Ushbu tadqiqot telekommunikatsiya tarmoqlarida hosil boʻladigan jurnallardagi hodisa nomlari bilan raqamli trafik qiymatlarini birgalikda qayta ishlash maqsadida E_LogBERT nomli oʻz-oʻzini nazoratli sun’iy intellekt yondashuvini ishlab chiqqan. Tadqiqotchilar bmon vositasidan har ikki soniyada olingan 45 ta qabul qilish–joʻnatish metrikasini vaqt tamgʻali izohli jumlalarga aylantirgan; yetti kun davomida 13.608.000 ta jurnal satri va 27.216.000 ta ramziy-raqamli token toʻplagan. Model ramziy metrika identifikatorini BERT embeddingi bilan, dinamik normallashtirilgan raqamli qiymatni esa oʻrganiladigan chiziqli qatlam orqali ayni 768 oʻlchamli fazoda birlashtiradi. Tadqiqotda E_LogBERT uchun %92 aniqlik, %90 precision, %89 recall, %89,5 F1 va %96 AUC bildirilgan. Biroq tirbandlik label’lari qanday yaratilgani, training va mustaqil test ma’lumotlari qanday ajratilgani, natijalar nechta takrorning oʻrtachasi ekani va tizim tirbandlikni qancha oldindan bashorat qilgani tushuntirilmagan.

Yondashuvning asosiy farqi shundaki, klassik LogBERT modellarida koʻpincha oʻchirib tashlanadigan yoki yagona [NUM] tokeniga qisqartiriladigan raqamli kattaliklarni saqlab qolishga harakat qiladi. Masalan, model faqat “Bytes_Rx” hodisasini emas, balki ushbu metrikaning joriy qiymati odatiy diapazonning qayerida joylashganini ham oʻrganishi koʻzda tutilgan. E_LogBERT normal jurnallarda maskalangan metrikalarni bashorat qiladigan Masked Log Key Prediction hamda normal tarmoq oynalarini umumiy embedding markazi atrofida toʻplaydigan Volume of Hypersphere Minimization maqsadlari bilan oʻqitiladi. Anomaliya balli shu ikki signalning birikmasidan hosil qilinadi.

Turkiya nuqtai nazaridan: Tadqiqot yondashuvi Turkiyadagi telekommunikatsiya operatorlari, internet xizmat provayderlari, ma’lumot markazlari, korporativ tarmoqlar, munitsipal tarmoq infratuzilmalari va network operation center’larda trafik zichligi bilan samaradorlik ogʻishlarini erta kuzatish uchun oʻrganilishi mumkin. Amaliyotga oʻtishdan oldin model haqiqiy operator tarmoqlaridan olingan va shaxsiy ma’lumotlardan tozalangan jurnallar bilan; turli qurilma ishlab chiqaruvchilari, 4G–5G yadro tarmoqlari, statsionar kirish tizimlari, IPv4–IPv6 trafiki va turli yuklama davrlarida tasdiqlanishi kerak. Haqiqiy tirbandlik boshlanishi, bashorat ufqi, notoʻgʻri alarm xarajati va aralashuvning xizmat sifatiga ta’siri aniq oʻlchanishi lozim. Tadqiqot Turkiyadagi bir operator, milliy tarmoq ma’lumoti, production muhit ishonchliligi yoki kiberhujum aniqlash muvaffaqiyatini taqdim etmagani sababli mamlakatga xos muvaffaqiyat darajasini bevosita chiqarib boʻlmaydi.

Telekommunikatsiya tarmoq jurnallari nega murakkab ma’lumot turidir?

Zamonaviy aloqa tarmoqlarida routerlar, virtual tarmoq funksiyalari, firewall’lar, ovoz platformalari va monitoring vositalari uzluksiz jurnal hosil qiladi. Bu jurnallar faqat “hodisa yuz berdi” ma’lumotini emas; qabul qilingan va joʻnatilgan bayt miqdori, paket soni, tashlab yuborilgan paket, CRC xatosi, qayta yigʻish muammosi va multicast trafik kabi uzluksiz oʻzgaruvchi raqamli qiymatlarni ham olib yuradi.

Tadqiqotning boshlangʻich nuqtasi an’anaviy jurnal tahlili modellarining muhim qismi raqamli qiymatlarni:

• butunlay olib tashlashi,
• yagona [NUM] tokeniga aylantirishi,
• matndan mustaqil alohida statistikalar sifatida qayta ishlashi

sababli miqdor ma’lumotini yoʻqotishidir. “Bytes_Rx = 100” bilan “Bytes_Rx = 100.000” ayni ramziy hodisani ifodalasa ham, tarmoq holati nuqtai nazaridan bir xil ma’noga ega emas. Tirbandlik va ayrim xavfsizlik hodisalari koʻpincha hodisa nomidan emas, qiymatlarning kattaligi va vaqt boʻyicha oʻzgarishidan anglashilishi mumkin.

LogBERTning asosiy yondashuvi nima?

LogBERT jurnal ketma-ketliklarini tabiiy til jumlalariga oʻxshatadi. Bitta jurnal hodisasini soʻz, vaqt davomida ketma-ket keladigan jurnallarni esa jumla yoki ketma-ketlik sifatida koʻradi. BERTning ikki yoʻnalishli attention mexanizmi tufayli bir hodisaning ham oldingi, ham keyingi hodisalar bilan munosabati oʻrganilishi mumkin.

Tadqiqotda LogBERTning ikki oʻz-oʻzini nazoratli maqsadi asos qilib olingan:

• Masked Log Key Prediction: Ketma-ketlikdagi ayrim jurnal kalitlari maskalanadi va modeldan kontekstga qarab yetishmayotgan kalitni bashorat qilish soʻraladi.
• Volume of Hypersphere Minimization: Normal deb qabul qilingan jurnal ketma-ketliklarining umumiy embeddinglari umumiy markaz atrofida siqiladi.

Normal naqshlardan ogʻuvchi yangi ketma-ketliklarning maskalangan bashorat aniqligi pasayishi yoki embedding markazidan uzoqlashishi anomaliya belgisi sifatida ishlatiladi.

E_LogBERT qaysi boʻshliqni nishonga oladi?

Tadqiqotchilarga koʻra asosiy boʻshliq ramziy jurnal kalitlari bilan bogʻliq uzluksiz qiymatlarning ayni kontekstual model ichida qayta ishlana olmasligidir. E_LogBERT quyidagi toʻrtta hissani ilgari suradi:

1. Xom bmon chiqishlarini vaqt tamgʻali izohli jurnal jumlalariga aylantirish,
2. Oʻzgaruvchi trafik taqsimotiga koʻra dinamik min–maks normallashtirishni amalga oshirish,
3. Ramziy va raqamli kirishlar uchun MLKP bilan VHM maqsadlarini birgalikda ishlatish,
4. Ma’lumot yigʻish, oʻqitish, anomaliya ballini hisoblash, alarm va vizualizatsiyani 13 modulda birlashtirish.

Ma’lumotlar qanday toʻplangan?

Tarmoq statistikasi Linux tizimlarida ishlaydigan bmon, ya’ni Bandwidth Monitor vositasi orqali olingan. bmon har bir tarmoq interfeysi uchun 45 xil metrika taqdim etadi. Har bir metrikaning qabul qilingan trafik uchun Rx va joʻnatilgan trafik uchun Tx qiymati boʻlgani sababli har bir oʻlchov davrida jami 90 ramziy metrika hosil boʻladi.

Oʻlchangan metrikalardan ayrimlari quyidagilar:

• Bytes va Packets,
• Dropped va Errors,
• CRC Error, Frame Error va FIFO Error,
• Collisions va Carrier Error,
• IPv6 paket, yetkazib berish, marshrutlash va qayta yigʻish hisoblagichlari,
• Multicast va ICMPv6 koʻrsatkichlari.

Ma’lumot yigʻish skripti har bir daqiqaning boshiga sinxronlanadi, 60 soniyalik boshlangʻich barqarorlashuvni kutadi va WANbridge interfeysidan har ikki soniyada 45 satr oʻqiydi. Har bir satr quyidagi umumiy qolipga aylantiriladi:

[vaqt tamgʻasi]: Interfeys: Metric_Rx qiymati X boʻlganda Metric_Tx qiymati Y.

Beshinchi sahifadagi 1-rasm chap tomonda bmonning ustunli va inson uchun talqin qilish qiyin boʻlgan xom chiqishini, oʻng tomonda esa har bir oʻlchovni vaqt tamgʻali jumlaga aylantirgan formatlangan jurnallarni koʻrsatadi. Bu jarayon metrika nomi, trafik yoʻnalishi, birlik va raqamli qiymatni saqlaydi.

Test muhiti haqiqiy operator tarmogʻi edimi?

Yoʻq. Tadqiqot realistik test muhitini yaratgan; biroq ma’lumot tijoriy mobil operatorning production tarmogʻidan olinmagan. Unified Telecom Platform deb atalgan tuzilma quyidagi komponentlardan tashkil topgan:

• Zorin OS ishlatadigan fizik host,
• 8 yadroli 3,0 GHz protsessor,
• 32 GB RAM va 200 GB SSD,
• 16 GB xotirali NVIDIA T4 GPU,
• KVM/QEMU asosidagi virtual mashina menejeri,
• internet xizmat provayderi gateway’i rolidagi pfSense virtual mashinasi,
• VoIP operator platformasi rolidagi Issabel virtual mashinasi,
• ikki virtual mashinani ulaydigan va kuzatiladigan WANbridge interfeysi.

Oʻn beshinchi sahifadagi 6-rasm ikki virtual mashinada ishlaydigan virtualizatsiyalangan tarmoq funksiyalari, lokal tarmoq kirishi va keng hududli tarmoq ulanishini koʻrsatadi. Bu tuzilma nazoratli tajribalar oʻtkazishga imkon beradi; biroq haqiqiy operator tarmogʻidagi qurilma xilma-xilligi, foydalanuvchi xatti-harakati, protokol murakkabligi va masshtab ayni darajada ifodalanmagan.

Ma’lumotlar toʻplamining hajmi

Har ikki soniyalik oʻlchovda 45 satr va 90 Rx/Tx qiymati hosil boʻladi. Beshta oʻlchov davri birlashtirilib, oʻn soniyalik 450 tokenli oyna tayyorlanadi, ketma-ketlik boshiga [CLS] qoʻshilib, umumiy kirish uzunligi 451 ga yetkaziladi.

Xom hisoblagichlardan qaysi tarmoq koʻrsatkichlari chiqarilishi mumkin?

Tadqiqot bmon hisoblagichlari ayrim yuqori darajali koʻrsatkichlar uchun ishlatilishi mumkinligini bildiradi. Tarmoq interfeysi foydalanish darajasi:

\[ U=\frac{T}{C} \]

koʻrinishida ta’riflangan. Bu yerda \(T\) trafik tezligi, \(C\) esa interfeysning umumiy sigʻimidir.

Paket yetkazib berish darajasi:

\[ PDR=\frac{\sum N_R}{\sum N_S}\times100 \]

koʻrinishida berilgan. \(\sum N_S\) joʻnatilgan, \(\sum N_R\) qabul qilingan paketlar sonini bildiradi.

Samarali uzatish tezligi esa manbada:

\[ \mathrm{Throughput}=PDR\times\mathrm{Data\ Rate} \]

munosabati bilan ifodalangan.

Tadqiqotchilar ayrim hisoblagichlarning birga oshishini operatsion ishora sifatida talqin qiladi:

• Dropped va FIFO Error oshishi buffer overflow’ga,
• CRC Error bilan Frame Error oshishi fizik ulanish muammolariga,
• Collision bilan Carrier Error oshishi duplex sozlamasi yoki apparat muammosiga,
• yuqori paket soni bilan past bayt miqdori kichik paketli trafik toshqiniga

ishora qilishi mumkin. Bular tadqiqotning diagnostik izohlaridir; E_LogBERT tajribalarida har bir hodisa uchun alohida sabab tasnifi bajarilmagan.

Raqamli qiymatlar BERTga qanday uzatilgan?

Tadqiqot har bir kirish pozitsiyasida ikki ma’lumot manbai borligini bildiradi:

• Metrika nomi kabi diskret ramziy identifikator,
• Normallashtirilgan uzluksiz raqamli kattalik.

Ramziy metrika nomi BERTning soʻz embedding matritsasidan 768 oʻlchamli vektorga aylantiriladi. Raqamli qiymat esa:

nn.Linear(1, 768)

qatlami orqali ayni oʻlchamga proyeksiya qilinadi. Ikki vektor qoʻshilib modelga uzatiladi. Qoʻshish amali BERTning word, position va type embeddinglarini qoʻshishiga oʻxshatilgan.

Ushbu yondashuv koʻzlagan ifoda quyidagicha umumlashtirilishi mumkin:

\[ \mathbf{e}_i= \mathbf{e}_{metric,i} + \mathbf{e}_{numeric,i} + \mathbf{e}_{position,i}. \]

Biroq manba matnining boshqa joyida ayni jarayon “metrika nomi bilan normallashtirilgan qiymatni yagona aralash token ichida birlashtirish” sifatida izohlangan. Agar har bir turli raqamli qiymat lugʻatning bir qismi boʻlsa, 92 tokenli sobit lugʻat mumkin boʻlmas edi. Shu sababli haqiqiy amalga oshirish alohida ramziy embedding va raqamli proyeksiya yondashuvi boʻlishi mantiqan toʻgʻriroq koʻrinadi; ammo manba bu farqni ochiq va ziddiyatsiz tarzda bermaydi.

Dinamik min–maks normallashtirish

Raqamli qiymatlar joriy eng kichik va eng katta qiymatlarga nisbatan normallashtiriladi. Umumiy min–maks oʻzgartirish:

\[ v_{norm}= \frac{v-v_{min}} {v_{max}-v_{min}} \]

koʻrinishidadir.

Tadqiqot ushbu chegaralar yangi trafik qiymatlari kelishi bilan yangilanib borishini bildiradi. Shu tariqa tizimning qoʻlda belgilangan sobit diapazonlarga bogʻliqligini kamaytirish koʻzda tutilgan. Biroq:

• minimum va maksimum qiymatlar qaysi vaqt oynasida saqlanishi,
• outlier’larning masshtabni buzishi qanday oldi olinishi,
• test ma’lumotining normallashtirish statistikalariga sizib kirishi yoki kirmasligi,
• keskin taqsimot oʻzgarishida eski qiymatlar qanday unutilishi

tushuntirilmagan.

Masked Log Key Prediction maqsadi

[CLS]dan tashqari tokenlarning %15’i tasodifiy maskalanadi. Soʻnggi Transformer qatlamidagi yashirin vektor 92 ramziy sinf boʻyicha ehtimollik taqsimotiga aylantiriladi:

\[ \mathbf{y}_m= \operatorname{softmax} \left( \mathbf{W}_{MLKP}\mathbf{H}_m+\mathbf{b}_{MLKP} \right). \]

Model normal jurnal ketma-ketliklarida maskalangan metrikalarni toʻgʻri bashorat qilishni oʻrganadi. Yangi ketma-ketlik odatiy kontekstual naqshlarga mos kelmasa, maskalangan bashorat aniqligining pasayishi kutiladi.

Manbada cross-entropy tenglamasining yozilishi aniq emas; bashorat ehtimoli bilan haqiqiy sinf indikatori ayni belgi bilan yozilganga oʻxshaydi. Koʻzlangan loss haqiqiy sinf indikatori bilan bashorat qilingan ehtimollikning standart cross-entropy’sidir.

Volume of Hypersphere Minimization maqsadi

Har bir ketma-ketlikning umumiy holati [CLS] tokenining 768 oʻlchamli embeddingi bilan ifodalanadi. Boshlangʻich normal ketma-ketliklardan markaz hisoblanadi:

\[ \mathbf{c}= \frac{1}{N_{init}} \sum_{n=1}^{N_{init}} \mathbf{H}_{[CLS],n}. \]

Markaz keyin sobit saqlanadi va normal ketma-ketliklarning embeddinglari shu markazga yaqinlashtiriladi:

\[ L_{VHM}= \frac{1}{B} \sum_{b=1}^{B} \left\| \mathbf{H}_{[CLS],b}-\mathbf{c} \right\|_2^2. \]

Shu tariqa normal tarmoq holatlarining yuqori oʻlchamli fazoda ixcham klaster hosil qilishi maqsad qilinadi. Odatiy cross-metric munosabatlarni buzadigan ketma-ketliklarning markazdan uzoqroq qolishi kutiladi.

Umumiy oʻqitish maqsadi

Ikki oʻz-oʻzini nazoratli loss ogʻirliklangan holda birlashtiriladi:

\[ L_{total}= \alpha L_{MLKP} + \beta L_{VHM}. \]

Manbada odatda \(\alpha=0{,}5\) va \(\beta=0{,}5\) ishlatilgani, shuningdek:

\[ \alpha+\beta=1 \]

sharti saqlanishi bildiriladi.

Anomaliya balli qanday hisoblanadi?

Modelning anomaliya balli maskalangan bashorat aniqligi bilan VHM markaz masofasini birlashtiradi:

\[ A(S)= 1- \left[ \alpha\,MLKP_{norm}(S) + \beta\left(1-VHM_{norm}(S)\right) \right]. \]

Ball nolga yaqinlashganda ketma-ketlik normal, birga yaqinlashganda anomal deb qabul qilinishi koʻzda tutilgan. Tadqiqot uchta operatsion zona beradi:

Bu threshold’lar ROC tahlili, validation optimallashtirishi yoki operatsion xarajat hisobi bilan qanday aniqlangani koʻrsatilmagan. Bundan tashqari, manba \(\alpha\) va \(\beta\) qiymatlarining ikkalasi ham nol boʻlsa ball 1 boʻlishini tushuntiradi. Bu holat avval berilgan \(\alpha+\beta=1\) cheklovi bilan mos kelmaydi.

E_LogBERT modeli hajmi

Model oʻzgartirilgan BERT-Base yadrosidan foydalanadi:

• 12 Transformer qatlam,
• 768 yashirin oʻlcham,
• 12 attention head,
• 451 kirish pozitsiyasi,
• 90 metrika va 2 maxsus tokenni oʻz ichiga olgan 92 elementli lugʻat.

Tadqiqotda jami oʻqitiladigan parametrlar soni 86.691.164 deb berilgan. Standart BERT-Base’ning taxminan 30 ming soʻzli embedding jadvali oʻrniga 92 metrikali kichik lugʻat ishlatilgani word embedding qatlamini kichraytiradi. Transformer yadrosining katta qismi esa saqlanadi.

Parametr jadvalidagi muammolar

Oʻn birinchi va yigirma toʻrtinchi sahifadagi parametr jadvalida ayrim texnik noaniqliklar mavjud:

• Attention boʻlimida \(W_V\) ikki marta yozilgan; satrlardan birining output projection \(W_O\) boʻlishi ehtimol.
• Raqamli qiymat uchun izohlangan Linear(1,768) qatlamining 768 weight va 768 bias parametri jadvalda koʻrinmaydi.
• VHM uchun 768 dan 1 ga oʻtish 768 parametr sifatida berilgan, ehtimoliy bias koʻrsatilmagan.
• Jadvaldagi alohida bandlar standart BERT qatlamidagi barcha bias terminlarini ochiq koʻrsatmaydi.

Shu sababli bildirilgan umumiy son model kodi boʻlmasa, faqat jadval asosida mustaqil tarzda tekshirib boʻlmaydi.

Oʻn uch modulli tizim arxitekturasi

Sakkizinchi sahifadagi 2-rasm model atrofida ishlaydigan 13 dastur modulini qulflangan tuzilma koʻrinishida koʻrsatadi:

Toʻqqizinchi sahifadagi 3-rasm tizimni olti bosqichga ajratadi:

1. Infratuzilma va ma’lumot hosil qilish,
2. Konfiguratsiya va ma’lumot obyektlari,
3. Oldindan qayta ishlash va oʻn soniyalik oynalarni tayyorlash,
4. Model oʻqitish va inference,
5. Anomaliya ballini hisoblash va loglash,
6. Vizualizatsiya va bashorat.

Oʻn toʻrtinchi sahifadagi 5-rasm barcha modullarning fayl, parametr, model weight, alarm va jurnal oqimlarini batafsil koʻrsatadi. Arxitektura keng qamrovli; biroq rasmning murakkabligi tizimni qayta amalga oshirish uchun oʻz-oʻzicha yetarli emas. Modul manba kodlari va interfeys sxemalari ulashilmagan.

Real vaqt rejimida ishlash qanday ta’riflangan?

Tizim har ikki soniyada yangi oʻlchov oladi, beshta oʻlchov davridan oʻn soniyalik ketma-ketlik yaratadi va oʻqitish, inference hamda alarm jarayonini oʻn soniyalik siklda bajarishni maqsad qiladi.

Beshinchi sahifada ma’lumot yigʻish skriptining test apparatida protsessor foydalanishi %5 dan past qolgani bildirilgan. Biroq:

• BERT modelining bitta ketma-ketlik uchun inference vaqti,
• toʻqqiz epochlik trainingning haqiqiy davomiyligi,
• oʻn soniyalik vaqt chegarasi nechta siklda bajarilgani,
• GPU xotirasi va energiya iste’moli,
• bir vaqtning oʻzida bir nechta interfeysga masshtablash

oʻlchanmagan. Shu sababli “real vaqtli” xususiyati arxitektura maqsadi va namoyish darajasidadir; toʻliq performance benchmark bilan tasdiqlanmagan.

Jonli dashboard

Oʻn ikkinchi va yigirma yettinchi sahifadagi 4-rasm Streamlit asosidagi jonli monitoring panelini koʻrsatadi. Vizualda:

• 156 jami hodisa,
• 0,408 anomaliya balli,
• “No Congestion” holati,
• 0,874 F1 qiymati,
• “Excellent” ma’lumot sifati,
• vaqt davomida anomaliya balli,
• ehtimoliy va yaqinlashayotgan tirbandlik threshold’lari

mavjud. Dashboard tizimning ishlaydigan prototipi borligini qoʻllab-quvvatlaydi. Biroq bitta screenshot alarm aniqligi yoki uzoq muddatli production ishonchliligini isbotlamaydi.

Taqqoslama natijalar

Oʻn yettinchi sahifadagi 7-rasm beshta koʻrsatkichda E_LogBERT ustunlari KTeleBERT ustunlaridan yuqori ekanini koʻrsatadi. Biroq taqqoslash protokoli tushuntirilmagan:

• KTeleBERT ayni ma’lumotlarda qayta oʻqitilgan yoki oʻqitilmagani,
• giperparametrlar qanday tanlangani,
• ikki model ayni training va test split’dan foydalangan yoki foydalanmagani,
• natijalar bitta runmi yoki takrorlar oʻrtachasimi

bildirilmagan.

Abstrakt LogBERT ham ortda qoldirilganini aytadi; biroq natijalar jadvali yoki grafigida bazaviy LogBERT uchun raqamli qiymat berilmagan.

Epoch sonining ta’siri

8-rasm E_LogBERT aniqligi toʻqqizinchi epochda %92 ga yetganini, oʻn birinchi epochda ayni darajada qolganini va keyin pasayganini koʻrsatadi. Tadqiqotchilar toʻqqiz epochni aniqlik bilan vaqt xarajati oʻrtasidagi mos muvozanat sifatida tanlagan.

Pasayish overtraining yoki ma’lumot oqimidagi oʻzgarish bilan bogʻliq boʻlishi mumkin; biroq tadqiqot training va validation loss’larini, random seed’larni yoki takroriy tajribalarni bermagani uchun bu haqiqatan overfitting ekanini aniqlab boʻlmaydi.

“Tirbandlik bashorati” bilan “anomaliya aniqlash” oʻrtasidagi farq

Tadqiqotni baholashda muhim konseptual chegara mavjud. Anomaliya aniqlash joriy yoki oʻtgan oynadagi naqsh normal holatdan ogʻgan yoki ogʻmaganini belgilaydi. Kelajak tirbandligini bashorat qilish esa:

• kelajakdagi target vaqtni,
• forecast horizon’ni,
• haqiqiy tirbandlik boshlanishini,
• bashoratdan hodisagacha oʻtgan vaqtni,
• erta ogohlantirishning false alarm va miss darajalarini

talab qiladi.

E_LogBERTning anomaliya balli batafsil berilgan, biroq kelajak holatini bashorat qilish targeti va baholash koʻrsatkichlari taqdim etilmagan. Shu sababli tadqiqot real vaqtli anomaliya monitoring qobiliyatiga oid dalil beradi; tirbandlikni muayyan vaqt oldindan bashorat qilganini ayni ravshanlik bilan isbotlamaydi.

Kiberhujumni aniqlash koʻrsatilganmi?

Tadqiqot DDoS, kichik paketli flood traffic va odatdagidan tashqari bandwidth oshishlari nazariy jihatdan bmon hisoblagichlarida koʻrinishi mumkinligini bildiradi. Biroq tajribalarda:

• muayyan attack scenario,
• nazoratli attack injection,
• attack type label,
• har hujum boʻyicha recall,
• false positive tahlili

taqdim etilmagan. Shu sababli E_LogBERT kiberhujumlarni erta aniqlaydi degan xulosani bu tadqiqotdan chiqarib boʻlmaydi.

Tadqiqotning kuchli tomonlari

• Raqamli qiymatlarning jurnal tahlilida yoʻqolishi aniq amaliy muammo sifatida koʻrib chiqilgan.
• Yetti kun davomida yuqori vaqt aniqligidagi ma’lumot toʻplangan.
• Xom tarmoq hisoblagichlari vaqt tamgʻali va izohli formatga aylantirilgan.
• Rx va Tx qiymatlari alohida identifikatorlar bilan saqlangan.
• Oʻz-oʻzini nazoratli oʻrganish etiketlangan anomaliyaga ehtiyojni kamaytirishni maqsad qilgan.
• Ma’lumot yigʻish, model, alarm va vizualizatsiya bitta modulli tizimda birlashtirilgan.
• Ishlaydigan jonli monitoring paneli taqdim etilgan.
• Parametr soni, dasturiy bogʻliqliklar va test apparati bildirilgan.
• Aniqlikdan tashqari precision, recall, F1 va AUC ham berilgan.
• LoRA, federated learning va turli operatorlarda validation zarurati kelajakdagi ish sifatida tan olingan.

Tadqiqotning cheklovlari

• Tadqiqot hakamlik baholashidan oʻtmagan.
• Ma’lumotlar tijoriy operatorning production tarmogʻi oʻrniga nazoratli virtual test muhitidan olingan.
• Ma’lumot faqat yetti kunlik bitta muhitni qamrab oladi.
• Tirbandlik namunalarining qanday yaratilgani va ground-truth label’lar qanday aniqlangani tushuntirilmagan.
• Training, validation va test split berilmagan.
• Temporal data leakage qanday oldi olingani tushuntirilmagan.
• Class distribution va confusion matrix’ning xom qiymatlari yoʻq.
• Koʻp training takrori, standard deviation va confidence interval berilmagan.
• KTeleBERT taqqoslashi ayni sharoitlarda bajarilgani koʻrsatilmagan.
• Bazaviy LogBERT uchun raqamli taqqoslash natijasi taqdim etilmagan.
• Kelajak forecast horizon va erta ogohlantirish vaqti oʻlchanmagan.
• Dinamik normallashtirishning batafsil algoritmi tushuntirilmagan.
• Aralash token izohi oʻz ichida izchil emas.
• Parametr jadvalida yetishmaydigan yoki takrorlangan satrlar bor.
• Anomaliya threshold’lari uchun validation tahlili taqdim etilmagan.
• Uzluksiz trainingning model drift yoki anomal ma’lumotni normal sifatida oʻrganish xavfi oʻrganilmagan.
• Model inference vaqti va end-to-end latency oʻlchanmagan.
• Kod, ma’lumot, model weight’lari va reproducibility skriptlari ulashilmagan.
• Kiberhujum aniqlash samaradorligi eksperimental ravishda sinovdan oʻtkazilmagan.

Tadqiqot nimani qoʻllab-quvvatlaydi?

• Ramziy metrika nomi bilan raqamli kattalik ayni BERT asosidagi modelda qayta ishlanishi mumkinligini koʻrsatadi.
• bmon chiqishlarini vaqt tamgʻali izohli jurnal ketma-ketliklariga aylantirish mumkinligini koʻrsatadi.
• MLKP va VHM maqsadlari aralash metrika ketma-ketliklarida birgalikda qoʻllanishi mumkinligini koʻrsatadi.
• Oʻn soniyalik oynalarda anomaliya balli ishlab chiqaradigan ishlaydigan prototipni taqdim etadi.
• Nazoratli UTP ma’lumotlarida bildirilgan koʻrsatkichlar boʻyicha KTeleBERT bazaviy natijasidan yuqoriroq qiymatlar olinganini koʻrsatadi.
• Real vaqtli dashboard va alarm log infratuzilmasini ayni arxitekturaga bogʻlash mumkinligini koʻrsatadi.

Tadqiqot nimani isbotlamaydi?

• E_LogBERT haqiqiy mobil operator tarmogʻida %92 aniqlik bilan ishlashini isbotlamaydi.
• Tirbandlikni muayyan vaqt oldindan bashorat qilishini raqamli tarzda koʻrsatmaydi.
• KTeleBERT va LogBERTdan barcha ma’lumotlar toʻplamlarida yaxshiroq ekanini isbotlamaydi.
• Model turli qurilma ishlab chiqaruvchilari va operator jurnallariga qayta oʻqitishsiz koʻchirilishini koʻrsatmaydi.
• Kiberhujum turlarini aniqlash yoki tasniflashini koʻrsatmaydi.
• 0,825 va 0,960 threshold’lar universal kuchga ega ekanini koʻrsatmaydi.
• Uzluksiz online training model driftni xavfsiz tarzda oldini olishini isbotlamaydi.
• Oʻn soniyalik barcha training va inference amallari koʻrsatilgan apparatda har doim tugashini koʻrsatmaydi.
• Production environment availability, fault tolerance yoki uzoq muddatli operation stability taqdim etmaydi.
• Quyosh energiyali UTP tuzilmasining energiya samaradorligi yoki karbon ta’sirini oʻlchamaydi.

Oʻtmish, bugun va kelajak nuqtai nazaridan ahamiyati

Ilgari tarmoq monitoringi katta darajada sobit threshold’lar, rule-based alarm systems va inson tayyorlagan dashboardlarga tayanardi. Keyinchalik statistik usullar va jurnal ketma-ketliklarini oʻrganuvchi deep network’lar ishlab chiqildi. LogBERT kabi modellar kontekstual hodisa munosabatlarini oʻrgandi, biroq koʻplab amaliyotlarda raqamli qiymatlar ikkilamchi yoki yoʻqolgan ma’lumot boʻlib qoldi.

Bugungi nuqtai nazardan E_LogBERTning muhim jihati jurnal hodisasi nomi bilan oʻlchangan raqamli kattalikni umumiy kontekstda qayta ishlashga urinishidir. Bu gʻoya tarmoq tirbandligidan tashqari server load, data center performance, cloud services va industrial telemetry kabi aralash jurnal tizimlariga ham moslashtirilishi mumkin.

Kelajakda usulning haqiqiy qiymati turli operatorlarda mustaqil validation, ochiq data va code, kelajak tirbandligi uchun aniq forecast horizon, online learning safety va edge device performance koʻrsatilganda tushunarli boʻladi. Tadqiqotchilar taklif qilgan LoRA va federated learning ma’lumot maxfiyligi hamda hisoblash xarajatini kamaytirish nuqtai nazaridan oʻrganilishi mumkin; biroq bu xususiyatlar joriy tadqiqotda amalga oshirilmagan.

Tadqiqot usuli va topilmalari

Tadqiqot dizaynining texnik xulosasi

Bildirilgan asosiy samaradorlik

Rasmlarning ilmiy funksiyasi

Natijalarni qayta ishlab chiqish uchun yetishmaydigan ma’lumotlar

• Tirbandlik sinfining ochiq va oʻlchanadigan ta’rifi,
• Normal va tirband namunalarning soni,
• Labeling yoki hodisa yaratish protokoli,
• Vaqtga asoslangan training–validation–test split,
• Random seed’lar va training takrorlari,
• KTeleBERT va LogBERT giperparametrlari,
• Dinamik normallashtirish oynasi,
• Anomaliya threshold’larini tanlash usuli,
• Model inference va training latency’lari,
• Manba kodi va versiya ma’lumotlari,
• Oʻqitilgan model weight’lari,
• Xom yoki anonimlashtirilgan ma’lumotlar toʻplami.

Texnik talqin

E_LogBERTning eng mazmunli tadqiqot gʻoyasi tarmoq jurnalidagi metrika identifikatori bilan raqamli kattalikni alohida, biroq umumiy oʻlchamli embeddinglar sifatida qayta ishlashdir. Bu yondashuv faqat hodisalar tartibini oʻrganadigan modellar oʻtkazib yuboradigan miqdor munosabatlarini attention mexanizmiga olib kirishi mumkin.

Biroq bildirilgan yuqori tasniflash qiymatlarining dalil kuchi baholash protokoliga bogʻliq. Ayni yetti kunlik vaqt qatoridan tasodifiy ajratilgan ustma-ust oynalar training va testda birga ishlatilgan boʻlsa, qoʻshni oynalar oʻrtasidagi katta oʻxshashlik natijalarni sun’iy ravishda oshirishi mumkin. Manba split usulini tushuntirmagani sababli bu ehtimolni istisno qilib boʻlmaydi.

Xuddi shuningdek, haqiqiy tirbandlik label’i aniqlanmasdan %92 aniqlik oʻz-oʻzicha operatsion ma’no bermaydi. Tirbandlikni capacity utilization, latency, packet loss yoki quality-of-service threshold bilan bogʻlash va model ushbu threshold’ni qancha oldindan bashorat qilishini oʻlchash kerak.

Manba va usul haqida izoh

Tadqiqotning toʻliq asl nomi: E_LogBERT: Enhanced LogBERT for Realistic Telecom Networks Traffic

Mualliflar: Kareem A. Mostafa, El-Sayed Soliman A. Said, Abdelhady A. Ammar, Sayed A. Nouh va M. Zaki.

Mualliflar tartibi: SSRN rasmiy yozuvidagi tartib saqlangan.

Teng hissa: Tadqiqotning hissa bayonoti barcha mualliflar maqolani tayyorlashga teng hissa qoʻshganini bildiradi.

Mas’ul muallif: Kareem A. Mostafa. SSRN yozuvida “Contact Author” sifatida koʻrsatilgan.

Muassasa 1: Al-Azhar University, Cairo – Faculty of Engineering, Nasr City, Cairo 11371, Misr. Kareem A. Mostafa uchun bildirilgan.

Muassasa 2: Al-Azhar University, Qena 83513, Misr. El-Sayed Soliman A. Said uchun bildirilgan.

Boshqa muassasalar: Abdelhady A. Ammar, Sayed A. Nouh va M. Zaki’ning muassasa aloqalari yuklangan versiyada va SSRN rasmiy yozuvida mavjud emas.

DOI:10.2139/ssrn.6992595

Rasmiy manba havolasi:SSRN rasmiy yozuv sahifasi

Nashr platformasi: SSRN.

Yuklash sanasi: 24 Iyun 2026.

Nashr yili: 2026.

Sahifalar soni: 30.

Jurnal: Ushbu manbada muayyan hakamlik jurnali nomi yoki qabul qilingan jurnal versiyasi mavjud emas.

Hakamlik nashriyoti: Mavjud emas. SSRN preprint tarqatish platformasidir.

Manba turi: Tarmoq test muhitida ma’lumot yigʻadigan, aralash ramziy-raqamli BERT modeli va modulli real vaqtli monitoring prototipini taqdim etadigan preprint tadqiqot maqolasi.

Hakamlik holati: Tadqiqot hakamlik baholashidan oʻtmagan. Faylning barcha sahifalarida “Preprint not peer reviewed” ogohlantirishi mavjud.

Moliyalashtirish: Open access moliyalashtirishi Science, Technology & Innovation Funding Authority bilan Egyptian Knowledge Bank hamkorligi tomonidan taqdim etilgani bildirilgan. Tadqiqotning texnik rivojlantirish budjeti yoki alohida loyiha raqami bildirilmagan.

Muallif hissalari: Barcha mualliflar original gʻoyalarni ishlab chiqish, maqolani yozish va barcha boʻlimlarni koʻrib chiqishga teng hissa qoʻshgani bildirilgan.

Manfaatlar toʻqnashuvi: Mualliflar raqobatlashuvchi manfaat yoʻqligini bildirgan.

Ma’lumot va materiallarga kirish: “Not applicable” deb bildirilgan. Ma’lumot ombori yoki anonimlashtirilgan jurnal toʻplami taqdim etilmagan.

Kod va modelga kirish: Manba kodi, model weight’i, dependency lock fayli yoki reproducibility package havolasi berilmagan.

Asosiy validation chegarasi: Tadqiqot nazoratli UTP test muhitida yuqori performance qiymatlarini bildiradi; biroq mustaqil test split, tirbandlik labeling usuli, forecast horizon va takror uncertainty’lari taqdim etilmagani sababli %92 aniqlik haqiqiy operator tarmogʻi uchun tasdiqlangan performance sifatida talqin qilinmaydi.

Arxitektura izchilligi ogohlantirishi: Aralash token ishlab chiqarish manbada ikki xil tarzda izohlangan. Parametr jadvalida takrorlangan \(W_V\) satri va yetishmaydigan raqamli proyeksiya qatlami mavjud. Bu nuqtalar jim tarzda tuzatilmagan.

Anomaliya balli ogohlantirishi: Training ogʻirliklari uchun \(\alpha+\beta=1\) sharti berilgan, keyin esa \(\alpha=\beta=0\) holati talqin qilingan. Bu ikki ta’rif matematik jihatdan bir vaqtda toʻgʻri boʻla olmaydi.

Bashorat da’vosi chegarasi: Tadqiqot joriy anomaliya balli va tirbandlik tasnifini taqdim etadi; kelajakdagi tirbandlik qancha soniya yoki daqiqa oldindan bashorat qilinganini oʻlchaydigan alohida tajriba mavjud emas.

Ushbu oʻzbekcha mazmun faqat yuklangan tadqiqotning matni, tenglamalari, jadvallari, tizim sxemalari, dashboard va bildirilgan tajriba natijalariga asoslanib tayyorlangan. Tadqiqotda mavjud boʻlmagan operator field success, kiberhujum aniqlash aniqligi, production environment ishonchliligi yoki Turkiyaga xos performance da’vosi qoʻshilmagan.