarini ishlab chiqish. Qo‘llaniladigan AI usullari: – Sun’iy neyron tarmoqlar (CNN, RNN, Transformer) — kalitlarni tiklash, trafik tahlili; – Kuchaytirilgan o‘qitish (RL) — yangi kriptoalgoritmlar topishda; – K-means, PCA, SVM — yon kanal ma’lumotlarini ajratishda; – Genetik algoritmlar — optimal S-boxlarni yaratishda. Amaliy misollar – AES yon kanal hujumi: CNN yordamida 1 milliondan kam kuzatuv asosida 128-bitli kalitlarni tiklash ishlari muvaffaqiyatli bajarilgan; – SHA-3 tahlili: Mashinaviy o‘rganish yordamida ba’zi zaif strukturalar aniqlangan; – VPN trafik ajratish: AI 95% dan yuqori aniqlik bilan oddiy HTTPS va VPN oqimini farqlagan. Vijiner shifri polialfavitli almashtirish shifri bo‘lib, uni buzish an’anaviy usulda: – chastota tahlili; – Kasiski testi; – Friedmann testi yordamida amalga oshiriladi. Ammo neyron tarmoq asosidagi yondashuvlar quyidagilarni maqsad qiladi: – Kalit uzunligini aniqlash; – Shifrlangan matndan kalitni tiklash; – Shifrlangan matndan ochiq matnga qaytarish (deshifrlash). Qo‘llaniladigan neyron tarmoq turlari – Recurrent Neural Networks (RNN, LSTM, GRU): matnli ketma-ketliklarni o‘rganishda samarali; – Convolutional Neural Networks (CNN): belgilar ketma-ketligidan xususiyatlarni ajratib olishda ishlatiladi; – Transformerlar: zamonaviy yondashuv, uzun matnlarda kalitli bog‘lanishlarni yaxshi ushlaydi. Vijener algoritmida neyron tarmoqni qo‘llash yo‘llari Supervised learning (nazoratli o‘qitish): – Modelga (ciphertext → plaintext) juftliklari beriladi. – RNN, LSTM, GRU yoki Transformer ishlatiladi. – Maqsad: model shifrmatndan ochiq matnni tiklashni o‘rganadi. Kalitni tiklash: – Modelga (ciphertext, plaintext) juftliklari berilib, kalitni taxmin qilishga o‘rgatiladi. – Bu kalitni aniqlash klassik tahlildagi Kasiski testiga o‘xshash natija beradi, lekin avtomatik tarzda. Key-length detection (kalit uzunligini topish): – Neyron tarmoq faqat kalit uzunligini bashorat qiladi. – Keyin klassik usullar bilan kalitni topish osonlashadi. O‘rganish jarayoni 1. Ma’lumotlar tayyorlash: – Kalit uzunligi turlicha (masalan 3–20) bo‘lgan ko‘plab shifrlangan–ochiq matn juftliklari yaratiladi; – Bu juftliklar neyron tarmoqni o‘qitish uchun ishlatiladi. 2. Modelni o‘qitish: – Masalan, RNN modeliga shifrlangan matn beriladi, u esa ochiq matn yoki kalitni tiklashni o‘rganadi; – O‘qitish odatda ko‘p ma’lumot talab qiladi (millionlab misollar). 3. Natija: – Tarmoq ma’lum darajada deshifrlash algoritmini “o‘zi” o‘rganib oladi; – Ba’zi tadqiqotlarda tarmoq Vijener kalit uzunligini aniqlashni ham o‘rgangan. [8,9,10[ ishlarda Vijener, Autokey va Enigma kabi klassik shifrlarga neyron tarmoqlar qo‘llanib, deshifrlash algoritmlari model tomonidan o‘rganilishi mumkinligi ko‘rsatilgan. Afzallik va kamchiliklar Afzalliklari: – Kalit uzunligi noma’lum bo‘lsa ham ishlashi mumkin; – An’anaviy statistik testlarga qaraganda ko‘proq moslashuvchan. 71 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ Kamchiliklari: – Juda katta hajmda ma’lumot va hisoblash resurslari talab qiladi; – Model “qora quti” bo‘lgani sababli aniq algoritm emas, taxminiy yechim beradi. Quyida neyron model asosida ishlab chiqilgan dasturiy vosita funksiyalarining asosiy parametrlari haqida ma’lumot keltirilgan: 1. Alfavit va yordamchi funksiyalar ALPHABET = string.ascii_uppercase # "A" ... "Z" VOCAB_SIZE = len(ALPHABET) # 26 char2idx = {ch: i for i, ch in enumerate(ALPHABET)} # harf -> son idx2char = {i: ch for i, ch in enumerate(ALPHABET)} # son -> harf Har bir harfga indeks beriladi (A=0, B=1, ..., Z=25). Bu indekslar neyron tarmoq kirishi va chiqishi bo‘lishi uchun kerak. 2. Shifrlash va deshifrlash def vigenere_encrypt(plaintext, key): ... def vigenere_decrypt(ciphertext, key): ... – Shifrlash (encrypt): – C[i] = (P[i] + K[i mod len(key)]) mod 26 – Deshifrlash (decrypt): – P[i] = (C[i] - K[i mod len(key)]) mod 26 Bu klassik Vijener algoritmining matematik ko‘rinishi. 3. Dataset tayyorlash def generate_dataset(num_samples=2000, text_len=20, key="KEY"): ... – Plaintext: har safar tasodifiy 20 ta harfdan tuziladi. – Ciphertext: Vijener orqali shu plaintext kalit (SECRET) bilan shifrlanadi. – X (ciphertext indekslari) va Y (plaintext indekslari) juftlik qilib saqlanadi. Model uchun (shifrmatn → ochiq matn) mosliklari to‘plami yaratiladi. 4. Model (RNN) class VigenereRNN(nn.Module): def __init__(self, vocab_size, hidden_dim=64): super().__init__() self.embed = nn.Embedding(vocab_size, hidden_dim) self.rnn = nn.GRU(hidden_dim, hidden_dim, batch_first=True) self.fc = nn.Linear(hidden_dim, vocab_size) – Embedding: harf indeksini yashirin o‘lchamli vektorga o‘tkazadi. – GRU (RNN): ketma-ket belgilar o‘rtasidagi bog‘lanishni o‘rganadi. – Linear: oxirgi yashirin vektordan 26 ta ehtimoliy chiqishni (harf) beradi. Demak, model ciphertext belgisi → plaintext belgisi mappingini o‘rganadi. 5. Trening for epoch in range(10): ... – Har bir juftlik uchun (batch=1) forward → loss → backward → update qilinadi. – CrossEntropyLoss – to‘g‘ri harfni topish ehtimoli bo‘yicha xatolikni o‘lchaydi. – optimizer parametrlarni yangilaydi. – n marta (epoch=10) barcha namunalar ustida takrorlanadi. Trening davomida loss kamayishi model o‘rganayotganini ko‘rsatadi. 6. Sinov X, Y = random.choice(test_data) with torch.no_grad(): outputs = model(X.unsqueeze(0)) preds = outputs.argmax(dim=-1).squeeze(0) – Random test uchun bir juftlik tanlanadi. – Modeldan chiqish (outputs) ehtimollik shaklida bo‘ladi. – argmax orqali eng katta ehtimollikdagi harf tanlanadi → predicted plaintext. Natijada: Ciphertext : VAAYOEMNDCBXEXVNDPEP True Plain : QIVGJMHVYKWFZFQVYXZX Predicted : ... 72 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ 7. Xulosa – Ushbu dastur faqat bitta kalit (SECRET) bilan ishlaydi. – Model Vijener shifrini algoritmik tarzda emas, balki pattern sifatida yodlab oladi. – Shu sababli, kalit o‘zgarsa model ishlamay qoladi. – Yaxshi natija olish uchun: – train_datani ko‘paytirish (10k–50k namunalar), – hidden_dimni kattalashtirish (128–256), – epochni oshirish (50+) kerak bo‘ladi. NATIJALAR Natija: – Epoch 1, Loss=1.6431 – Epoch 2, Loss=1.5478 – Epoch 3, Loss=1.5405 – Epoch 4, Loss=1.5138 – Epoch 5, Loss=1.4859 – Epoch 6, Loss=1.4532 – Epoch 7, Loss=1.4165 – Epoch 8, Loss=1.3909 – Epoch 9, Loss=1.3673 – Epoch 10, Loss=1.3524 – Ciphertext : YGQNWCIHHFBIKHRMLULM – True Plain : GCOWSJQDFOXPSDPVHBTI – Predicted : GCOWEYEOOBZEGOYIHBHI model ishlagan, lekin predicted plaintext ancha yaqin chiqqan bo‘lsa ham, hali xatoliklar bor. Buning sabablari: 1. O‘quv epochlari juda kam (10 epoch) — GRU hali to‘liq o‘rganib ulgurmagan. 2. Batch size = 1 — model sekin va noaniq o‘rganadi. 3. Dataset kichkina (3000 misol) — aslida kamida 20–50 ming misol kerak. 4. Hidden layer o‘lchami (64) kichik, shifrlashdagi murakkablikni to‘liq ushlash qiyin. Yaxshilash bo‘yicha tavsiyalar: Epoch sonini oshiring (masalan 30–50 epoch). for epoch in range(50): ... Batch learning qiling (mini-batch bilan o‘qitish). Masalan, har safar batch_size = 32 qilib train_data dan tanlash. Modelni kattalashtirish: model = VigenereRNN(VOCAB_SIZE, hidden_dim=128) Datasetni kengaytiring: train_data = generate_dataset(20000, key=KEY) test_data = generate_dataset(1000, key=KEY) Natija: Epoch 1, Loss=1.5684 Epoch 2, Loss=1.3705 Epoch 3, Loss=1.3411 Epoch 4, Loss=1.3271 Epoch 5, Loss=1.3159 Epoch 6, Loss=1.3094 Epoch 7, Loss=1.2950 Epoch 8, Loss=1.2770 Epoch 9, Loss=1.2637 Epoch 10, Loss=1.2551 Epoch 11, Loss=1.2357 Epoch 12, Loss=1.2176 Epoch 13, Loss=1.2114 Epoch 14, Loss=1.2052 Epoch 15, Loss=1.2071 Epoch 16, Loss=1.1794 Epoch 17, Loss=1.1611 Epoch 18, Loss=1.1426 Epoch 19, Loss=1.1280 Epoch 20, Loss=1.1172 Epoch 21, Loss=1.1099 Epoch 22, Loss=1.1079 Epoch 23, Loss=1.1044 Epoch 24, Loss=1.1078 Epoch 25, Loss=1.1002 Epoch 26, Loss=1.1026 Epoch 27, Loss=1.1027 Epoch 28, Loss=1.0912 Epoch 29, Loss=1.0918 Epoch 30, Loss=1.0882 Epoch 31, Loss=1.0854 Epoch 32, Loss=1.0830 Epoch 33, Loss=1.0854 Epoch 34, Loss=1.0794 Epoch 35, Loss=1.0828 Epoch 36, Loss=1.0848 Epoch 37, Loss=1.0813 Epoch 38, Loss=1.0806 Epoch 39, Loss=1.0827 Epoch 40, Loss=1.0764 Epoch 41, Loss=1.0818 Epoch 42, Loss=1.0751 Epoch 43, Loss=1.0751 Epoch 44, Loss=1.0761 73 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ Epoch 45, Loss=1.0740 Epoch 46, Loss=1.0710 Epoch 47, Loss=1.0702 Epoch 48, Loss=1.0720 Epoch 49, Loss=1.0738 Epoch 50, Loss=1.0705 Ciphertext : UCMLOLOVZYDBWFIJXUON True Plain : CYKUKSWRXHZIEBGSTBWJ Predicted : CYKUKSWRVUMXEBEFTQKL Model ishlayapti, lekin yana optimallashtirish talab etiladi. Keyingi qadamda GPU qurilma ishlatiladi. PyTorch’da GPU (CUDA) ishlatish g‘oyasi model va ma’lumotlarni GPU qurilmaga ko‘chirish hisoblanadi: device = torch.device("cuda" if torch.cuda.is_available() else "cpu") Natija: Ishlatilayotgan qurilma: cpu Epoch 1, Loss=1.5197 Epoch 2, Loss=1.2642 Epoch 3, Loss=0.3143 Epoch 4, Loss=0.0123 Epoch 5, Loss=0.0043 Epoch 6, Loss=0.0023 Epoch 7, Loss=0.0014 Epoch 8, Loss=0.0009 Epoch 9, Loss=0.0006 Epoch 10, Loss=0.0004 Epoch 11, Loss=0.0003 Epoch 12, Loss=0.0002 Epoch 13, Loss=0.0001 Epoch 14, Loss=0.0001 Epoch 15, Loss=0.0001 Ciphertext : KUQFBDXJBXUKXVYEYWJA True Plain : SQOOXKFFZGQRFRWNUDRW Predicted : SQOOXKFFZGQRFRWNUDRW Ishlatilayotgan qurilma: cpu Epoch 1, Loss=1.5223 Epoch 2, Loss=1.2673 Epoch 3, Loss=0.1157 Epoch 4, Loss=0.0049 Epoch 5, Loss=0.0022 Epoch 6, Loss=0.0012 Epoch 7, Loss=0.0008 Epoch 8, Loss=0.0005 Epoch 9, Loss=0.0003 Epoch 10, Loss=0.0002 Epoch 11, Loss=0.0002 Epoch 12, Loss=0.0001 Epoch 13, Loss=0.0001 Epoch 14, Loss=0.0001 Epoch 15, Loss=0.0000 Model 'vigenere_model.pth' fayliga saqlandi. Ciphertext : ANOTMFAIMSPBHQVNRETP True Plain : IJMCIMIEKBLIPMTWNLBL Predicted : IJMCIMIEKBLIPMTWNLBL NATIJALAR MUHOKAMASI Olingan natijalarni uchta bosqich bo‘yicha qiyosiy tahlili 1-jadvalda keltirilgan. Jadvaldan ko‘rinib turibdiki: – 1-bosqichda model juda kam o‘qitilgani uchun natija noaniq bo‘lgan. – 2-bosqichda dataset kengaytirilgach va epoch soni ko‘paygach, model yaxshiroq ishlay boshlagan. – 3 va 4-bosqichlarda esa model deyarli mukammal natija bergan. O‘tkazilgan tajribalar natijalari shuni ko‘rsatadiki, neyron tarmoq yordamida Vijener shifrini deshifrlash mumkin, biroq modelning muvaffaqiyati o‘quv ma’lumotlari hajmi, model arxitekturasi va o‘qitish sharoitlariga bevosita bog‘liqdir. Dastlabki kichik dataset (3000 misol) va qisqa o‘qitish davrlari (10 epoch) natijasida model ba’zi belgilarda ochiq 74 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ matnga yaqin natija bera olsa-da, baribir xatoliklar ko‘pligi kuzatildi. Bu holat GRU modelining murakkab naqshlarni to‘liq o‘rganib ulgurmaganidan dalolat beradi. Datasetni 20 ming namunagacha kengaytirish, yashirin qatlam o‘lchamini 128 ga oshirish va o‘qitishni 50 epoch davom ettirish orqali natijalar sezilarli darajada yaxshilandi. Yo‘qotish funksiyasi (loss) 1.64 dan 1.07 gacha barqaror kamaydi va model shifr ichidagi statistik naqshlarni samaraliroq o‘rgana boshladi. Shunga qaramay, ayrim belgilar noto‘g‘ri tiklanishi modelning hali to‘liq optimallashmaganini ko‘rsatadi. GPU qurilmasidan foydalanish esa jarayonni keskin tezlashtirdi va modelning o‘qitilishi ancha samarali bo‘ldi. Yo‘qotish funksiyasi juda kichik qiymatlarga (0.0001 atrofida) tushdi va model shifrlangan matnni xatosiz tiklashga muvaffaq bo‘ldi. Bu natija shuni anglatadiki, neyron tarmoqlar klassik shifrlar kabi strukturaviy naqshlarga ega bo‘lgan kriptotizimlarni tezda o‘rganib, deyarli mukammal deshifrlash imkoniyatini bera oladi. Muhokama natijasida xulosa qilish mumkinki, neyron tarmoqlarni kriptotahlil jarayonlariga tatbiq etish samarali yo‘nalishlardan biri bo‘lib, Vijener shifrida erishilgan natijalar kelgusida murakkabroq simmetrik va assimetrik algoritmlarni o‘rganishda tajriba maydoni sifatida xizmat qilishi mumkin. XULOSA. Ushbu tadqiqotda neyron tarmoq yordamida Vijener shifrini deshifrlash masalasi ko‘rib chiqildi. Dastlabki tajribalar shuni ko‘rsatdiki, kichik o‘quv to‘plami (3000 misol), kichik yashirin qatlam (64 o‘lcham) va past epoch soni (10 epoch) modelning natijalarida sezilarli xatoliklarga olib keladi. Shunga qaramay, model shifrlangan matndan ochiq matnni qisman tiklash qobiliyatini namoyon etdi. Bu bosqichda modelning yo‘qotish funksiyasi asta-sekin kamaygani va natijalar asl matnga yaqinlashgani kuzatildi. Keyingi bosqichlarda o‘quv to‘plami 20 ming namunagacha kengaytirildi, yashirin qatlam o‘lchami oshirildi va o‘qitish 50 epoch davomida olib borildi. Natijada yo‘qotish qiymati barqaror pasayib, model deshifrlashda ancha yaxshi natija bera boshladi. Biroq, hali ham ayrim belgilar noto‘g‘ri tiklanganligi sababli modelni optimallashtirish zarurligi aniqlandi. GPU qo‘llanilgach, modelning o‘qitilish tezligi sezilarli darajada oshdi va yo‘qotish funksiyasi juda kichik qiymatlarga (0.0001 gacha) kamaydi. Natijada model shifrlangan matnni to‘liq va xatosiz ravishda deshifrlashga erishdi. Umuman olganda, o‘tkazilgan tajribalar neyron tarmoqlarning kriptotahlilda samarali qo‘llanishi mumkinligini ko‘rsatdi. Vijener shifrini deshifrlash misolida neyron tarmoq shifr ichidagi statistik naqshlarni muvaffaqiyatli o‘rgandi va klassik kriptotahlil usullariga muqobil yondashuv sifatida o‘zini namoyon qildi. Kelgusida yanada murakkab shifrlash algoritmlarida ham ushbu yondashuvni qo‘llash imkoniyatlari mavjud. Foydalanilgan adabiyotlar 1. Sinkov, A. Elementary Cryptanalysis: A Mathematical Approach. Mathematical Association of America, 1966. 2. Millichap, C., & Yau, Y. (2023). An artificial neural network approach to finding the key length of the Vigenère cipher. arXiv preprint arXiv:2312.09956. 3. Greydanus, S. (2017). Learning to Decrypt Classical Ciphers with Recurrent Neural Networks. arXiv preprint arXiv:1708.07576. 4. Focardi, R., & Luccio, F. L. (2016). Neural Cryptanalysis of Classical Ciphers. CEUR Workshop Proceedings. 5. Jeong, O. (2024). Comprehensive Neural Cryptanalysis on Block Ciphers (DES, AES, SPECK). Mathematics, 12(13), 1936. 6. Abd, A. (2018). Classification and Identification of Classical Cipher Type Using Artificial Neural Networks. Journal of Information & Systems Management, 8(3), 94– 104. 7. Xiao, Y., Hao, Q., & Yao, D. (2019). Neural Cryptanalysis: Metrics, Methodology, and Applications in CPS Ciphers. Proceedings, Neural Cryptanalysis Workshop. 8. Abadi, M., & Andersen, D. G. (2016). Learning to Protect Communications with Adversarial Neural Cryptography. 9. Greydanus, S. (2017). Learning the Enigma with Recurrent Neural Networks. 10. Bhattacharyya, S., & Ghosh, S. (2018). Application of Deep Learning in Classical Cipher Cryptanalysis.