Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

SUPERVIZED MACHINE LEARNING ALGORITMLARINI 
HUJUMLARNI ANIQLASH TIZIMLARIDA QO’LLASH 
D.Sh. Usmanbayev (Muhammad al-Xorazmiy nomidagi TATU) 
S.M. Bozorov (Muhammad al-Xorazmiy nomidagi TATU) 
Hujumlarni aniqlash tizimi (IDS) axborot xavfsizligi uchun qo’llaniladigan 
yuqori qatlamlardan biridir. Hozirgi davrda xavfsizlik tahdidlarini aniqlash va 
tasniflash uchun IDS-da Machine Learning (ML) algoritmlari qo’llanilmoqda. 
Ushbu maqolada bir nechta dasturlar uchun IDS-da ishlatiladigan turli xil ML 
algoritmlarini qiyosiy tahlili keltirib o’tilgan. 
IDS - bu shubhali harakatlar va ma’lum tahdidlarni aniqlash maqsadida 
tarmoq trafigini kuzatib boradigan tizim.
Hujumlarni samarali boshqarish va tasniflash uchun turli xil ML 
algoritmlaridan foydalanish mumkin. Ularning ta’siriga binoan kirishni aniqlash 
ikki turga bo’linadi: 
• Faol identifikatorlar: Ushbu turdagi identifikatorlar passiv identifikatorlarga 
o’xshaydi va shubhali trafikni blokirovka qilish orqali hujumning oldini oladi. 
• Passiv identifikatorlar: Ushbu turdagi identifikatorlar shunchaki trafikni 
kuzatib boradi va tahlil qiladi va ma’murni hujumlar va ularning zaifligi to’g’risida 
ogohlantiradi. 
ML algoritmlari turli xil hujumlarni tasniflashga qaratilgan. ML aslida dastur-
lashtirilmasdan, ularning tajribalari asosida kompyuterlarning o’quv jarayonini 
takomillashtirish deb tushuntirish mumkin.

---

301 
Ruxsatsiz kirishlarni aniqlash uchun ML algoritmi. 
ML - Sun’iy intellekt (AI) 
ning quyi qismidir. ML tizimni aniq dasturlashtirilmasdan tajribadan o’rganish va 
takomillashtirishga imkon beradi. Intrusion Detection System (IDS) uchun ML 
algoritmi qisqa vaqt ichida katta miqdordagi ma’lumotlarga hujumlarni aniqlashda 
aniqroq ishlaydi. Odatda, ML algoritmlarini uchta toifaga ajratish mumkin: 
• supervised 
• unsupervised 
• semi-supervised. 
1. Supervised ML algoritmi
. Supervised to’liq sinfga tegishli ma’lumotlar 
bilan ish olib boradi va ma’lumotlar va ularning sinfi o’rtasidagi bog’liqlikni 
topadi. Bu tasniflash yoki regressiya orqali amalga oshirilishi mumkin. Tasniflash 
mashg’ulotlar va sinovlar kabi ikki bosqichdan iborat.
1.1 Support Vector Machine
(SVM). 
SVM - bu ko’pincha qo’llaniladigan ML 
algoritmlaridan biri. SVM ham tasniflash, ham regressiya uchun ishlatilishi 
mumkin. Algoritmni yorliqli ma’lumotlar bilan o’rgatish mumkin va u barcha 
hujum sinflari orasida chegarani maksimal darajaga ko’taradigan giper tekislik 
orqali ma’lumotlarni sinflarga ajratishni chiqarishi mumkin. Mehmud va boshq. [4] 
SVM ikkilik klassifikator sifatida, shuningdek kaskad usulidan foydalangan holda 
ko’p sinfli tasniflashni amalga oshirishi mumkin. SVM asosan ishlatiladigan yadro 
turlariga va parametrlariga bog’liq. 
1.2 Logistik regressiya (LR). 
LR - bu sinflarning diskret to’plamini kuzatish 
uchun ishlatiladigan boshqariladigan ML tasniflash algoritmi. Logistik funktsiya 
sigmasimon funktsiya deb ataladigan xarajatlar funktsiyasidan foydalanadi. Ushbu 
funktsiya bashoratlarni ehtimolliklar bilan taqqoslaydi. Belavagi va boshq. [1] 
ma’lumotni logistik funktsiyaga moslashtirish orqali hodisa ro’y berish ehtimolini 
taxmin qilish mumkinligini ta’kidladi. Sigmoid funktsiyaning formulasi: 
𝐹(𝑥) =
1
1+𝑒
−(𝑥)
Bu yerda 
F(x)
0 va 1 orasidagi chiqish, 
x
funktsiya uchun kirish, 
e
esa tabiiy jurnalning asosidir.
1.3 Linear Discriminant Analysis
(LDA)
. LDA - bu o’lchovni kamaytirish va 
bashorat qilish uchun ishlatiladigan oddiy chiziqli boshqariladigan ML algoritmi. 
Bayes teoremasiga asoslanib, LDA yangi yozuvlarning qaysi sinfga tegishli bo’lish 
ehtimolini taxmin qiladi [2]. 
𝑃(𝑌 = 𝑥 ǀ 𝑋 = 𝑥) =
(𝑃ǀ𝑘∗𝑓𝑘(𝑥))
𝑠𝑢𝑚(𝑃ǀ𝑘∗𝑓(𝑥))
Bu erda 
k(x)
- chiqish klassi, 
x
- kirish klassi, 
f(x)
- taxmin qilingan ehtimollik va 
𝑃
|
𝑘
- oldingi ehtimollik. 
1.4 Classification and Regression Tree
(CART) 
CART - tasniflash va 
regressiya uchun ishlatiladigan oddiy chiziqli bo’lmagan boshqariladigan ML 
algoritmi. CART-da maqsad o’zgaruvchisi kategorik bo’lishi kerak, regressiya 
daraxtida esa maqsad o’zgaruvchisi doimiy bo’lishi kerak. CART-da Gini indeksi 
bu tasniflash uchun ishlatiladigan ko’rsatkichdir [2]. 
𝐺𝑖𝑛𝑖 𝑖𝑛𝑑𝑒𝑥 = 1 − ∑
𝑃𝑖
𝑐
𝑖=1
Bu yerda, c - sinflar soni va 
𝑃
i
- ma’lumotlar to’plami-
dagi har bir sinfning ehtimolligi. 
1.5 Random Forest (RF) 
RF - bu tasniflash va regressiya uchun ishlatiladigan 
murakkab chiziqli bo’lmagan boshqariladigan algoritm.

---

302 
Bu modelni o’qitishda ko’plab qaror daraxtlarini barpo etadi va natijada 
barcha daraxtlarning bashorat qilish natijalari birlashtirilib, natijada Ansambl 
texnikasi sifatida qayd etiladi. RF chastotalari quyidagicha ishlaydi: modeldagi 
daraxtlar soni qancha ko’p bo’lsa, aniqlik yuqori bo’ladi va modelga haddan 
tashqari mos kelmaydi. 
1.6 Ansambl usullari
. Optimal bashoratli modelni ishlab chiqarish uchun 
ushbu ML texnikasi bir nechta modellarni birlashtiradi. Ansambl usulining asosiy 
g’oyasi - kuchli o’quvchini shakllantirish uchun barcha zaif o’quvchilarni 
birlashtirish; shu bilan modelning aniqligi oshiriladi. Ansambl usullarining ba’zi 
keng tarqalgan turlari - bu paketlash, kuchaytirish va bashoratlash. Gautam va 
boshq. [3] torbalar ansambli uslubiga yaqinlashdi va Naive Bayes, qisman qaror 
daraxtlari algoritmi (PART) va Adaptive Boost bilan izni ishlab chiqdi. Ular 
ansamblning yondoshuvi PART, Naive Bayes va Adaptive Boost-dan yuqori 
ko’rsatkichga ega ekanligini ko’rsatdi. 
Internetdan foydalanishning tez sur’atlarda o’sishi va juda katta miqdordagi 
qimmatli raqamli ma’lumotlarning paydo bo’lishi tajovuzkorni noqonuniy ravishda 
iqtisodiy foyda olishga jalb qiladi va hokazo. Ushbu maqolada turli xil muhitlarda 
IDS uchun ishlatiladigan ML algoritmlari o’rganilgan. Ushbu tadqiqot aniqlanish 
darajasi, noto’g’ri ijobiy tezlik va aniqlik nafaqat algoritmga, balki dastur 
maydoniga ham bog’liqligini bildiradi.
Foydalanilgan adabiyotlar 
[1] Belavagi, M. C., &Muniyal, B. (2016) “Performance evaluation of supervised machine 
learning algorithms for intrusion detection.” 
Procedia
Computer Science 
89(1): 117-123. 
-
Ganapathy, S., Kulothungan, K., Muthurajkumar, S., Vijayalakshmi, M., Yogesh, P., 
&Kannan, A. (2013) “Intelligent feature selection and classification techniques for intrusion 
detection in networks: a survey.” 
EURASIP Journal on Wireless Communications and 
Networking
(1): 271. 
-
Gautam, R. K. S., &Doegar, E. A. (2018) “An Ensemble Approach for Intrusion Detection 
System Using Machine Learning Algorithms.” 
International Conference on Cloud Computing, 
Data Science & Engineering (Confluence)
: 14-15. 
-
Ghasempour, A. (2019). Internet of Things in Smart Grid: Architecture, Applications, 
Services, Key Technologies, and Challenges. 
Inventions
4
(1): 22.