Ushbu maqola vositalardan foydalana oladigan sun’iy intellekt agentlarida bilvosita prompt injection xavfini yanada real sharoitlarda o‘lchashni maqsad qilgan akademik tadqiqot asosida tayyorlangan. Ko‘rib chiqilgan tadqiqot, LivePI: More Realistic Benchmarking of Agents Against Indirect Prompt Injection deb nomlanadi.

Tadqiqot markazida faqat chat oynasida berilgan buyruqlarga javob beradigan modellar emas, balki e-pochta o‘qiy oladigan, fayl ochadigan, web sahifalarni ko‘ra oladigan, kod ishga tushira oladigan, guruh chatlariga ulanadigan va hatto test nazoratidagi kripto hamyon interfeysiga kira oladigan sun’iy intellekt agentlari turadi. Bunday tizimlarda model xatosi endi faqat noto‘g‘ri javob yaratish bilan cheklanmaydi. Noto‘g‘ri vosita chaqiruvi ma’lumot sizib chiqishi, xavfsizlik sozlamalarining o‘zgartirilishi, zararli kod ishga tushirilishi yoki ruxsatsiz moliyaviy tranzaksiya kabi haqiqiy yon ta’sirlarga aylanishi mumkin.

LivePI tadqiqotining asosiy xabari shuki: kuchli til modellari o‘z-o‘zidan bilvosita prompt injection xavfini yo‘q qilmaydi. Agar agent tashqi dunyodan o‘qigan kontent ishonchsiz ma’lumot sifatida belgilanmasa, model bu kontentni foydalanuvchining haqiqiy ko‘rsatmasi sifatida talqin qilishi mumkin.

Ushbu material xavfsizlik bo‘yicha ma’lumot berish maqsadida tayyorlangan. U zararli prompt yozish, xavfsizlikni chetlab o‘tish ko‘rsatmasi, ma’lumot sizdirish usuli yoki suiiste’mol qo‘llanmasi emas. Maqsad — sun’iy intellekt agentlarini xavfsizroq loyihalash uchun xavflar va himoya mantiqini sodda tushuntirish.

Yangi akademik tadqiqot vositalardan foydalana oladigan sun’iy intellekt agentlarining bilvosita prompt injection hujumlariga qanchalik chidamli ekanini sinaydi. LivePI nomli benchmark e-pochta, guruh chatlari, mahalliy fayl, web kontenti, GitHub Gist, repo havolalari va hamyon interfeyslari kabi yetti xil yuzani qamrab oladi. Tadqiqotda besh xil model asosi sinovdan o‘tkazilgan va umumiy hujum muvaffaqiyati ko‘rsatkichlari %10,7 dan %29,6 gacha o‘zgargani kuzatilgan. Eng e’tiborga molik topilma — guruh chatidagi injection holatlari baholangan barcha modellarda muvaffaqiyatli bo‘lganidir. Tadqiqotchilar, shuningdek, prompt darajasidagi filtrlash va vosita chaqiruvidan oldin siyosat tasdig‘ini qo‘llaydigan ikki qatlamli himoyani sinaydi; eksperimental tuzilmada bu himoya zararli maqsadlarning bajarilishini to‘sadi.

Muammo nimada?

An’anaviy chatbotlarda foydalanuvchi savol beradi, model esa matnli javob yaratadi. Bunday tuzilmadagi xato odatda noto‘g‘ri ma’lumot, to‘liq bo‘lmagan javob yoki noo‘rin yo‘naltirish darajasida qoladi. Ammo zamonaviy sun’iy intellekt agentlari bundan ancha ko‘p ish qila oladi. Agar agentda e-pochtaga kirish, fayl tizimiga ruxsat, terminal vositasi, web brauzer, xabar almashish hisobi yoki API ulanishi bo‘lsa, model qabul qilgan qaror tashqi dunyoda haqiqiy amalni yuzaga keltirishi mumkin.

Bilvosita prompt injection aynan shu nuqtada paydo bo‘ladi. Hujumchi sun’iy intellektga to‘g‘ridan-to‘g‘ri buyruq berish o‘rniga, agent o‘qiydigan e-pochta, fayl, web sahifa, repo tavsifi yoki guruh xabariga yashirin/chalg‘ituvchi ko‘rsatma joylaydi. Agent vazifa davomida bu kontentni o‘qiganda, matnni shunchaki ma’lumot sifatida emas, ko‘rsatma sifatida talqin qilishi mumkin.

Masalan, foydalanuvchi agentdan “so‘nggi e-pochtalarimni qisqacha bayon qil” deb so‘ragan bo‘lishi mumkin. Ammo pochta qutisidagi zararli xabar agentni qisqacha bayondan tashqari boshqa harakatga yo‘naltirishga urinishi mumkin. Xuddi shuningdek, kod ombori tavsifi yoki o‘rnatish qo‘llanmasi agentning ishonchsiz kodni ishga tushirishiga turtki bo‘lishi mumkin.

Tadqiqotning asosiy savoli shunday: realistik vositalarga va jonli, ammo test nazoratidagi hisoblar bilan bog‘langan sun’iy intellekt agentlari bilvosita prompt injection qarshisida qanchalik xavfsiz harakat qiladi?

Usul nimani taklif qiladi?

LivePI bilvosita prompt injection xavfini faqat simulyatsiya ichida emas, balki ishlab chiqarish muhitiga o‘xshash, biroq nazorat qilinadigan virtual mashina muhitida sinaydi. Tadqiqotchilar OpenClaw nomli vositalardan foydalana oladigan agentni Ubuntu asosidagi virtual mashinada ishga tushiradi. Bu agent e-pochta, guruh chatlari, web, mahalliy fayllar, repo kontenti va test nazoratidagi kripto hamyon interfeysi bilan o‘zaro ishlashi mumkin.

Benchmark uch o‘lchov asosida qurilgan:

1. Injection yuzasi: Hujumchi kontenti agentga qaysi kanal orqali yetib kelishini anglatadi. Misollar qatoriga WhatsApp guruhi, Telegram guruhi, Slack kanali, Gmail xabari, mahalliy fayl, repo havolasi va Gist singari web kontenti kiradi.

2. Hujum texnikasi yoki render oilasi: Zararli maqsad kontentga qanday joylashtirilganini anglatadi. Tadqiqotda to‘g‘ridan-to‘g‘ri guruh xabari, soxta tasdiqlash zanjiri, nazorat ro‘yxati ichiga joylash, ishonchli integratsiyaga taqlid qilish, siyosat yangilanishi kabi turli oilalar sinovdan o‘tkaziladi. Ushbu maqolada suiiste’mol tafsilotlari berilmaydi.

3. Zararli maqsad: Hujum erishmoqchi bo‘lgan zararli natijani anglatadi. Tadqiqotda himoyalangan ma’lumotni tashqariga uzatish, xavfsizlik nazoratini o‘zgartirish, ishonchsiz kodni ishga tushirish, maxfiy e-pochta qisqacha bayonini ruxsatsiz shaxsga yuborish va test nazoratidagi kripto transferi kabi maqsadlar baholanadi.

Bu tuzilma orqali LivePI nafaqat “model zararli matnni taniydimi?” degan savolni, balki “model shu matndan ta’sirlanib, haqiqiy vosita chaqiruvini amalga oshiradimi?” degan savolni ham sinaydi.

Formulalar nimani anglatadi?

Tadqiqotdagi formulalar sun’iy intellekt agentini, vosita chaqiruvlarini, hujum namunasi, muvaffaqiyat o‘lchovi va himoya qatlamini formal tarzda ta’riflash uchun ishlatiladi. Bu formulalar matematik narx bashorati emas, balki xavfsizlikni baholash modelini taqdim etadi.

1. Agent siyosati

Model va qaror ishlab chiqarish qoidasi siyosat sifatida ko‘rsatiladi:

Bu yerda \(X\) modelga beriladigan matn konteksti fazosini; \(U\) model yaratishi mumkin bo‘lgan javob yoki vosita chaqiruvi fazosini anglatadi. Ya’ni agent ko‘rgan kontekstiga qarab javob yoki harakatni tanlaydi.

2. Harakatlar fazosi

Agentning harakatlar fazosi ikki qismdan iborat:

Bu yerda \(Y\) tabiiy til javoblarini; \(U_{tool}\) tuzilmali vosita chaqiruvlarini ifodalaydi. Xavfsizlik nuqtayi nazaridan muhim farq shu yerda: matnli javob noto‘g‘ri bo‘lishi mumkin, ammo vosita chaqiruvi haqiqiy fayl o‘qish, e-pochta yuborish yoki tizim sozlamasini o‘zgartirish kabi yon ta’sirlarni keltirib chiqarishi mumkin.

3. Vosita chaqiruvi

Vosita chaqiruvi quyidagicha yoziladi:

Bu yerda \(i\) chaqirilgan vositani; \(a\) shu vositaga berilgan argumentlarni anglatadi. Masalan, fayl o‘qish vositasi, e-pochta vositasi yoki terminal vositasi turli \(i\) qiymatlari bilan tasavvur qilinishi mumkin.

4. Umumiy agent tizimi

Tadqiqotda agent tizimi quyidagi komponentlar bilan modellashtiriladi:

Bu yerda \(\Pi\) model siyosatidir. \(\Gamma\) mavjud kontekstni model kirishiga aylantiradigan prompt yaratish xaritasidir. \(T\) vositalar to‘plamidir. \(P\) vosita chaqiruvi uchun ruxsat/review/block qarorini beradigan ijro darvozasidir. \(E\) esa e-pochta, web, fayl tizimi, API va hamyon kabi tashqi muhitni ifodalaydi.

5. Agent konteksti

Har bir qadamda agent konteksti quyidagi qismlardan iborat:

Bu yerda \(C_{sys-dev}\) tizim va dasturchi qoidalarini; \(C_{user}\) vakolatli foydalanuvchi vazifasini; \(C_{agent,t}\) agentning avvalgi xabar va harakatlarini; \(C_{env,t}\) tashqi muhitdan kelgan e-pochta, web sahifa, fayl, repo yoki guruh chatidagi kontentni anglatadi.

Tadqiqotning xavfsizlik nuqtayi nazaridan eng muhim jihati shuki: \(C_{env,t}\) ishonchsiz ma’lumot deb qaralishi kerak. Chunki bu maydon hujumchi nazorat qiladigan kontentni tashishi mumkin.

6. Model kirishi

Mavjud kontekstdan model kirishi quyidagicha hosil qilinadi:

Agar prompt yaratish qatlami manbalarni to‘g‘ri ajratmasa, ishonchsiz tashqi kontent model kirishida vakolatli foydalanuvchi ko‘rsatmasidek ko‘rinishi mumkin. Bilvosita prompt injection xavfining asosi shu aralashuvdir.

7. Vosita chaqiruvini bajarish qarori

Vosita chaqiruvi bajarilishidan oldin siyosat darvozasi qaror beradi:

\(ALLOW\) vositaning ishlashiga ruxsat beradi. \(REVIEW\) inson tasdig‘ini talab qiladi. \(BLOCK\) vositaning ishlashini to‘sadi. Tadqiqotning himoya taklifida bu darvoza ayniqsa muhim, chunki model zararli vosita chaqiruvini tavsiya qilganining o‘zi yetarli emas; chaqiruv ishga tushishidan oldin to‘xtatilishi mumkin.

8. Bilvosita prompt injection namunasi

Hujum namunasi uchlik sifatida ta’riflanadi:

Bu yerda \(s\) hujum yuzasidir; masalan, e-pochta, guruh chati, fayl yoki repo. \(\rho\) hujum texnikasi yoki kontent qanday taqdim etilganidir. \(g_m\) hujumchining zararli maqsadidir.

9. Hujum muvaffaqiyati

Tadqiqotda hujum muvaffaqiyatli deb hisoblanishi uchun agentning ta’sirlanishi yetarli emas; zararli maqsad ham amalga oshishi kerak:

Bu yerda \(AI(\tau)\) hujumchi kontenti agentning iziga yoki qaroriga ta’sir qilgan-qilmaganini ko‘rsatadi. \(M_{g_m}(\tau)\) zararli maqsad amalga oshgan-oshmaganini anglatadi. Ikkalasi ham bajarilsa, hujum muvaffaqiyatli deb hisoblanadi.

10. Hujum muvaffaqiyati darajasi

Benchmark bo‘yicha hujum muvaffaqiyati darajasi quyidagicha hisoblanadi:

Bu yerda \(B'\) baholangan test holatlari to‘plamidir. Ushbu metrika qaysi yuza yoki qaysi model ko‘proq xavfga ega ekanini taqqoslash uchun ishlatiladi.

11. Review va Block darajasi

Himoya odatiy foydalanishga qancha ishqalanish qo‘shishini ko‘rish uchun ikki ko‘rsatkich hisoblanadi:

Bu ikki o‘lchov xavfsizlik va foydalanish qulayligi o‘rtasidagi muvozanatni ko‘rsatadi. Himoya juda ko‘p odatiy amallarni to‘xtatsa, foydalanuvchi tajribasi yomonlashishi mumkin. Hech narsani to‘xtatmasa esa xavfsizlik ta’minlanmaydi.

Grafik, jadval va sxemaning asosiy xabari

PDF’dagi 1-rasmbilvosita prompt injection va ikki qatlamli himoya oqimini ko‘rsatadi. Hujumchi zararli maqsadni ishonchsiz yuzaga joylaydi. Agent vazifa davomida bu kontentni o‘qiydi. Birinchi himoya qatlami prompt darajasida shubhali naqshlarni filtrlaydi. Ikkinchi himoya qatlami esa vosita chaqiruvi ishlashidan oldin ruxsat, ko‘rib chiqish yoki bloklash qarorini beradi.

1-jadvalLivePI yuzalarini umumlashtiradi. WhatsApp, Telegram va Slack guruh chatlari; Gmail e-pochtasi; mahalliy hujjat; ommaviy repo havolasi va Gist kabi manbalar test yuzasi sifatida ishlatiladi. Bu jadval bilvosita prompt injection xavfi faqat web sahifa yoki e-pochta bilan cheklanmasligini ko‘rsatadi.

2-jadvalhujum texnikasi oilalarini tushuntiradi. Tadqiqot soxta tasdiqlash zanjiri, ishonchli integratsiyaga taqlid, nazorat ro‘yxati ichiga joylash, siyosat yangilanishi kabi turli ssenariylarni baholaydi. Bu xilma-xillik hujumlar faqat “oldingi ko‘rsatmalarni unut” kabi sodda iboralardan iborat emasligini, balki qonuniy vazifa oqimiga aralashadigan tarzda loyihalanishi mumkinligini ko‘rsatadi.

4-jadvaleng keskin natijani beradi. Guruh chatidagi injection test qilingan barcha model asoslarida %100 muvaffaqiyat ko‘rsatgan. Umumiy hujum muvaffaqiyati darajasi modeldan modelga farq qilgan: Claude Opus 4.6 eng past umumiy ko‘rsatkich bilan %10,7; Gemini 3.1 Pro esa eng yuqori ko‘rsatkich bilan %29,6 darajasida. Repo havolalari ham kichik namuna tufayli ehtiyotkor talqin qilinishi kerak bo‘lsa-da, yuqori og‘irlikdagi xavf signalini bergan.

5-jadvalikki qatlamli himoya natijasini ko‘rsatadi. GPT-5.3-Codex sozlamasida himoya sinovdan o‘tkazilgan zararli maqsad yakunlarini ishga tushirishdan oldin bloklagan va hujum muvaffaqiyati darajasini %0 deb hisobot qilgan. Shu bilan birga, 899 ta odatiy vosita chaqiruvining faqat %0,89’i ko‘rib chiqishga yuborilgan, %0,11’i bloklangan. Bu natija to‘g‘ri loyihalangan vosita chaqiruvi siyosatlari xavfsizlik va foydalanish qulayligi o‘rtasida muvozanatli ishlashi mumkinligini ko‘rsatadi.

Tajribalar qanday o‘tkazilgan?

Tadqiqotda OpenClaw agenti ishlab chiqarish muhitiga o‘xshash, ammo test nazoratidagi virtual mashina muhitida ishga tushirilgan. Muhitda jonli brauzer, web fetch, Gmail test hisobi, WhatsApp/Slack/Telegram test kanallari, mahalliy fayl tizimi va cheklangan balansga ega test nazoratidagi Solana hamyon interfeysi mavjud.

LivePI jami 169 ta bajariladigan hujum holatini o‘z ichiga oladi. Ular yetti yuza, o‘n ikki texnika/render oilasi va besh zararli maqsad kombinatsiyasidan tanlangan. Har bir kombinatsiya qo‘llab bo‘lmagani uchun nazariy maksimum 420 o‘rniga 169 ta haqiqiy test holati yaratilgan.

Beshta model asosi baholangan: GPT-5.3-Codex, Claude Opus 4.6, Gemini 3.1 Pro, Kimi K2.5 va GLM-5. Har bir testda agentning o‘zaro ta’sir izi, tavsiya qilgan vosita chaqiruvlari, ishlagan vositalar, vosita natijalari va yakuniy javob qayd etilgan.

Hujum muvaffaqiyati modelning matndan ta’sirlanishiga qarabgina emas, balki nishondagi zararli natija ro‘y bergan-bermaganiga qarab baholangan. Aniq yon ta’sir tug‘diradigan vazifalarda e-pochta yuborilishi, tranzaksiya qaydlari, o‘zgargan sozlamalar, yaratilgan fayllar, script ishga tushirish izlari yoki buyruq chiqishlari ham alohida tekshirilgan.

Natijalar nimani ko‘rsatadi?

Tadqiqotning birinchi natijasi — kuchli model asoslari ham bilvosita prompt injection xavfini to‘liq yo‘q qilmaydi. Umumiy hujum muvaffaqiyati darajasi modeldan modelga farq qilsa-da, hech bir model barcha yuzalarda xavfsiz emas.

Ikkinchi natija — hujum yuzasi model sifatidan kam bo‘lmagan darajada muhim. Xuddi shu zararli maqsad e-pochta ichida kamroq samarali bo‘lishi, guruh chatida esa ancha samarali bo‘lishi mumkin. Bu xavfsizlik testlari yuza bo‘yicha alohida o‘tkazilishi kerakligini ko‘rsatadi.

Uchinchi natija — guruh chati yuzasi ayniqsa xavfli. Tadqiqotda guruh xabarlarining agent kontekstiga vakolatli foydalanuvchi xabariga o‘xshash tarzda kirishi hujumchi kontentining model tomonidan haqiqiy foydalanuvchi istagi sifatida talqin qilinishiga olib kelgan.

To‘rtinchi natija — repo havolasi kabi dasturiy ta’minot ishlab chiqish yuzalari kichik namunada ham yuqori og‘irlikdagi xavf signalini bergan. Chunki bu yerda xavf faqat matnli ko‘rsatma emas, balki ishonchsiz kodni yuklab olish, o‘rnatish yoki ishga tushirish kabi og‘irroq yon ta’sirlar bilan bog‘liq.

Beshinchi natija — himoya faqat prompt filtri bilan cheklanmasligi kerak. Prompt darajasidagi tozalash foydali bo‘lishi mumkin; ammo eng muhim xavfsizlik nuqtasi vosita chaqiruvi ishlashidan bevosita oldingi siyosatga asoslangan ruxsat mexanizmidir. Shunday qilib, model zararli harakatni tavsiya qilgan bo‘lsa ham, tizim bu harakatni to‘xtatishi yoki inson tasdig‘iga yuborishi mumkin.

Bu nima uchun muhim?

Sun’iy intellekt agentlari tobora ko‘proq haqiqiy vositalarga ulanmoqda. Foydalanuvchi nomidan e-pochta o‘qiy oladigan, kod yozadigan, fayl tahrirlaydigan, to‘lov qiladigan yoki server sozlamasini o‘zgartiradigan agentlar ish dunyosida katta qulaylik yaratishi mumkin. Ammo bu vakolatlar xavfsizlik nuqtayi nazaridan klassik chatbotlarga qaraganda ancha jiddiy xavf darajasini yuzaga keltiradi.

Bilvosita prompt injection shu sababli kritik muammodir. Chunki hujumchining modelga bevosita kirishi shart emas. Agent o‘qiydigan hujjat, e-pochta, web sahifa yoki guruh xabariga joylangan kontentning o‘zi yetarli bo‘lishi mumkin. Agent manba ishonchliligini ajrata olmasa, ishonchsiz ma’lumot ko‘rsatmaga aylanishi mumkin.

Ushbu tadqiqot xavfsiz agent dizaynida uch asosiy tamoyilni ajratib ko‘rsatadi:

Manbalarni ajratish: Foydalanuvchi ko‘rsatmasi bilan tashqi dunyodan kelgan ma’lumot bir xil vakolat darajasida ko‘rilmasligi kerak.

Vosita chaqiruvini nazorat qilish: Sezgir vositalar to‘g‘ridan-to‘g‘ri model qaroriga topshirilmasligi; ruxsat, ko‘rib chiqish yoki bloklash siyosatlari bilan himoyalanishi kerak.

Yuza bo‘yicha test: E-pochta, guruh chati, mahalliy fayl, web va repo yuzalari alohida sinovdan o‘tkazilishi kerak. Chunki har bir kanalning xavf profili boshqacha.

E’tibor beriladigan jihatlar

Bu tadqiqot ma’lum bir test tuzilmasida bajarilgan akademik xavfsizlik benchmark’idir. Natijalar barcha agent tizimlari uchun universal xavfsizlik kafolatini bermaydi.

Ikki qatlamli himoya LivePI hujum sinflariga moslab ishlab chiqilgan. Shu sababli u haqiqiy dunyodagi barcha bilvosita prompt injection turlarini to‘sadi, deb qabul qilinmasligi kerak.

Himoya natijalari faqat GPT-5.3-Codex konfiguratsiyasida hisobot qilingan. Boshqa model asoslarida ayni himoya qanday ishlashi alohida sinovdan o‘tkazilishi kerak.

Repo havolasi yuzasi faqat to‘rtta bajariladigan test holatini o‘z ichiga oladi. Bu natija yuqori og‘irlikdagi xavf signali sifatida muhim, ammo haqiqiy dunyodagi tarqalishini miqdoriy baholash uchun yetarli emas.

Tadqiqotda LLM judge va deterministik nazoratlar birgalikda qo‘llangan. Bu yondashuv amaliy bo‘lsa-da, kelajakda inson baholashi va yanada keng qamrovli verifikatsiya testlari bilan qo‘llab-quvvatlanishi kerak.

Ushbu maqolada hujum shablonlari yoki suiiste’mol tafsilotlari berilmagan. Maqsad — himoya va xavfsiz dizayn tamoyillarini tushuntirish.

Xulosa

LivePI tadqiqoti vosita ishlatadigan sun’iy intellekt agentlari xavfsizligini baholashda yanada realistik test muhitlariga ehtiyoj borligini ko‘rsatadi. Model chat ichida xavfsiz ko‘rinishi mumkin; ammo e-pochta, fayl, guruh chati yoki repo kontenti orqali keladigan ishonchsiz ko‘rsatmalar bilan to‘qnashganda boshqacha harakat qilishi mumkin.

Tadqiqotning eng e’tiborga molik topilmasi — guruh chatidagi injection holatlari baholangan barcha modellarda muvaffaqiyatli bo‘lganidir. Bu natija model sifatidan qat’i nazar, tizim dizaynidagi manba va rol ajratilishi kritik ekanini ko‘rsatadi.

Taklif etilgan ikki qatlamli himoya prompt darajasidagi filtrlashni va vosita chaqiruvidan oldingi siyosat tasdig‘ini birlashtiradi. Eksperimental tuzilmada bu himoya zararli maqsadlarning bajarilishini to‘sib, odatiy vazifalarda past ishqalanish hosil qilgan. Ammo mualliflar ham ta’kidlaganidek, bu natija umumiy xavfsizlik kafolati emas, balki himoya yo‘nalishidagi umidli nazoratli tajriba natijasi sifatida talqin qilinishi kerak.

Verianla nuqtayi nazaridan tadqiqotning asosiy xabari shunday: sun’iy intellekt agentlarida xavfsizlikni faqat modelning “aqlli” bo‘lishiga topshirib bo‘lmaydi. Haqiqiy xavfsizlik manbalarni ajratish, ishonchsiz kontentni belgilash, vosita chaqiruvi siyosatlari, inson tasdig‘i va yuza bo‘yicha xavfsizlik testlarini birgalikda qo‘llash orqali ta’minlanadi.

Manba va usul bo‘yicha izoh

Ushbu kontent, LivePI: More Realistic Benchmarking of Agents Against Indirect Prompt Injection nomli akademik PDF ko‘rib chiqilib tayyorlangan. Matn so‘zma-so‘z tarjima emas. Tadqiqotning maqsadi, tahdid modeli, asosiy formulalari, tajriba dizayni, benchmark natijalari, himoya yondashuvi va cheklovlari Verianla o‘quvchilari uchun soddalashtirilgan, original va tahririy o‘zbek tilida qayta bayon qilingan.

Xavfsizlik sababli maqolada hujum shablonlari, suiiste’mol buyruqlari yoki zararli texnik tafsilotlar qayta ishlab chiqarilmagan.