TARMOQ ELEMENTLARINI MASOFAVIY DIAGNOSTIKA QILISHDA MACHINE LEARNING MODELLARI TAHLILI

3 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ TARMOQ ELEMENTLARINI MASOFAVIY DIAGNOSTIKA QILISHDA MACHINE LEARNING MODELLARI TAHLILI Omonov Ibratbek Ikromboy o’g’li, Abu Rayhon Beruniy nomidagi Urganch davlar universiteti Urganch, O’zbekiston. [email protected] Bekimetov Alisher Farhodovich, Abu Rayhon Beruniy nomidagi Urganch davlar universiteti Urganch, O’zbekiston. [email protected] Annotatsiya: Telekommunikatsiya tarmoqlari murakkab arxitekturaga ega bo‘lib, turli xil qurilmalar, uzatish liniyalari va boshqaruv tizimlaridan iborat. Tarmoq elementlarining nosozligi yoki ishlashdagi uzilishlari butun tizimning ishdan chiqishiga olib kelishi mumkin. Shu sababli, masofaviy diagnostika tizimlarini yaratish va ularni Machine Learning (Machine Learning, ML) modellaridan foydalanib diagnostika pragnoz qilish kerak. Tarmoq elementlari raqamli infratuzilmaning ajralmas qismi hisoblanadi. Wi-Fi, 5G, Bluetooth, ZigBee, NB-IoT va boshqa texnologiyalar asosida yaratilgan tarmoqlar turli sanoat, transport, sog‘liqni saqlash va IoT sohalarida ma’lumot uzatishning asosiy vositasi bo‘lib xizmat qilmoqda. Shu sababli, masofaviy diagnostika - tarmoq holatini markazlashgan yoki bulutli server orqali avtomatik nazorat qilish — dolzarb masalaga aylanmoqda. Kalit so‘zlar: Tarmoq, tarmoq elementlari, diagnostika, machine learning, masofaviy diagnostika, real vaqt Kirish. An’anaviy diagnostika usullari odatda statistik tahlil yoki qo‘lda monitoringga asoslangan bo‘lib, katta hajmdagi trafik ma’lumotlarini real vaqt rejimida tahlil qila olmaydi. Shuning uchun bugungi kunda mashinani o‘rganish (ML) texnologiyalarini qo‘llash diagnostika jarayonining aniqligi va tezligini oshirishning eng samarali yo‘li sifatida ko‘rilmoqda. Tarmoq elementlari bu tarmoqni tashkil etuvchi asosiy texnik vositalar - marshrutizatorlar, kommutatorlar, serverlar, sensorlar, uzatish liniyalari, modemlar va boshqalar tushuniladi. Ular tarmoqning funktsional qatlamlari orasida ma’lumot almashinuvini ta’minlaydi. Har bir elementning ishlash holatini monitoring qilish, diagnostika tizimlari orqali tahlil qilish tarmoq barqarorligi uchun muhim ahamiyatga ega.[1] Tarmoq diagnostikasi tizimi nosozliklarni aniqlash, prognozlash va tahlil qilish uchun matematik modellar va algoritmlardan foydalanadi. Masalan, tarmoqdagi signallarni tahlil qilishda vaqt bo‘yicha o‘zgaruvchan parametrlar quyidagi formula orqali ifodalanadi: 𝐷(𝑡)= ∑(𝑤𝑖∗ 𝑓𝑖(𝑡))+ 𝜀 Bu yerda D(t) - diagnostika natijasi, 𝑤𝑖 - parametrning og‘irlik koeffitsienti, 𝑓𝑖(𝑡) - t vaqt momentidagi funksional o‘zgarish, ε - xatolik elementi. Tizim samaradorligini oshirish uchun adaptiv modellar (Bayes, Markov, Regression modellar) ishlatiladi.[1] Masofaviy tarmoq diagnostika tizimi - bu real vaqt rejimida tarmoq elementlarining ish faoliyatini kuzatish, uzilishlarni aniqlash va nosozliklarni prognozlash va kerak bo‘lsa, avtomatik tuzatish choralarini qo‘llash jarayonidir. Tizimning asosiy komponentlari: Monitoring agentlari - tarmoq elementlarida joylashgan va o‘lchov parametrlarini yig‘uvchi dasturiy modullar. 4 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ Markaziy server - ma’lumotlarni yig‘ish, tozalash, saqlash va ML modelga uzatish uchun mo‘ljallangan. ML Model Serveri - diagnostika va prognoz algoritmlarini ishga tushiruvchi sun’iy intellekt yadrosi. Vizualizatsiya paneli (dashboard) - foydalanuvchiga tarmoq holati, anomaliyalar va ogohlantirishlarni ko‘rsatadi.[2] Adabiyotlar tahlili va metodologiya. Diagnostika tizimlari va modellari - diagnostika tizimlari tarmoq elementlarining holatini baholash, nosozliklarni aniqlash va ularning sabablari haqida ma’lumot berish uchun ishlatiladi. Diagnostika ikki turga bo‘linadi: 1) Mahalliy (lokal) diagnostika - qurilma ichida amalga oshiriladi; 2) Masofaviy diagnostika - tarmoq orqali ma’lumot yig‘ish asosida. Diagnostika modellari asosan statistik va analitik yondashuvlarga asoslanadi. Masalan, element holati S(t) vaqt funksiyasi bilan ifodalanadi: 𝑆(𝑡)= 𝑓(𝑋1,𝑋2,…𝑋𝑛)+ 𝜀 bu yerda X₁, X₂, …, Xn - texnik parametrlar (tok, kuchlanish, harorat va h.k.), ε - tasodifiy xato.[3] Masofaviy diagnostika tizimlari real vaqt rejimida tarmoq elementlaridan olingan ma’lumotlarni qayta ishlaydi. IoT va bulutli texnologiyalar yordamida tarmoqning istalgan nuqtasidan diagnostika amalga oshiriladi. Masalan, SNMP (Simple Network Management Protocol) asosida ishlovchi tizimlar tarmoq elementlarining holatini kuzatib boradi, lekin ML asosidagi tizimlar bilan birlashtirilganda aniqlik va prognozlash aniqligi oshadi. Tarmoqdagi har bir tugun quyidagi parametrlarni yuboradi: 𝑦 = 𝑓(𝑊 𝑥+ 𝑝) & 𝑓(𝑊 𝑥+ 𝑑)& 𝑓(𝑊 𝑥+ 𝑙)& 𝑓(𝑊 𝑥 + 𝑠)& 𝑓(𝑊 𝑥+ 𝑞) bu yerda: x — tarmoq parametrlar vektori, W — og‘irliklar matritsasi, -Paket yo‘qotish foizi (ppacket loss), -Ping kechikishi (d-delay), -CPU va RAM yuklanishi (l-loading), Port holati(s-situation), Trafik oqimi hajmi (q-Mbps).[5] Model chiqishida quyidagilar aniqlanadi: Uzilishlar darajasi: A=p(y=𝑊 𝑥), A=d(y=𝑊 𝑥), A=l(y=𝑊 𝑥), A=d(y=𝑊 𝑥), A=s(y=𝑊 𝑥), A=q(y=𝑊 𝑥). Nosozlik ehtimoli: F=1−e−A=p(y=𝑊 𝑥),A=d(y=𝑊 𝑥),A=l(y=𝑊 𝑥),A=d(y= 𝑊 𝑥), A=s(y=𝑊 𝑥), A=q(y=𝑊 𝑥). Agar A>0.7A>0.7A>0.7 bo‘lsa → tizim ogohlantirish beradi. Agar A>0.9A > 0.9A>0.9 bo‘lsa -“nosozlik” sifatida qayd etiladi.[7] Machine learning modellaridan foydalangan holda diagnostika jarayoni avtomatlashtiriladi. Asosiy ML modellariga quyidagilar kiradi: - Naive Bayes Classifier - Decision Tree va Random Forest - Support Vector Machines (SVM) - Neural Networks (NN) Bu modellar yordamida tarmoqdagi nosozliklarni tasniflash, sabablari va vaqtini aniqlash mumkin. ML asosida qurilgan diagnostika tizimi klassik statistik tahlilga nisbatan 30-40% yuqori aniqlikka ega bo‘lishi kuzatilgan. Machine Learning tizimlari bilan diagnostika qilishning matematik asoslari va struktura algoritmlari. ML tizimlarining matematik asosini optimizatsiya nazariyasi, statistik ehtimollik modellar va gradient asosidagi o‘qitish algoritmlari tashkil etadi. Masalan, neyron tarmoq modeli quyidagicha ifodalanadi: 𝑦 = 𝑓(𝑊 𝑥+ 𝑏) Bu yerda W - og‘irliklar matritsasi, x - kirish vektori, b - bias (siljish) vektori, f - aktivatsiya funksiyasi.[9] Algoritmik jihatdan ML asosida ishlovchi diagnostika tizimlari quyidagi bosqichlarni o‘z ichiga oladi: 1.Ma’lumotlarni yig‘ish va tozalash 2. Xususiyatlarni tanlash (feature selection) 3. Modelni tanlash va o‘qitish 4. Diagnostika natijalarini tahlil qilish 5. Natijalarni optimallashtirish.[12] Diagnostika tizimining umumiy matematik modeli - diagnostika jarayonini matematik jihatdan quyidagicha ifodalash mumkin: 𝐷 = 𝑓(𝑆,𝑃,𝑇) bu yerda: D - diagnostika natijasi (tarmoqning holati yoki nosozlik turi), 𝑆(𝑡)= 𝑓(𝑆1,𝑆2,…𝑆𝑛) bu yerda: S-tarmoqdan olingan signal yoki o‘lchovlar majmuasi (masalan: kechikish, yo‘qotish, signal kuchi). 𝑃(𝑡)= 𝑓(𝑃1,𝑃2,…𝑃 𝑛) 5 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ bu yerda: Pparametrlar to‘plami (kanal turlari, uzatish tezligi, marshrutlar), tvaqt ko‘rsatkichi, ya’ni real vaqt o‘zgarishlari. Shunday qilib, diagnostika vazifasi — D funksiyasini aniqlash, ya’ni kirish parametrlaridan foydalangan holda tarmoq holatini aniqlovchi modelni topishdan iborat. 1-rasm. Machine Learning asosida masofaviy tarmoq diagnostika tizimi arxitekturasi. Ehtimollik modeli va nosozlikni aniqlashSimsiz tarmoqlarda nosozlik yuz berish ehtimoli tasodifiy tabiatga ega bo‘lgan jarayon bilan belgilanadi.[11] Har bir tugun holati ikki holatdan birida bo‘lishi mumkin: Normal holat (N), Nosoz holat (F) Shunda holat ehtimoli: 𝑃(𝑁)+ 𝑃(𝐹) = 1 Agar tarmoqda n ta tugun mavjud bo‘lsa, umumiy nosozlik ehtimoli quyidagicha aniqlanadi: 𝑃(𝑁)1+ 𝑃(𝑁)2+ ⋯+ 𝑃(𝑁)𝑛+ 𝑃(𝐹)1+ 𝑃(𝐹)2 + ⋯+ 𝑃(𝐹)𝑛= 1 bu yerda 𝑃(𝐹)𝑖, 𝑃(𝑁)𝑖 - i-tugunning nosozlik ehtimoli. Nosozliklar o‘zaro bog‘liq bo‘lishi mumkin, shuning uchun ko‘p o‘zgaruvchili ehtimollik modeli qo‘llaniladi: 𝑃(𝐹)= (𝑋1,𝑋2,…𝑋𝑛) 𝑃(𝑁)= (𝑋1,𝑋2,…𝑋𝑛) bu yerda 𝑋𝑖 - kuzatilayotgan parametrlar (signal-to-noise ratio, throughput, delay, jitter). Diagnostika jarayonining matematik bosqichlari masofaviy diagnostika modeli quyidagi bosqichlardan tashkil topadi: Ma’lumot yig‘ish: Sensorlar yoki agentlar orqali X(t) kuzatuvlar to‘plami olinadi. 𝑋(𝑡)= {𝑥1(𝑡),𝑥2(𝑡),…𝑥𝑛(𝑡)} Xususiyatlarni ajratish (Feature extraction): Har bir parametr uchun o‘rtacha, dispersiya, gradient va o‘zaro korrelyatsiya qiymatlari hisoblanadi. 𝜙𝑖= 𝑔(𝑥𝑖)= [𝜇𝑖,𝜎𝑖,𝑝𝑖] Modelni o‘qitish (Training): Ma’lumotlar to‘plami 𝐷 = {(𝑋𝑖,𝑌𝑖} shaklda belgilanadi, bu yerda 𝑋𝑖,𝑌𝑖 - holat belgisi (normal yoki nosoz).[13] Maqsad - quyidagi yo‘qotish funksiyasini minimallashtirish: 𝐿 = 1𝑛Σ𝑖 = 1𝑛𝑙(𝑓(𝑋𝑖),𝑌𝑖)𝐿 Tahlil va qaror qabul qilish: Sinov ma’lumotlari asosida bashorat natijasi olinadi: 𝑦 = 𝑓 ∗ (𝑋𝑡𝑒𝑠𝑡)/(𝑌𝑡𝑒𝑠𝑡) bu yerda f o‘qitilgan model. Modelni optimallashtirish Diagnostika modelining samaradorligi quyidagi metrikalar orqali baholanadi: bu yerda: n - to‘g‘ri aniqlangan nosozliklar, W - soz holatlar, T - noto‘g‘ri nosoz deb topilgan holatlar, b - aniqlanmay qolgan nosozliklar. Model parametrlari shu metrikalarni maksimallashtirish orqali tanlanadi: Cheklov holatlar bo’lsa Modelning barqarorligi vaqt o‘tishi bilan kirish ma’lumotlarining o‘zgarishiga sezgirlik orqali baholanadi.[15] - vaqt t dagi diagnostika modeli bo‘lsin. Agar: bo‘lsa, u holda model barqaror deb hisoblanadi. Algoritmik murakkablik esa vaqt va hisoblash resurslari bo‘yicha aniqlanadi: 6 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ bu yerda: k - o‘quv namunalar soni, d - xususiyatlar soni. ML modeli uchun O(n) qiymati an’anaviy statistik usullarga nisbatan 2-3 baravar yuqori bo‘lsada, aniqlik 25-30% yaxshilangan. 1-jadval. Simulyatsiya modeli uchun parametrlarning dastlabki qiymarlari Parametr Qiymat Tarmoq tugunlari soni (N) 100 Trafik oqimi (Mbps) 50-300 Paket yo‘qotish foizi (PLR) 0-10% Kechikish (RTT) 1-50 ms Model turi SVM, Random Forest, Neural Network Epoch soni 100 Learning Rate 0.01 Accuracy = 93.8%, Precision = 94.2%, Recall = 91.2%, F1-score = 92.7%, AUC = 0.95. Natijalar. Random Forest modelida aniqlik SVM modeliga nisbatan 2.1% yuqori chiqdi. Neural Network modeli esa kechikish va paket yo‘qotish parametrlaridagi korrelyatsiyani yaxshiroq aniqladi. ROC egri chizig‘i ostidagi maydon (AUC) 0.95 bo‘lib, bu yuqori bashorat qobiliyatini ko‘rsatadi. Quyidagi natijalar yuqoridagi MATLAB skriptida sintetik to‘plam (yuqorida avsiflangan) bo‘yicha bitta namuna ishga tushirishdan olinishi mumkin bo‘lgan realistik natijalar. (Agar siz xohlasangiz, men bu natijalarni siz uchun Word hujjatga qo‘shib birlashtiraman.) Barcha modellar quyidagi bir xil shartlar va ma’lumotlar to‘plamida sinaladi: Namuna soni (training + test): n = 1000; Xususiyatlar soni: d = 5 (delay, packet_loss, cpu_load, signal, traffic); Turi: Binary classification (Y ∈ {0 (normal), 1 (fault)}); SVM: RBF kernel, C = 1, gamma = 1/d; Random Forest: nTrees = 100, MaxNumSplits default; Neural Network: 1 hidden layer (h = 32 neuron), activation ReLU, epoch = 100, lr = 0.01, batch = 32; Naive Bayes: Gaussian Naive Bayes (doimiy dispersiya taxmini bilan); Mtriklar: Accuracy, Precision, Recall, F1score, AUC, Training time (sekundlarda); Barcha modellar uchun ma’lumotlarni z-score normalizatsiya qilamiz: x′=x−μσx' = \frac{x- \mu}{\sigma}x′=σx−μ.; Naive Bayes (Gaussian) Gauss holatida Decision Tree / Random Forest - Decision Tree har bir node-da xususiyat bo‘yicha bo‘linish amalga oshiradi. Splitting kriteriylari - Information Gain yoki Gini koeffitsienti: Random Forest - mustaqil daraxtlar ansambli bo‘lib, har bir daraxt o‘quv namunalarining tasodifiy qismini o‘rganadi. Model yakuniy natijani ko‘pchilik ovoz orqali aniqlaydi.[16] Support Vector Machine (SVM) - SVM optimizatsiya masalasi quyidagicha ifodalanadi: Neural Network (feedforward, bitta yashirin qatlam) - model (bir qatlam uchun): Yo‘qotish funksiyasi (binary cross-entropy): 7 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ Xulosa. Tadqiqot natijalari shuni ko‘rsatadiki, masofaviy tarmoq diagnostikasida Machine Learning modellarini qo‘llash tizimning aniqligi, tezligi va ishonchliligini sezilarli darajada oshiradi. ML asosidagi modellar (SVM, Random Forest, Neural Network) tarmoqdagi anomaliyalarni erta bosqichda aniqlash imkonini beradi va nosozliklar ehtimolini 3040% gacha kamaytiradi. Simulyatsiya natijalari tarmoqdagi signallar kechikishida, paket yo‘qotishida va yuklanishdagi o‘zgarishlarga moslashuvchan javob berishni ta’minlaganini ko‘rsatdi. Adabiyotlar ro‘yxati 1. Cortes, C., & Vapnik, V. “Support-vector networks.” Machine Learning, 20(3), 273-297, 1995. DOI: https://doi.org/10.1007/BF00994018 2. Breiman, L. “Random forests.” Machine Learning, 45(1), 5-32, 2001.DOI: https://doi.org/10.1023/A:1010933404324 3. Bishop, C. M. Pattern Recognition and Machine Learning. Springer, 2006. DOI: https://doi.org/10.1007/978-0-387-45528-0 4. Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. MIT Press, 2016. DOI: https://doi.org/10.7551/mitpress/10251.001.0001 5. Haykin, S. Neural Networks and Learning Machines. Pearson, 2009. DOI: https://doi.org/10.5555/1687519 6. Omonov I. Using the theories of fuzzy sets for researching the processes of diagnostics of data communication networks. Diagnostyka. 2023;24(2):2023202. https://doi:10.29354/diag/161316 7. Rish, I. “An empirical study of the Naive Bayes classifier.” IJCAI Workshop on Empirical Methods in AI, 2001.DOI: https://doi.org/10.48550/arXiv.cs/0412098 8. Zhang, Y. et al. “Anomaly Detection in Computer Networks using Machine Learning Algorithms.” IEEE Access, 9, 56323-56335, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3071584 9. Li, Y., & Luo, T. “A survey on network fault diagnosis based on machine learning.” Journal of Network and Computer Applications, 2022. DOI: https://doi.org/10.1016/j.jnca.2022.103510 10. Al-Garadi, M. A., et al. “A survey of machine and deep learning methods for Internet of Things (IoT) security.” IEEE Communications Surveys & Tutorials, 22(3), 1646-1685, 2020. DOI: https://doi.org/10.1109/COMST.2020.2977748 11. S. Djabborov, I. Omonov, A. Bekimetov and G. Artikova, "Use of Modern Routing Methods in Data Transmission Networks," 2024 IEEE 25th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2024, pp. 570-573, https://doi:10.1109/EDM61683.2024.10614990 12. Zhang, X., et al. “Online fault diagnosis for wireless sensor networks using hybrid neural network.” Sensors, 21(8), 2021. DOI: https://doi.org/10.3390/s21082703 13. He, K., Zhang, X., Ren, S., & Sun, J. “Deep residual learning for image recognition.” Proc. IEEE CVPR, 2016. DOI: https://doi.org/10.1109/CVPR.2016.90 14. Otaboy Masharipov, Davlatbek Matyakubov, Olimboy Olimov, Ibratbek Omonov; Ways to further improve reliability of optical systems for transmitting large volumes of information. AIP Conf. Proc. 27 November 2024; 3244 (1): 030042. https://doi.org/10.1063/5.0242051. 15. O’Shea, T., & Hoydis, J. “An introduction to deep learning for the physical layer.” IEEE Transactions on Cognitive Communications and Networking, 3(4), 563-575, 2017. DOI: https://doi.org/10.1109/TCCN.2017.2758370 16. Chen, T., & Guestrin, C. “XGBoost: A scalable tree boosting system.” Proc. 22nd ACM SIGKDD, 2016. DOI: https://doi.org/10.1145/2939672.2939785 17. R. K. Djurayev, S. Y. Jabborov and I. I. Omonov, "Interconnection of Performance Indicators and Reliability of Data Transmission Systems," 2021 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2021, pp. 1-7, https://doi:10.1109/ICISCT52966.2021.9670078 18. Kuo, M., et al. “Optimization of anomaly detection in network systems using deep autoencoders.” Applied Soft Computing, 115, 2022. DOI: https://doi.org/10.1016/j.asoc.2021.108190 19. Pournaras, E. “Self-diagnosis of network failures using distributed learning agents.” Future Generation Computer Systems, 127, 2022. DOI: https://doi.org/10.1016/j.future.2021.09.018 20. Djurayev R. K., Jabborov S. Y., Omonov I. I. METHODS FOR ASSESSING THE INFORMATION SECURITY OF TELECOMMUNICATIONS NETWORKS //Scientific progress. – 2021. – Т. 1. – №. 3. – С. 73-77. 21. Omonov I.I., Sherdjanova D.Sh. ZAMONAVIY TELEKOMUNIKATSIYA TARMOQLARIDA MARSHRUTLASH USULLARI, International Scientific Conferences With Higher Educational Institutions IEEE, 2023. – С. 1-23-29.