CC BY
1094
Д. В. Бахтеев
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В КРИМИНАЛИСТИКЕ: СОСТОЯНИЕ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ
Рассматриваются современное состояние технологии искусственного интеллекта, его понятие и основные направления развития. Описаны два подхода к пониманию искусственного интеллекта. С точки зрения нисходящего подхода искусственный интеллект позволяет решать лишь отдельные узкие задачи, а с позиции восходящего - по своим возможностям приближается к полноценному мышлению человека. Отмечено, что сегодня программирование и компьютеризация раскрытия и расследования преступлений осуществляются путем создания информационно-поисковых, справочных систем и также баз данных и криминалистических алгоритмов, оптимизирующих процесс выдвижения и проверки криминалистических версий. Определяются основные признаки искусственных нейронных сетей, в частности способность к ситуационному адаптивному обучению, выявлению неочевидных связей и закономерностей, устойчивость к информационным шумам и дезинформации.
Описаны этапы формирования искусственной нейронной сети: сбор и обобщение исходных данных, определение топологии сети и параметров обучения, непосредственное обучение и проверка результатов. Указаны потенциальные направления использования искусственного интеллекта в следственной, оперативно-розыскной и экспертной деятельности: оценка исходной информации, моделирование преступления и его следов, выявление признаков серийности, оптимизация криминалистических исследований, оценка достаточности доказательств, прогнозирование совершения преступлений и стратегическое планирование оперативной обстановки.
Ключевые слова: искусственный интеллект, программирование расследования, компьютеризация расследования, искусственные нейронные сети, криминалистическое мышление
В некоторых сферах человеческой деятельности отдельные системы искусственного интеллекта уже активно используются или начинают внедряться, к примеру в банковской сфере1, военных технологиях2, рекламной, страховой деятельности и т. д. Криминалистика всегда отличалась высокой восприимчивостью к технологиям, потенциально полезным в выявлении и раскрытии преступлений, так что рассмотрение перспектив использования искусственного интеллекта должно представлять для нее интерес.
Под искусственным интеллектом традиционно понимают компьютерные программы, программные комплексы, способные не просто действовать по заранее заданному алгоритму, но и реализовывать такие имманентные человеку творческие функции, как прогнозирование, оценка рисков, работа с неполными данными и т. д.
1 Сбербанк предпочел искусственный интеллект рекомендациям «Базеля» // РБК: ежедневная деловая газета, интернет-издание. 2017. 24 окт. URL: https:// www.rbc.ru/finances/24/10/2017/59ede6029a7947224549 3e73 (дата обращения: 06.01.2018).
2 Why we must not build automated weapons of war // Time: news magazine. 2017. Sept. 25. URL: http:// time.com/4948633/robots-artificial-intelligence-war/ (дата обращения: 06.01.2018).
Известный исследователь искусственного интеллекта Дж. Коупленд предлагает два подхода к его пониманию: «нисходящий» (Top-Down) и «восходящий» (Bottom-Up) [Copeland 2000]. В рамках первого подхода речь идет о прикладном моделировании отдельных компонентов (процессов) человеческого мышления в целях решения узкоспециализированных, частных задач. Применительно к вопросам обеспечения деятельности по раскрытию и расследованию преступлений такой подход к пониманию искусственного интеллекта уже активно используется при разработке и внедрении экспертных систем, автоматизированных баз данных и пр. С точки зрения восходящего подхода к пониманию искусственного интеллекта последний предполагает уже полноценное поведение или мышление, т. е. комплексную оценку входящих сообщений и принятие на их основе взвешенных решений в условиях неполной, фрагменти-рованной информации.
У истоков криминалистического программирования и компьютеризации расследования стояли Г. А. Густов [Густов 1993], Л. Г. Видонов [Видонов 2003], В. Ф. Робозеров [Робозеров 1991], А. С. Шаталов [Шаталов 2000], посвятившие свои работы как общим методам программирования деятельности следователя, так
и частным криминалистическим алгоритмам расследования отдельных преступлений, в основном насильственного характера.
Современной криминалистике известны разные проекты, компьютеризирующие решение некоторых задач, возникающих в процессе раскрытия и расследования преступлений. Наиболее известными являются проект ученых Нижегородского университета им. Лобачевского «ФОРВЕР», позволяющий формировать наиболее перспективные версии о личности преступника [Фесик 2011], и реляционная база данных, которую создал по материалам следственной практики К. А. Нелюбин и в которую в систематизированной форме были занесены основные элементы криминалистической характеристики
Программы по выдвижению следственных версий могут вполне справляться с типичными версиями, однако при необходимости выдвижения нетипичных версий их потенциал значительно уменьшается
убийств, обеспечивающие эффективность расследования убийств на территории Свердловской области [Нелюбин 2014]. Преимуществом этих проектов можно считать их ориентированность на выдвижение обоснованных высоковероятных версий, определяющих, как верно заметил И. М. Лузгин, «вероятностный характер перспективного моделирования, возможный круг источников и содержание доказательств» [Луз-гин 1981: 88].
Помимо этого в практике раскрытия и расследования преступлений активно используются автоматизированные информационно-поисковые системы, позволяющие получать информацию о возможных направлениях расследования: система «Блок», обеспечивающая информационное криминалистическое сопровождение расследования экономических преступлений;
система «Маньяк», обеспечивающая получение информации при расследовании серийных убийств на сексуальной почве;
система «Спрут», помогающая установить контактные связи преступников;
система «Сейф», в которой систематизируется информация о хищениях денежных средств из хранилищ;
географическая информационная система «Зеркало», оперирующая пространственными (фактографическими и статистическими) данными, и др.
Указанные базы данных и программные комплексы основаны на «нисходящем» подходе к пониманию искусственного интеллекта, поскольку ориентированы на решение либо одной конкретной задачи, либо группы однородных задач. К примеру, программы по выдвижению следственных версий могут вполне справляться с типичными версиями, однако при необходимости выдвижения нетипичных версий их потенциал значительно уменьшается. Деятельность следователя, в свою очередь, может быть представлена в качестве нелинейного комплекса операций по решению задач раскрытия и расследования преступлений, характеризующегося динамичностью и претерпевающего воздействие случайных и псевдослучайных факторов, которые затрудняют быстрое и эффективное познание обстоятельств, составляющих предмет доказывания. Соответственно актуален вопрос создания программных комплексов, чьи возможности сложной эвристической обработки информации максимально приближены к возможностям криминалистического мышления следователя.
Человеческое мышление и его специализированные типы, к которым относится и криминалистическое мышление, основаны на электромагнитном или химическом перемещении ионов между синапсами, представляющими собой точки контактного взаимодействия нейронов головного и спинного мозга. Закономерно, что на ранних этапах создание искусственного интеллекта может заимствовать архитектуру построения способа обработки информации человеческим мозгом. В настоящее время наиболее эффективный способ организации искусственного интеллекта - искусственные нейронные сети. Несмотря на существование математических методов решения многих следственных задач, пока превосходящих возможности искусственных нейронных сетей, последние «благодаря универсальности и перспективности для решения глобальных задач, например построения искусственного интеллекта и моделирования процесса мышления... являются важным направлением исследования, требующим тщательного изучения» [Лабинский, Подружкина 2015: 59].
Для целей правовых отраслей знания, в том числе криминалистики, искусственные нейронные сети можно рассматривать как программные или аппаратные комплексы простых обработчиков данных, способных обмениваться друг с другом сигналами и при достаточно развитой структуре и настроенной логике взаимодействия решать сложные задачи. Специфику искусственных нейронных сетей обусловливают простота каждого их элемента (искусственного
нейрона), их взаимозаменяемость и взаимосвязь. Каждый кластер информации, загружаемый в сеть, сопоставляется с другими кластерам, на основе чего генерируется решение задачи. Рабочая искусственная сеть может содержать десятки и сотни слоев (уровней оценки и проверки), обеспечивающих комплексное рассмотрение любых факторов, что позволяет решать крайне сложные задачи, в том числе по раскрытию и расследованию преступлений.
Основным качеством искусственных нейронных сетей, выгодно отличающим их от большинства более привычных программных комплексов, является их способность к адаптивному ситуационному обучению. Это выражается в том, что создатель сети задает общие правила анализа данных и предоставляет данные для обучения. Последние должны быть непротиворечивыми и предельно достоверно отображать характеристики анализируемого процесса или явления. К таким данным можно отнести сведения о раскрытых и нераскрытых преступлениях, механизме и обстановке их совершения, наличию и характеристике связей между преступником и потерпевшим и т. д.
Работа искусственной нейронной сети основана на интеллектуальном эвристическом анализе данных, который гораздо более эффективен, чем методы математической статистики, используемые в большинстве криминалистических программных комплексов. В этом отношении искусственные нейронные сети гораздо ближе к человеческому мозгу, поскольку способны выявлять скрытые, неочевидные связи и закономерности, подобно тому как талантливый следователь может связать в единую картину разрозненные обстоятельства совершения преступления, известные следствию.
Следующее качество искусственных нейронных сетей, закономерно вытекающее из предыдущего, заключается в их устойчивости к информационным шумам, в том числе дезинформации, за счет комплекса эвристических операций по обработке загружаемых сведений. Этим же фактором обусловлено низкое число ошибок и его дальнейшее снижение по мере наращивания информации в сети (обучения) и уточнения алгоритмов обучения и извлечения данных.
Обучаемость может рассматриваться одновременно как достоинство и недостаток искусственных нейронных сетей. Преимущество заключается, как уже было сказано, в поступательном снижении числа ошибок и накапливании сетью «опыта» решения разнообразных задач. Однако оборотной стороной медали выступают низкая скорость обучения и необходимость загрузки
в сеть большого объема информации. Для создания подобной системы «должна быть проведена значительная работа по обработке материалов уголовных дел по отдельным видам преступлений с целью их анализа и выделения исходной информации, включающей: обстановку совершения преступления, способ совершения преступления, типовые следы, обстоятельства, подлежащие установлению, информацию о личности потерпевшего и преступника» [Грицаев, Помаза-нов, Заболотная 2015: 496]. Информация, загружаемая в сеть, должна быть проверенной и внутренне непротиворечивой. Кроме того, необходима тщательная разработка системы приоритетов (весов), согласно которым искусственная ней-
Искусственные нейронные сети способны выявлять скрытые, неочевидные связи и закономерности, подобно тому и как талантливый следователь может связать
в единую картину разрозненные обстоятельства совершения преступления
ронная сеть будет осуществлять моделирование и оценку разнообразных вариантов решения поставленных задач. Для определения направления поиска разумным представляется использование математического аппарата байесовского поиска, позволяющего рассчитывать множество переменных и их зависимостей, к примеру вероятность правдивости отдельных показаний в зависимости от сложившейся следственной ситуации и других показаний, имеющихся в деле.
Процесс создания искусственной нейронной сети состоит из ряда этапов.
На первом этапе происходят сбор и обобщение данных, которые впоследствии будут использованы для обучения сети. При этом необходимо загружать данные в сеть таким образом, чтобы несвязанные кластеры информации нельзя было перепутать. В частности, искусственная нейронная сеть в процессе обучения должна четко различать орудие непосредственного совершения преступления (например, при убийстве - нож) и средство обеспечения совершения преступления (например, веревка, с помощью которой ограничивалось сопротивление потерпевшего). В противном случае возможна неверная интерпретация данных и, как следствие, ошибка при анализе ситуации.
Значительные сложности могут возникнуть именно на этом этапе, поскольку для создания достаточного массива данных требуются анализ и трансформация в цифровую форму предель-
но детализированных материалов по сотням (а желательно тысячам и десяткам тысяч) схожих уголовных дел, что к настоящему времени является трудновыполнимой, хотя и решаемой задачей.
На втором этапе осуществляется выбор топологии (внутренней архитектуры) искусственной нейронной сети и подбор параметров обучения; формируется «скрытый слой». К примеру, сеть, ориентированная на поиск признаков серийности или объединение разнородных эпизодов преступления, должна содержать правила синтеза или дифференциации информационных кластеров. Также сеть может быть настроена либо на постоянное обновление алгоритмов обучения путем вмешательства оператора сети (разработчика), либо на самостоятельное развитие по заранее заданным параметрам. В основе «скрытого слоя» искусственной нейронной сети, обученной или обучаемой решать криминалистические задачи, должны быть учтены основные методы криминалистического мышления: как чисто логические (анализ, синтез, традукция, индукция и т. д.), так и психологические и эвристические (сомнение, уверенность и пр.).
На третьем, заключительном, этапе подготовки искусственной нейронной сети происходит непосредственно обучение, за которым следует проверка его адекватности, т. е. соответствия целям создания сети. Проверка должна основываться на примерах, не включенных в массив для обучения, поскольку работоспособность искусственной нейронной сети можно оценить только в «полевых» условиях.
Возможности искусственных нейронных сетей могут быть реализованы в следующих частных и общих направлениях:
1. Оценка исходной информации по уголовному делу в целях выдвижения простых и комплексных следственных версий, определение направлений их проверки.
2. Моделирование события преступления и его следовой картины на основе неполных данных и предшествующего «опыта», охватывающего большой массив уголовных дел.
3. Выявление признаков серийности в условиях информационной недостаточности и предложение вариантов действий следователя по проверке перспективных следственных версий. К примеру, в случае убийства особо жестоким способом мужчины азиатской внешности необходимо определить круг проверочных действий, направленных на установление аналогичных преступлений, совершенных в том же населенном пункте за последнее время, в том
числе причинения вреда здоровью различной степени тяжести. В этом случае круг возможных подозреваемых сводится к ограниченной группе. Например, проверять на причастность к преступлению следует околокриминальные группы (неонацистского характера и др.) и любые места, где могут собираться лица, способные совершить преступление с соответствующим мотивом (курсы рукопашного и ножевого боя, клубы исторической реконструкции, религиозные собрания и т. д.).
4. Увеличение эффективности почерковед-ческих и габитоскопических исследований: к настоящему времени наиболее перспективным направлением развития искусственных нейронных сетей считается распознавание образов, что может позволить, к примеру, автоматизацию выявления признаков подлога документов.
5. Поиск недоступных криминалистическому программному обеспечению компьютерных файлов, сокрытых, например, при помощи стеганографии или альтернативных потоков данных (ADS) [Harris 2007], установление первичного источника информации в сети Интернет.
6. Дополнительная оценка достаточности собранных доказательств для предъявления обвинения или направления уголовного дела прокурору.
7. Прогнозирование совершения преступления в будущем, на основе анализа признаков совершенных преступлений с точки зрения их локализации, социальных характеристик участвующих лиц, средств массовой информации [Norton 2013].
8. Стратегическое планирование, к примеру построение логических моделей, отражающих:
вероятность развития оперативной обстановки в каком-либо регионе, на территории отдельной страны или ряда государств;
возможность проявления активности крупных организованных криминальных структур, в том числе международных, террористических и др.;
перспективы возникновения новых каналов незаконной поставки наркотиков, оружия, иных объектов, изъятых из гражданского оборота; новых потоков незаконной миграции [Яковец 2005: 127] и др.
Р. С. Белкин подчеркивал, что «рядовой следователь без обширного профессионального опыта, в условиях дефицита времени и экстремальной ситуации не в состоянии воспроизвести в памяти десятки страниц „книжной методики" в качестве оперативного руководства к действиям» [Белкин 2001: 127-128]. Он пред-
лагал разработать лаконичные, четкие и ясные алгоритмы действий следователя, их варианты для выбора в зависимости от следственной ситуации. Представляется, что хотя искусственный интеллект по сути не является алгоритмизированным (в силу отсутствия заданной последовательности шагов), он может выступить важным помощником следователя. Однако любые типы искусственного интеллекта, которые могут быть использованы при раскрытии и расследовании преступлений, должны быть апробированы, а сама возможность их применения - закреплена в уголовно-процессуальном законодательстве.
Искусственные нейронные сети могут быть адаптированы для решения специфических криминалистических задач, например анализа материалов уголовных дел для выявления следственных ошибок процессуального и тактического характера, вычленения из массива расследуемых дел признаков серийности, объединения преступлений по схожим признакам. В ближайшем будущем вполне возможна интеграция рассмотренной технологии в криминалистическую практику, однако для этого требуется дальнейшее изучение архитектуры и возможностей искусственных нейронных сетей, в том числе учеными-криминалистами.
Список литературы
Copeland J. What is Artificial Intelligence? // AlanTuring.net: Reference Articles on Turing. URL: http://www.alanturing.net/turing_archive/pages/Reference%20Articles/what_is_AI/What%20is%20 AI09.html (дата обращения: 06.01.2018).
Harris R. M. Using Artificial Neural Networks for Forensic File Type Identification. Master's thesis. West Lafayette: Purdue University, 2007. 66 p.
Norton A. Predictive Policing - The Future of Law Enforcement in the Trinidad and Tobago Police Service // International Journal of Computer Applications. 2013. Vol. 62. № 4. P. 32-36.
Белкин Р. С. Криминалистика: проблемы сегодняшнего дня. Злободневные вопросы современной криминалистики. М.: Инфра-М; Норма, 2001. 240 с.
Видонов Л. Г. Типовые следственные ситуации первоначального этапа следствия по делам об убийствах. Криминалистические элементы взаимосвязи между элементами состава преступлений данного вида и методика выдвижения версий о лицах, совершивших убийства без очевидцев, на основе указанных взаимосвязей. Н. Новгород, 2003. 255 с.
Грицаев С. И., Помазанов В. В., Заболотная Ю. А. Компьютеризация целеопределения и планирования расследования // Научный журнал КубГАУ. 2015. № 108. С. 491-499.
Густов Г. А. Программно-целевой метод организации раскрытия убийств. СПб.: Ин-т повышения квалификации прокурорско-следственных работников прокуратуры РФ, 1993. 121 с.
Лабинский А. Ю., Подружкина Т. А. Особенности использования генетических алгоритмов и нейронных сетей // Природные и техногенные риски (физико-математические и прикладные аспекты). 2015. № 4. С. 56-61.
Лузгин И. М. Моделирование при расследовании преступлений. М.: Юрид. лит., 1981. 152 с.
Нелюбин К. А. Некоторые вопросы создания и использования электронной базы данных на основе криминалистической характеристики убийств // Российский следователь. 2014. № 13. С. 3-5.
Робозеров В. Ф. Установление лиц, совершивших преступления в условиях неочевидности: науч.-метод. рекомендации. Л.: Ин-т усовершенствования следственных работников при прокуратуре СССР, 1991. 52 с.
Фесик П. Ю. Технология использования криминалистической характеристики в раскрытии убийств: автореф. дис. ... канд. юрид. наук. Н. Новгород: Нижегор. гос. ун-т, 2011. 23 с.
Шаталов А. С. Проблемы алгоритмизации расследования преступлений: дис. ... д-ра юрид. наук. М.: Моск. акад. МВД России, 2000. 411 с.
Яковец Е. Н. Проблемы аналитической работы в оперативно-розыскной деятельности органов внутренних дел. М.: Издат. дом И. И. Шумиловой, 2005. 219 с.
Дмитрий Валерьевич Бахтеев - кандидат юридических наук, доцент кафедры криминалистики Уральского государственного юридического университета (Екатеринбург). 620137, Российская Федерация, Екатеринбург, ул. Комсомольская, д. 21. E-mail: dmitry.bakhteev@ gmail.com.
Artificial Intelligence in Forensic Science: Current State and Application Potential
The article considers the current state of artificial intelligence technology, its concept and the main directions of development. Two approaches to understanding artificial intelligence are described. From the point of view of the top-down approach, artificial intelligence allows solving only certain narrow tasks, and from the position of the ascending one, it is close to human thinking in its capabilities. The author notes that today the programming and computerization of disclosure and investigation of crimes is organized through creating information retrieval systems, reference systems, databases and forensic algorithms optimizing criminalistics versioning. The main features of artificial neural networks are indicated, including the ability for situational adaptive learning, the identification of non-obvious links and patterns, resistance to information noise and disinformation. The stages of an artificial neural network development are described. They include collection and generalization of the initial data, determination of the network topology and learning parameters, training and verification of the results. The author points out potential directions of using artificial intelligence in investigative, operational and search, forensic examination activities: assessment of the initial information, modeling of a crime and its traces, identification of serial crimes, optimization of forensic investigation, evaluation of sufficiency of evidence, crime prediction and operational environment planning.
Keywords: artificial intelligence, investigation programming, investigation computerization, artificial neural networks, forensic thinking
References
Belkin R. S. Kriminalistika: problemy segodnyashnego dnya. Zlobodnevnye voprosy sovremennoi kriminalistiki [Forensic Science: Present-Day Problems. Topical Issues of Modern Criminalistics], Moscow, Infra-M, Norma, 2001, 240 p.
Copeland J. What is Artificial Intelligence? AlanTuring.net: Reference Articles on Turing, available at: http://www.alanturing.net/turing_archive/pages/Reference%20Articles/what_is_AI/What%20is%20AI09. html (accessed: 06.01.2018).
Fesik P. Yu. Tekhnologiya ispol'zovaniya kriminalisticheskoi kharakteristiki v raskrytii ubiistv [A Technology of Using Forensic Characteristics in Solving Murders]: auto-abstract of a cand. jur. sc. thesis, Nizhniy Novgorod, Nizhegor. gos. un-t, 2011, 23 p.
Gritsaev S. I., Pomazanov V. V., Zabolotnaya Yu. A. Komp'yuterizatsiya tseleopredeleniya i planirova-niya rassledovaniya [Computerization of Investigation Targeting and Planning], Nauchnyi zhurnal KubGAU, 2015, no. 108, pp. 491-499.
Gustov G. A. Programmno-tselevoi metod organizatsii raskrytiya ubiistv [A Targeted-Program Method of Organization of Solving Murders], Saint-Petersburg, In-t povysheniya kvalifikatsii prokurorsko-sledstvennykh rabotnikov prokuratury RF, 1993, 121 p.
Harris R. M. Using Artificial Neural Networks for Forensic File Type Identification. Master's thesis, West Lafayette, Purdue University, 2007, 66 p.
Labinskii A. Yu., Podruzhkina T. A. Osobennosti ispol'zovaniya geneticheskikh algoritmov i neiron-nykh setei [The Special Feature of Employment the Genetic Algorithm and Neural Networks], Prirodnye i tekhnogennye riski (fiziko-matematicheskie i prikladnye aspekty), 2015, no. 4, pp. 56-61.
Luzgin I. M. Modelirovanie pri rassledovanii prestuplenii [Modeling in Investigation of Crimes], Moscow, Yurid. lit., 1981, 152 p.
Nelyubin K. A. Nekotorye voprosy sozdaniya i ispol'zovaniya elektronnoi bazy dannykh na osnove kriminalisticheskoi kharakteristiki ubiistv [Some Issues of Creation and Use of Electronic Data Base on the Basis of Criminalistic Characteristics of Murders], Rossiiskii sledovatel', 2014, no. 13, pp. 3-5.
Norton A. Predictive Policing - The Future of Law Enforcement in the Trinidad and Tobago Police Service, International Journal of Computer Applications, 2013, vol. 62, no. 4, pp. 32-36.
Robozerov V. F. Ustanovlenie lits, sovershivshikh prestupleniya v usloviyakh neochevidnosti: nauch.-metod. rekomendatsii [Detecting Persons Committed Crimes in Conditions of Non-Obviousness: Scientific and Methodological Recommendations], Leningrad, Ins-t usovershenstvovaniya sledstvennykh rabotnikov pri prokurature SSSR, 1991, 52 p.
Shatalov A. S. Problemy algoritmizatsii rassledovaniya prestuplenii [Problems of Algorithmization of Investigation of Crimes]: doct. jur. sc. thesis, Moscow, Mosk. akad. MVD Rossii, 2000, 411 p.
Vidonov L. G. Tipovye sledstvennye situatsii pervonachal'nogo etapa sledstviya po delam ob ubiist-vakh. Kriminalisticheskie elementy vzaimosvyazi mezhdu elementami sostava prestuplenii dannogo vida i metodika vydvizheniya versii o litsakh, sovershivshikh ubiistva bez ochevidtsev, na osnove ukazannykh vzaimosvyazei [Typical Investigative Situations of a Beginning Stage of Investigation of Murders. Forensic Elements of Correlation between the Elements of Such Crimes, and Methodology of Suggesting Versions about Persons Committed Murders without Witnesses on the Base of This Correlation], Nizhniy Novgorod, 2003, 255 p.
Yakovets E. N. Problemy analiticheskoi raboty v operativno-rozysknoi deyatel'nosti organov vnutren-nikh del [Problems of Analytical Work in Internal Affairs Authorities' Police Activity], Moscow, Izdat. dom I. I. Shumilovoi, 2005, 219 p.
Dmitrii Bakhteev - candidate of juridical science, associate professor of the Department of forensic sciences, Ural State Law University (Yekaterinburg). 620137, Russian Federation, Yekaterinburg, Komsomol'skaya str., 21. E-mail: dmitry.bakhteev@gmail.com.
Дата поступления в редакцию / Received: 16.02.2018
Дата принятия решения об опубликовании / Accepted: 04.04.2018
