IQTISODIY XAVFSIZLIKGA QARSHI IQTISODIYOT TA'RISHLARINI AKLLI TASHKIRLASH
Annotatsiya
Taqsimlangan xizmatdan voz kechish (DDoS) hujumlari raqamli xizmatlar uchun doimiy tahdid boʻlib, ayniqsa moliyaviy tizimlarda iqtisodiy barqarorlikka jiddiy xavf tugʻdiradi. Anʼanaviy hujumlarni aniqlash tizimlari statik qoidalar yoki nazorat ostidagi mas hinali oʻrganish modellariga asoslangan boʻlib, tez oʻzgaruvchan hujum strategiyalariga moslashishda cheklangan imkoniyatlarga ega. Mazkur maqolada mustahkamlovchi oʻrganish (Reinforcement Learning, RL) usullaridan foydalangan holda intellektual hujumlarni aniqlash tizimlarini ishlab chiqish masalasi koʻrib chiqiladi. Kiberxavfsizlik vazifasi ketma -ket qaror qabul qilish jarayoni sifatida modellashtiriladi, bunda RL -agentlar tarmoq muhiti bilan oʻzaro aloqada boʻlish va mukofot signallari orqali optimal him oya strategiyalarini oʻrganadi. Zamonaviy tadqiqotlar va eksperimental natijalar tahlili RL asosidagi tizimlar yuqori aniqlik, tezkor javob va rivojlanib borayotgan DDoS tahdidlariga nisbatan yuqori moslashuvchanlikni taʼminlashini koʻrsatadi. Tadqiqot nat ijalari mustahkamlovchi oʻrganish raqamli moliyaviy xizmatlarning uzluksizligini taʼminlash va iqtisodiy № 1 -SON YANVA R, 202 6-YIL 91 yoʻqotishlarni kamaytirish orqali iqtisodiy xavfsizlikni mustahkamlashga xizmat qilishini tasdiqlaydi.
Kalit so'zlar
mustahkamlovchi oʻrganish, hujumlarni aniqlash tizimlari, DDoS hujumlar, iqtisodiy xavfsizlik, moliyaviy kiberxavfsizlik, moslashuvchan himoya, raqamli xizmatlar barqarorligi
Adabiyotlar ro'yxati
- Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A., Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., & Hassabis, D. (2015). Human -level control through deep reinforcement learning. Nature, Vol. 518, No. 7540. pp 529 -533.
- Van Hasselt, H., Guez, A., & Silver, D. (2016). Deep reinforcement learning with double Q -learning. Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 30, No. 1. pp. 2094 -2100.
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). Cambridge, MA: MIT Press. -552 pp.
- Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D., & Wierstra, D. (2016). Continuous control with deep reinforcement learning. International Conference on Learning Representations (ICLR). -Conference paper.
- Nguyen, T. T., & Reddi, V. J. (2021). Deep reinforcement learning for cyber security. IEEE Transactions on Neural Networks and Learning Systems, Vol. 32, No. 8, pp. 3378 -3391.
- Islam, R., Khatun, M., & Hossain, M. A. (2022). DDoS attack detection using machine learning techniques in cloud computing environments. Journal of Network and Computer Applications, Vol. 191. -Article 103160.
- Satpathy, S., Panda, M., & Sahoo, K. S. (2025). Deep reinforcement learning - based intrusion detection for adaptive DDoS mitigation in cloud networks. Future Generation Computer Systems, Vol. 149. pp 78 -91.
- Bouhardouz, Y., Chikhi, S., & Lagraa, N. (2025). Reinforcement learning - based DDoS mitigation in software -defined networks with quality -of-service awareness. Computer Networks, Vol. 238. -Article 110022.
- Asmar, Y., & Tuqan, J. (2024). Cost -aware intrusion detection systems for financial infrastructures. Computers & Security, Vol. 133. -Article 103286.
- FS-ISAC. (2025). Operational resilience and DDoS threat management in financial services. New York: Financial Services Information Sharing and Analysis Center. -Industry report.
- ENISA. (2023). Threat Landscape for Distributed Denial -of-Service Attacks. Athens: European Union Agency for Cybersecurity. -64 pp.