ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СУДЕБНОЙ КОМПЬЮТЕРНО-ТЕХНИЧЕСКОЙ ЭКСПЕРТИЗЕ
DOI:
https://doi.org/10.33184/vest-law-bsu-2026.31.12Ключевые слова:
судебная компьютерно-техническая экспертиза, искусственный интеллект, нейросеть, машинное обучение, обучение нейросети, датасет, компьютерные преступленияАннотация
Сегодня технологии искусственного интеллекта (ИИ) широко внедряются в самые разные сферы общественной жизни, включая правоохранительную деятельность. Их применение становится необходимым условием успешной борьбы с преступностью, поскольку сама преступность значительно трансформируется под влиянием возможностей ИИ как средства реализации преступного умысла. Прогрессивно растущий объём компьютерной информации делает практически невозможным расследование преступлений, совершённых с помощью информационных технологий без автоматизации процессов обработки данных и выявления в них паттернов, свидетельствующих о преступной деятельности. Такая автоматизация может быть реализована через технологии ИИ.
Цель статьи: рассмотреть мировую практику применения различных технологий искусственного интеллекта для решения задач судебной компьютерно-технической экспертизы и последующего расследования преступлений, совершённых с помощью информационных технологий. Результаты: выявлены наиболее целесообразные архитектуры нейросетей для работы с различными классами задач СКТЭ: анализом сетевого трафика, обнаружением и классификацией вредоносного ПО, анализом поведенческих паттернов пользователя, установлением последовательности событий, обработкой естественного языка, в том числе, анализом переписок, работой с видеофайлами и изображениями и др. Также определены основные ограничения применения технологий ИИ в СКТЭ и приведены наиболее перспективные направления их внедрения.
Библиографические ссылки
Чеснокова Е.В., Усов А.И., Омельянюк Г.Г., Никулина М.В. Искусственный интеллект в судебной экспертологии / Е.В. Чеснокова, А.И. Усов, Г.Г. Омельянюк, М.В. Никулина // Теория и практика судебной экспертизы. – 2023. – Т. 18, № 3. – С. 60–77. – DOI: 10.30764/1819-2785-2023-3-60-77.
Руденкова Ю.С., Хазиев Ш.Н., Усов А.И. Искусственный интеллект и судебная компьютерно-техническая экспертиза / Ю.С. Руденкова, Ш.Н. Хазиев, А.И. Усов // Теория и практика судебной экспертизы. – 2024. – Т. 19, № 2. – С. 76–87. – DOI: 10.30764/1819-2785-2024-2-76-87.
Россинская Е.Р., Неретина Н.С., Чубина Е.А., Семикаленова А.И., Шамаев Г.П., Чернявская М.С. Современное состояние и перспективы развития машинного обучения и искусственного интеллекта для решения задач судебно-экспертной деятельности: аналитический доклад [Электронный ресурс] // URL: https://consortium.msal.ru/wp-content/uploads/2024/07/K_5-Sovremennoe-sostoyanie-i-perspektivy-razvitiya-mashinnogo-obucheniya-i-iskusstvennogo-intellekta-dlya-resheniya-zadach-sudebno-eksper.pdf (дата обращения: 06.05.2026).
Хатунцев Н.А. Судебная компьютерно-техническая экспертиза в свете цифровизации общества / Н.А. Хатунцев // Эксперт-криминалист. – 2020. – № 2. – С. 18–20.
RizwanBasha A., Annamalai R. Transforming crime scene investigations through the integration of artificial intelligence in digital forensics / A. RizwanBasha, R. Annamalai // 2024 IEEE International Conference on Communication, Computing and Signal Processing (IICCCS). – P. 1–6.
Мищук В.А. Соотношение понятий «искусственный интеллект» и «искусственная нейронная сеть» в судебной экспертологии / В.А. Мищук // Теория и практика судебной экспертизы. – 2024. – Т. 19, № 3. – С. 33–46. – DOI: 10.30764/1819-2785-2024-3-33-46.
Баланов А.Н. Машинное обучение и искусственный интеллект: учебное пособие для вузов. 2-е изд., стер. / А.Н. Баланов. – СПб.: Лань, 2025. — 172 с. — ISBN 978-5-507-52891-2.
Brink H., Richards J.W., Fetherolf M. Real-World Machine Learning / H. Brink, J.W. Richards, M. Fetherolf. – Manning Publications, 2016. – 264 p. – ISBN 9781617291920.
Vulinović K., Ivković L., Petrović J., Skračić K., Pale P. Neural Networks for File Fragment Classification / K. Vulinović, L. Ivković, J. Petrović, K. Skračić, P. Pale // 2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). – P. 1194–1198.
Marturana F., Tacconi S. A Machine Learning-based Triage methodology for automated categorization of digital media / F. Marturana, S. Tacconi // Digital Investigation. – 2013. – Vol. 10, iss. 2. – P. 193–204. – DOI: 10.1016/j.diin.2013.01.001.
Moustafa N., Hu J., Slay J. A holistic review of Network Anomaly Detection Systems: A comprehensive survey / N. Moustafa, J. Hu, J. Slay // Journal of Network and Computer Applications. – 2019. – Vol. 128. – P. 33–55. – DOI: 10.1016/j.jnca.2018.12.006.
Pfautch R., Dagli C., Ashiku L. Cyber Forensics with Deep Learning Recurrent Neural Networks / R. Pfautch, C. Dagli, L. Ashiku // Procedia Computer Science. – 2025. – Vol. 268. – P. 51–60. – DOI: 10.1016/j.procs.2025.08.181.
Chourasiya L., Khatri S., Lilhore U.K. et al. Advanced system log analyzer for anomaly detection and cyber forensic investigations using LSTM and transformer networks / L. Chourasiya, S. Khatri, U.K. Lilhore [et al.] // Journal of Cloud Computing. – 2025. – Vol. 14, art. no. 60. – DOI: 10.1186/s13677-025-00789-y.
Jamshidi S. et al. Effective text classification using BERT, MTM LSTM, and DT / S. Jamshidi [et al.] // Data & Knowledge Engineering. – 2024. – Vol. 151, art. no. 102306. – DOI: 10.1016/j.datak.2024.102306.
Mahmoudi A. Investigating LSTM-based time series prediction using dynamic systems measures / A. Mahmoudi // Evolving Systems. – 2025. – Vol. 16, art. no. 71. – DOI: 10.1007/s12530-025-09703-y.
Jha S., Prashar D., Long H.V., Taniar D. Recurrent neural network for detecting malware / S. Jha, D. Prashar, H.V. Long, D. Taniar // Computers & Security. – 2020. – Vol. 99, art. no. 102037. – DOI: 10.1016/j.cose.2020.102037.
Ibrahim M., Elhafiz R. Modelling an intrusion detection using recurrent neural networks / M. Ibrahim, R. Elhafiz // Journal of Engineering Research. – 2023. – Vol. 11, iss. 1, art. no. 100013. – DOI: 10.1016/j.jer.2023.100013.
Wei Y., Chow K.P., Yiu S.M. Insider Threat Detection Using Multi-autoencoder Filtering and Unsupervised Learning / Y. Wei, K.P. Chow, S.M. Yiu // Advances in Digital Forensics XVI / ed. by G. Peterson, S. Shenoi. – Cham: Springer, 2020. – P. 273–290. – (IFIP Advances in Information and Communication Technology; vol. 589). – DOI: 10.1007/978-3-030-56223-6_15.
Studiawan H., Sohel F. Anomaly detection in a forensic timeline with deep autoencoders / H. Studiawan, F. Sohel // Journal of Information Security and Applications. – 2021. – Vol. 63, art. no. 103002. – DOI: 10.1016/j.jisa.2021.103002.
Rodrigues F.B., Giozza W., Albuquerque R., Villalba L.J.G. Natural Language Processing Applied to Forensics Information Extraction With Transformers and Graph Visualization / F.B. Rodrigues, W. Giozza, R. Albuquerque, L.J.G. Villalba // IEEE Transactions on Computational Social Systems. – 2024. – Vol. 11, no. 4. – P. 4727–4743. – DOI: 10.1109/TCSS.2022.3159677.
Tundis A., Cauteruccio F. On Machine Learning for Digital Forensics Investigation in Network Traffic / A. Tundis, F. Cauteruccio // 2025 21st International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT). – P. 1027–1033. – DOI: 10.1109/DCOSS-IoT65416.2025.00155.
Vasan D., Alazab M., Wassan S., Safaei B., Zheng Q. Image-Based malware classification using ensemble of CNN architectures (IMCEC) / D. Vasan, M. Alazab, S. Wassan, B. Safaei, Q. Zheng // Computers & Security. – 2020. – Vol. 92, art. no. 101748. – DOI: 10.1016/j.cose.2020.101748.
Nataraj L., Karthikeyan S., Jacob G., Manjunath B.S. Malware images: visualization and automatic classification / L. Nataraj, S. Karthikeyan, G. Jacob, B.S. Manjunath // Proceedings of the 8th International Symposium on Visualization for Cyber Security (VizSec '11). – New York: Association for Computing Machinery, 2011. – P. 1–7. – DOI: 10.1145/2016904.2016908.
Dhabliya D., Gujar S.N., Dhabliya R., Chavan G.T., Kalnawat A., Bendale S.P. Temporal Intelligence in AI-Enhanced Cyber Forensics using Time-Based Analysis for Proactive Threat Detection / D. Dhabliya, S.N. Gujar, R. Dhabliya [et al.] // Journal of Electrical Systems. – 2023. – Vol. 19, № 3. – P. 126–146. – DOI: 10.52783/jes.659.
Islam U., Alwageed H.S., Farooq M.M.U., Khan I., Awwad F.A., Ali I., Abonazel M.R. Investigating the Effectiveness of Novel Support Vector Neural Network for Anomaly Detection in Digital Forensics Data / U. Islam, H.S. Alwageed, M.M.U. Farooq [et al.] // Sensors. – 2023. – Vol. 23, iss. 12, art. no. 5626. – DOI: 10.3390/s23125626.
Россинская Е.Р. Нейросети в судебной экспертологии и экспертной практике: проблемы и перспективы / Е.Р. Россинская // Вестник Университета имени О.Е. Кутафина (МГЮА). – 2024. – № 3 (115). – С. 21–33. – DOI: 10.17803/2311-5998.2024.115.3.021-033.
Кокин А.В., Денисов Ю.Д. Искусственный интеллект в криминалистике и судебной экспертизе: вопросы правосубъектности и алгоритмической предвзятости / А.В. Кокин, Ю.Д. Денисов // Теория и практика судебной экспертизы. – 2023. – Т. 18, № 2. – С. 30–37. – DOI: 10.30764/1819-2785-2023-2-30-37.
Kartal E. A Comprehensive Study on Bias in Artificial Intelligence Systems: Biased or Unbiased AI, That's the Question! / E. Kartal // International Journal of Intelligent Information Technologies. – 2022. – Vol. 18, no. 1. – P. 1–23. – DOI: 10.4018/IJIIT.309582.
Billah M. Explainable AI for Digital Forensics: Ensuring Transparency in Legal Evidence Analysis / M. Billah // Journal of Forensic Science and Research. – 2025. – Vol. 9, iss. 2. – P. 109–116. – DOI: 10.29328/journal.jfsr.1001089.
Wickramasekara A., Scanlon M. A Framework for Integrated Digital Forensic Investigation Employing AutoGen AI Agents / A. Wickramasekara, M. Scanlon // Conference: 2024 12th International Symposium on Digital Forensics and Security (ISDFS). – DOI: 10.1109/ISDFS60797.2024.10527235.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
