INTERNET NARSALAR TIZIMIGA KIBERHUJUMLARNI ANIQLASH VA BARTARAF ETISH MODELLARI HAMDA ALGORITMLARINI ISHLAB CHIQISH

Mazkur tadqiqot Internet narsalar (IoT) tizimlariga qaratilgan 
kiberhujumlarni aniqlash hamda bartaraf etish uchun yangi algoritm va 
modellarni ishlab chiqishga bag‘ishlangan. IoT qurilmalarining keng tarqalishi 
axborot xavfsizligiga jiddiy tahdid solmoqda, chunki ularning ko‘pchiligi resurs 
jihatdan cheklangan va zamonaviy xavfsizlik mexanizmlariga ega emas. Shu 
sababli maqolada IoT tizimlarida yuzaga keladigan asosiy xavf-xatarlar, hujum 
turlari (masalan, DoS, spoofing, sniffing) va ularni aniqlashda qo‘llanadigan 
usullar (aniqlovchi modellar, mashinaviy o‘rganish algoritmlari) yoritilgan. 
Xususan, an’anaviy statistik yondashuvlar bilan bir qatorda, sun’iy intellekt va 
chuqur o‘rganishga asoslangan algoritmlarning afzalliklari ko‘rsatib berilgan. 
Maqolada anomaliyalarni aniqlash, tarmoq trafigi tahlili va xavfni aniq vaqtda 
identifikatsiyalash uchun gibrid yondashuv taklif etilgan. Tadqiqot doirasida 
IoT qurilmalaridan 12 oy davomida yig‘ilgan 100 GB hajmdagi ma’lumotlar 
to‘plamidan foydalanildi. Taklif etilgan gibrid model sodda mashinali o‘rganish 
usullariga nisbatan 94,7 % aniqlik ko‘rsatkichi bilan 27 % yaxshilanishni ko‘rsatdi. 
Bundan tashqari, ushbu model false-positiv ko‘rsatkichlarni 35 %gacha kamaytirdi 
va real vaqt rejimida ishlov berish tezligini 2,3 barobar oshirdi. Tadqiqot natijalari 
IoT xavfsizligi sohasida muhim yutuq hisoblanadi va sanoat muhitida amaliy 
qo‘llash uchun yangi usullar taklif etadi.

Данное исследование посвящено разработке новых алгоритмов 
и моделей для выявления и предотвращения кибератак, направленных на 
системы интернета вещей (IoT). Широкое распространение IoT-устройств 
представляет серьёзную угрозу информационной безопасности, поскольку 
большинство таких устройств имеют ограниченные ресурсы и не оснащены 
современными механизмами защиты. В статье рассмотрены основные 
риски и угрозы, возникающие в IoT-среде, а также виды атак (например, 
DoS, spoofing, sniffing) и методы их обнаружения (детектирующие модели, 
алгоритмы машинного обучения). Особое внимание уделено преимуществам 
алгоритмов, основанных на искусственном интеллекте и глубоком 
обучении, по сравнению с традиционными статистическими подходами. 
В работе предложен гибридный подход для выявления аномалий, анализа 
сетевого трафика и оперативной идентификации угроз в реальном времени. 
В рамках исследования использовался датасет объёмом 100 ГБ, собранный 
в течение 12 месяцев с IoT-устройств. Предложенная гибридная модель 
показала улучшение точности на 27 % по сравнению с простыми методами 
машинного обучения, достигнув показателя точности 94,7 %. Кроме того, 
удалось снизить уровень ложноположительных срабатываний до 35 % и 
увеличить скорость обработки в реальном времени в 2,3 раза. Полученные 
результаты представляют собой значительное достижение в области IoT-безопасности и предлагают новые практические решения для применения в 
промышленной среде.

This study focuses on the development of new algorithms and models 
for detecting and mitigating cyberattacks targeting Internet of Things (IoT) 
systems. The widespread use of IoT devices poses a serious threat to information 
security, as most of these devices are resource-constrained and lack modern 
security mechanisms. The paper carefully looks at the main dangers and kinds 
of attacks in IoT systems (like DoS, spoofing, and sniffing), along with the 
methods used to detect them, which include detection models and machine 
learning algorithms. In particular, the advantages of artificial intelligence and 
deep learning-based algorithms over traditional statistical approaches are 
highlighted. We propose a hybrid approach for anomaly detection, network 
traffic analysis, and real-time threat identification. The research utilizes a 100 
GB dataset collected over 12 months from IoT devices. The proposed hybrid 
model demonstrated a 27% improvement in accuracy compared to basic machine 
learning methods, achieving an accuracy rate of 94.7%. Additionally, our model 
reduced false-positive rates by up to 35% and increased real-time processing 
speed by a factor of 2.3. The results of this research represent a major advance 
in IoT security and introduce novel methods suitable for practical application in 
industrial environments.