KIBER TAHDIDLARNI ANIQLASHDA MASHINAVIY O‘RGANISH TEXNOLOGIYALARINING ROLI

Аннотация

This paper explores the role of machine learning technologies in detecting cyber threats. With the increasing complexity and frequency of cyberattacks, there is a growing need for effective detection and defense mechanisms in the field of cybersecurity. The study analyzes the effectiveness of supervised and unsupervised learning techniques, as well as deep learning algorithms, in identifying various types of cyber threats. Experimental results demonstrate that machine learning-based approaches can accurately detect malicious activities within network traffic. The paper also discusses the advantages, limitations, and future directions of machine learning applications in cybersecurity. Keywords: cyber threats, machine learning, deep learning, cybersecurity, threat detection, network traffic. Kirish (Introduction) Raqamli texnologiyalarning kengayib borishi bilan birga, kiber tahdidlar soni va xilma- xilligi ham ortib bormoqda. An’anaviy xavfsizlik choralarining chegaralanganligi sababli, ushbu tahdidlarga qarshi samarali kurashish zamonaviy yondashuvlarni talab etadi. Ayniqsa, mashinaviy o‘rganish (Machine Learning) texnologiyalari kiber tahdidlarni aniqlashda yangi imkoniyatlar ochmoqda. Ushbu maqolada mashinaviy o‘rganish algoritmlarining kiber xavfsizlik sohasidagi qo‘llanilishi, ularning afzalliklari va amaliy natijalari tahlil qilinadi. Metodologiya (Methods) 574 ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6 Tadqiqotda mashinaviy o‘rganish asosida ishlovchi quyidagi asosiy texnikalar o‘rganildi: 1. Nazorat ostidagi o‘rganish (Supervised Learning): Nazorat ostidagi o‘rganish — bu mashinaviy o‘rganishning asosiy turlaridan biri bo‘lib, u mavjud yorliqlangan ma’lumotlar asosida modelni o‘rgatishga asoslanadi. Bu yondashuvda algoritmga kirish (input) ma’lumotlari bilan birga, ularning to‘g‘ri javobi yoki sinfi (label) ham beriladi. Model ushbu mavjud juftliklar asosida umumiy qonuniyatlarni o‘rganadi va yangi, ilgari ko‘rilmagan ma’lumotlarga nisbatan prognoz (taxmin) bera oladi. Kiber tahdidlar kontekstida qo‘llanilishi. Kiber xavfsizlikda nazorat ostidagi o‘rganish usullari quyidagi vazifalarni bajarishda samarali: • Zararli (malicious) va zararli bo‘lmagan (benign) trafikni ajratish • Spam va phishing elektron xabarlarini aniqlash • Botnet, DDoS, port skanerlash kabi hujum turlarini klassifikatsiya qilish • Xodimlar faoliyatidagi g‘ayritabiiy xatti-harakatlarni aniqlash (insider threat) Eng ko‘p ishlatiladigan algoritmlar a) Decision Tree (qaror daraxtlari): Ma’lumotlarni ketma-ket qarorlar asosida sinflarga ajratadi. Tushunarli va tez ishlaydi. b) Random Forest: Ko‘plab qaror daraxtlarining ansambli bo‘lib, aniq va bardoshli model yaratadi. Kiber hujumlarni aniqlashda keng qo‘llaniladi. c) Support Vector Machine (SVM): Turli sinflar o‘rtasida optimal ajratuvchi chiziq (hyperplane) quradi. Ayniqsa, yuqori o‘lchamli ma’lumotlar bilan ishlashda foydali. d) Logistic Regression: Binarning klassifikatsiya vazifalari uchun qulay. Ma’lumotlar soni kam bo‘lsa ham yaxshi ishlaydi. e) K-Nearest Neighbors (KNN): Yangi namunani unga eng yaqin (o‘xshash) namunalar asosida baholaydi. Ammo katta hajmli ma’lumotlarda sekin ishlashi mumkin. 2. Nazoratsiz o‘rganish (Unsupervised Learning): Nazoratsiz o‘rganish – bu mashinaviy o‘rganish turi bo‘lib, u belgilangan (ya’ni, "label") ma’lumotlarsiz ishlaydi. Modelga faqat kuzatilgan ma’lumotlar taqdim etiladi va u ulardagi tu struktura, naqshlar yoki tendensiyalarni mustaqil aniqlaydi. Asosiy vazifasi: ma’lumotlar orasida yashirin bog‘liqlik, klasterlash yoki g‘ayrioddiy xatti-harakatlarni (anomaliyalarni) topish. Kiber tahdidlar kontekstida: Kiberxavfsizlikda ko‘plab tahdidlar yangi, noma’lum yoki oldindan belgilab bo‘lmaydigan xususiyatlarga ega. Shu sababli, nazoratsiz o‘rganish tahdidlarni aniqlashda juda muhim ahamiyat kasb etadi, ayniqsa: Zero-day attacks (ilgari noma’lum xatoliklardan foydalanadigan hujumlar) Advanced Persistent Threats (APT) Botnet va DDoS xatti-harakatlarini aniqlash Insayder tahdidlar 3. Chuqur o‘rganish (Deep Learning): Chuqur o‘rganish (Deep Learning) – bu sun’iy neyron tarmoqlarga asoslangan mashinaviy o‘rganish yo‘nalishi bo‘lib, katta hajmdagi ma’lumotlardan murakkab naqshlarni mustaqil ravishda o‘rganishga qodir. Asosiy farqi – ko‘p qavatli (multi-layer) neyron tarmoqlar yordamida yuqori darajadagi xususiyatlarni aniqlay olishi. 575 ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6 Chuqur o‘rganish kiberxavfsizlikda oldindan belgilash qiyin bo‘lgan, murakkab, dinamik va noaniq tahdidlarni aniqlashda juda samarali. Ayniqsa, real vaqt rejimida katta hajmli trafik, loglar, foydalanuvchi xatti-harakatlari, va tarmoq oqimlari ustida ishlashda qo‘llaniladi. Qo‘llaniladigan asosiy chuqur o‘rganish modellari quyidagilardan iborat. a). Konvolyutsion Neyron Tarmoqlar (CNN - Convolutional Neural Networks): • Asosan tasvir tahlilida ishlatilsa-da, kiberxavfsizlik loglarini vizual formatga aylantirib, anomaliyalarni aniqlashda ham qo‘llan