T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
20
ISSN:3030-3613
KLASTERLI MUHITDA DASTURLASH TILLARINI O'QITISH
METODIKASI
Mamatova Shirin Faxriyevna
Osiyo texnologiyalari universiteti magistranti
Normamatov Xayriddin Mengniyevich
Osiyo texnologiyalari universiteti magistranti
Annotatsiya
Klasterli muhitda dasturlash tillarini o‘qitish – zamonaviy yuqori unumli
hisoblash (HPC) va katta maʼlumotlar tahlili sohalariga mutaxassislar tayyorlashning
asosiy omilidir. Ushbu maqolada klaster arxitekturasi (bosh tugun, hisoblash tugunlari,
SLURM, MPI) asosida dasturlashni o‘qitishning
metodik jihatlari
tahlil qilinadi.
Parallel dasturlash tillari (MPI, OpenMP, Python kutubxonalari) va ularni
o‘zlashtirishda qo‘llaniladigan
bosqichma-bosqich yondashuv
korsatilgan: klaster
tuzilishini tushunishdan tortib, algoritmlarni parallelashtirishgacha. Maqolada
amaliy
misollar
orqali:
1.
MPI yordamida massiv yig‘indisini hisoblash (C),
2.
OpenMP bilan matritsalarni ko‘paytirish (C),
3.
mpi4py
va
Monte-Karlo usuli orqali
π hisoblash (Python)
kabi real vazifalar batafsil yoritiladi. Taʼlim jarayonini tashkil etishda
laboratoriya
mashgʻulotlari, modulli loyihalar, virtual muhitlar
ning ahamiyati vurg‘ulanadi.
Qiyinchiliklar (debugging, resurslar boshqaruvi) va ularning yechimlari keltirilgan,
shuningdek, klasterli muhit boshqa platformalar (oddiy PC, bulut xizmatlar)
bilan
taqqoslanadi
.
Xulosada,
ushbu
metodikaning
HPC
mutaxassislarini
tayyorlashdagi strategik roli taʼkidlangan.
Kalit soʻzlar:
Klasterli muhit, Parallel dasturlash, MPI (Message Passing
Interface), OpenMP, Dasturlash tillarini o‘qitish metodikasi, Yuqori unumli hisoblash
(HPC), Distributiv algoritmlar
Kirish
Zamonaviy ilmiy, muhandislik va biznes muammolari masshtabli hisoblash
resurslarini talab qiladi. Klasterli muhitlar – bir nechta mustaqil serverlar (tugunlar) tez
aloqa tarmog'i (odatda InfiniBand yoki yuqori tezlikdagi Ethernet) orqali bog'langan
arxitektura – bu talabni qondirishning samarali yo'li. Dasturlashni o'qitishda klasterli
muhitni joriy etish nafaqat parallel va distributiv hisoblash tamoyillarini o'zlashtirish,
balki talabalarni HPC (High-Performance Computing) va katta ma'lumotlar (Big Data)
sohalariga tayyorlash imkonini beradi. Ushbu maqola klasterli muhitda dasturlash
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
21
ISSN:3030-3613
tillarini o'qitishning metodik jihatlarini, afzalliklarini, qiyinchiliklarini va namunaviy
yondashuvlarini tahlil qiladi.
1. Klasterli muhit va uning o‘qitishdagi ahamiyati
Tushuncha:
Klaster – umumiy maqsad uchun birlashtirilgan, bitta tizim sifatida
ishlaydigan kompyuterlar guruhi. Tarkibida: bosh tugun (head node), hisoblash
tugunlari (compute nodes), tezkor tarmoq, parallel fayl tizimi (masalan, Lustre, NFS),
klaster boshqaruv dasturi (masalan, SLURM, PBS Pro).
O‘qitishdagi ahamiyati:
o
Real dunyo tajribasi:
Talabalar sanoat va ilmiy tadqiqotlarda keng
qo‘llaniladigan infrastrukturada ishlash tajribasini olishadi.
o
Murakkablikni tushunish:
Dastur ishlashiga protsessor soni, tarmoq
kechikishi, ma'lumotlar almashinuvining ta'siri kabi omillarni tushunish.
o
Parallel paradigma:
Dasturlarni parallel va distributiv tarzda tuzish,
ishlatish va optimallashtirish ko‘nikmalarini rivojlantirish.
o
Resurslardan samarali foydalanish:
Cheklangan resurslarni (vaqt,
protsessorlar) taqsimlash va boshqarish tamoyillari.
o
Karyera imkoniyatlari:
HPC, ma'lumotlar tahlili, sun'iy intellekt
sohalarida talab ortib bormoqda.
2. Klasterga mos dasturlash tillari va texnologiyalari
Asosiy e'tibor parallel dasturlash interfeyslari (API) va ularni qo‘llab-
quvvatlovchi tillarga qaratiladi:
MPI (Message Passing Interface):
Standart, ko‘p platformali, ko‘p tilni
qo‘llab-quvvatlovchi (C, C++, Fortran, Python). Tugunlararo aloqa uchun (MPI_Send,
MPI_Recv, MPI_Bcast, MPI_Reduce).
Afzallik:
Juda katta klasterlarda samarali,
nazorat darajasi yuqori.
Kamchilik:
Dasturlash nisbatan murakkab, xatolik topish
qiyin.
OpenMP (Open Multi-Processing):
Bitta tugundagi ko‘p yadroli protsessorlar
uchun. Direktivalar asosida (#pragma omp parallel).
Afzallik:
Oddiy, seriyali dasturni
parallelashtirish oson.
Kamchilik:
Faqat bir tugun (shared memory).
Python Parallel Kutubxonalari:
mpi4py (MPI uchun), multiprocessing (bitta
tugundagi ko‘p jarayonlar), concurrent.futures, Dask (katta ma'lumotlar uchun
distributiv hisoblash).
Afzallik:
Kirish osonligi, keng qo‘llanilishi.
Kamchilik:
Interpretatsiya tufayli ba'zi hollarda C/Fortrandan sekinroq.
Boshqalar:
Chapel, UPC (Partitioned Global Address Space modellari), Spark
(katta ma'lumotlar uchun Java/Scala asosida).
3. O‘qitish metodikasining asosiy tamoyillari
Bosqichma-bosqich yondashuv:
1.
Klaster tuzilishi va interfeys:
Tugunlar, boshqaruvchi, hisob yuritish
tizimi (SLURM skriptlari), fayl tizimi tushunchalari.
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
22
ISSN:3030-3613
2.
Parallel dasturlash asoslari:
Jarayonlar/potoklar, sinxronizatsiya, aloqa,
ma'lumotlar bo'linishi.
3.
MPI/OpenMP asosiy operatsiyalari:
Xabarlar uzatish, kollektiv
operatsiyalar, parallel region, potoklar sinxronizatsiyasi.
4.
Algoritmlarni parallelashtirish:
Domain Decomposition, Master-
Worker, Loop Parallelism.
5.
Ishlashni tahlil qilish va optimallashtirish:
Profayllash (gprof, perf,
mpiP), tor joylarni aniqlash, balanssizlik muammolari.
Amaliyotga urg‘u:
Nazariyadan ko‘ra amaliy topshiriqlar, kichik loyihalar,
tajriba o‘tkazish ustuvor.
Modullashtirilgan dasturlash:
Dastur alohida funktsiyalarga (modullarga)
bo‘linadi, ularni parallel ishlatish mumkin.
Xatoliklar va tuzatish:
Klasterdagi xatoliklarning o‘ziga xosligi (tarmoq
uzilishi, tugunlardagi nosozliklar), gdb/ddd kabi debuggerlarni parallel rejimda
ishlatish, keng log yozish.
Haqiqiy muammolarni yechish:
Ilmiy hisoblash, ma'lumotlarni qayta ishlash,
simulyatsiya kabi sohalardan misollar.
4. Amaliy misollar va metodik izohlar
4.1. Oddiy Parallel Yig‘indi (MPI - C)
Muammo:
Massiv elementlari yig‘indisini N ta protsessorga taqsimlab
hisoblash.
Metodik
maqsad:
MPI_Init,
MPI_Comm_size,
MPI_Comm_rank,
MPI_Scatter, MPI_Reduce kabi asosiy funksiyalarni o‘rganish, ma'lumotlarni bo‘lish
va natijani birlashtirish.
#include <mpi.h>
#include <stdio.h>
#include <stdlib.h>
int main(int argc, char** argv) {
MPI_Init(&argc, &argv);
int world_size, world_rank;
MPI_Comm_size(MPI_COMM_WORLD, &world_size);
MPI_Comm_rank(MPI_COMM_WORLD, &world_rank);
// Bosh protsess massiv yaratadi va to'ldiradi
int *data = NULL;
int data_count = 1000;
if (world_rank == 0) {
data = (int*)malloc(data_count * sizeof(int));
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
23
ISSN:3030-3613
for (int i = 0; i < data_count; i++) data[i] = i + 1;
}
// Har bir protsessga bo'linadigan qism hajmini aniqlash
int chunk_size = data_count / world_size;
int *local_data = (int*)malloc(chunk_size * sizeof(int));
// Bosh protsess ma'lumotlarni bo'lib yuboradi (Scatter)
MPI_Scatter(data, chunk_size, MPI_INT, local_data, chunk_size, MPI_INT,
0, MPI_COMM_WORLD);
// Har bir protsess o'z qismining yig'indisini hisoblaydi
int local_sum = 0;
for (int i = 0; i < chunk_size; i++) local_sum += local_data[i];
printf("Protsess %d: Lokal yig'indi = %d\n", world_rank, local_sum);
// Lokal yig'indilarni yig'ib, bosh protsessga yuborish (Reduce)
int global_sum;
MPI_Reduce(&local_sum, &global_sum, 1, MPI_INT, MPI_SUM, 0,
MPI_COMM_WORLD);
// Bosh protsess yakuniy natijani chiqaradi
if (world_rank == 0) {
printf("Global yig'indi = %d\n", global_sum);
free(data);
}
free(local_data);
MPI_Finalize();
return 0;
}
Ishga tushirish (SLURM skripti):
sbatch -N 4 -n 16 ./my_mpi_sum_program
4.2. Matritsalarni Ko‘paytirish (OpenMP - C)
Muammo:
Ikkita katta matritsani ko‘paytirishni bir tugundagi ko‘p yadrolar
orqali tezlashtirish.
Metodik maqsad:
Loop Parallelism, parallel for direktivasi, private/shared
o‘zgaruvchilar, ish yukini muvozanatlash (schedule).
#include <omp.h>
#include <stdio.h>
#include <stdlib.h>
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
24
ISSN:3030-3613
#define N 1024
int main() {
int **A = (int**)malloc(N * sizeof(int*));
int **B = (int**)malloc(N * sizeof(int*));
int **C = (int**)malloc(N * sizeof(int*));
for (int i = 0; i < N; i++) {
A[i] = (int*)malloc(N * sizeof(int));
B[i] = (int*)malloc(N * sizeof(int));
C[i] = (int*)malloc(N * sizeof(int));
// Matritsalarni to'ldirish (misol uchun)
for (int j = 0; j < N; j++) {
A[i][j] = rand() % 10;
B[i][j] = rand() % 10;
}
}
// Asosiy ko'paytirish tsikli (Parallel qilingan)
#pragma omp parallel for shared(A, B, C) private(i, j, k) schedule(dynamic)
for (int i = 0; i < N; i++) {
for (int j = 0; j < N; j++) {
C[i][j] = 0;
for (int k = 0; k < N; k++) {
C[i][j] += A[i][k] * B[k][j];
}
}
}
// Xotirani tozalash...
return 0;
}
Ishga tushirish:
export OMP_NUM_THREADS=8; ./my_omp_matrix_mult
4.3. Monte-Karlo usuli bilan π hisoblash (MPI + Python - mpi4py)
Muammo:
π sonini tasodifiy nuqtalar yordamida hisoblash (klasterda).
Metodik maqsad:
mpi4py dan foydalanish, Master-Worker modeli, natijalarni
yig‘ish from mpi4py import MPI
import numpy as np
import sys
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
25
ISSN:3030-3613
comm = MPI.COMM_WORLD
rank = comm.Get_rank()
size = comm.Get_size()
# Parametrlar
n_points = 1000000
# Umumiy nuqtalar
points_per_proc = n_points // size
# Har bir protsessga
# Har bir protsess o'ziga tasodifiy nuqtalar yaratadi va hisoblaydi
np.random.seed(rank)
# Har bir protsess uchun boshqa urug'
local_inside = 0
for i in range(points_per_proc):
x, y = np.random.random(2)
# [0, 1) oralig'ida
if x**2 + y**2 <= 1.0:
local_inside += 1
# Barcha protsesslardagi 'local_inside' larni yig'amiz (0- protsessga)
total_inside = comm.reduce(local_inside, op=MPI.SUM, root=0)
# 0-protsess natijani hisoblab chiqaradi
if rank == 0:
pi_estimate = 4.0 * total_inside / n_points
print(f"Taxminiy π qiymati: {pi_estimate} (Nuqtalar: {n_points})")
Ishga tushirish:
mpiexec -n 4 python pi_monte_carlo_mpi.py
5. O‘quv jarayonini tashkil etish metodikasi
Laboratoriya mashg‘ulotlari:
Har bir nazariy mavzu kichik amaliy
topshiriqlar bilan mustahkamlanadi (masalan, har bir MPI funksiyasi uchun alohida
misol).
Proyektlar:
Guruh (2-4 talaba) loyihalari. Masalan: klasterda ishlaydigan oddiy
qidiruv tizimi, katta matritsalar bilan ishlash, tabiiy tilni qayta ishlash algoritmi.
Baholash:
o
Dastur ishlashi:
To‘g‘rilik, parallel samaradorlik (tezlanish - Speedup,
samaradorlik - Efficiency), xotira sarfi.
o
Kod sifat:
Aniqlik, modullashtirish, izohlar.
o
Hisobot:
Muammo tavsifi, parallel yechim, natijalar tahlili (grafiklar),
xulosalar.
o
Demostratsiya va himoya:
Guruh ishini namoyish qilish va savollarga
javob berish.
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
26
ISSN:3030-3613
Virtual laboratoriya:
Talabalarga masofadan kirish imkoniyati (OpenStack,
Kubernetes klasterlari, bulut xizmatlari - AWS ParallelCluster, GCP Dataproc).
Raqobatbardoshlik:
"Eng tez" dastur, "Eng samarali" algoritm tanlovi.
6. Qiyinchiliklar va yechimlar
Qiyinchiliklar:
o
Murakkablik:
Parallel dasturlash seriyali dasturlashdan murakkab.
o
Dasturiy ta'minot va resurslar:
Klasterni sozlash, boshqarish, dasturiy
ta'minot o‘rnatish talab qiladi.
o
Xatoliklarni topish:
Parallel dasturlarda xatolik topish (race conditions,
deadlocks) juda qiyin.
o
Tezligi pasaytiruvchi omillar:
Tarmoq kechikishi, balanssiz yuk,
sinxronizatsiya narxi.
o
Talabalarning tayyorgarligi:
Algoritmik tafakkur, tizim dasturlash
bilimi talab etiladi.
Yechimlar:
o
Bosqichma-bosqich o‘rganish:
Oddiy misollardan murakkablarga.
o
Simulyatorlar:
Klaster muhitini simulyatsiya qiluvchi dasturlar (MPICH
ni o‘rnatmasdan ishlatish).
o
Kuchli debuggerlar:
TotalView, DDT (Arm Forge), gdb bilan mpirun.
o
Vizualizatsiya:
Parallel dastur jarayonini grafik tasvirlash (Paraver,
Vampir).
o
Namunalar va shablonlar:
To‘g‘ri ishlaydigan kod namunalari,
SLURM skript shablonlari.
o
Faol jamoaviy ishlash:
Masalalarni muhokama qilish, tajriba almashish.
7. Klaster vs Boshqa Muhitlar (Taqqoslash)
Oddiy Kompyuter (PC):
o
Afzallik:
Oddiy, kirish oson, shaxsiy.
o
Kamchilik:
Parallel imkoniyatlar cheklangan (faqat OpenMP, bir necha
yadro).
o
O‘qitishda:
Asosiy tushunchalar, OpenMP, multiprocessing uchun
yaxshi.
Bulutli Muhit (AWS, Azure, GCP):
o
Afzallik:
Cheksiz masshtablash, turli xil konfiguratsiyalar, tayyor HPC
xizmatlari.
o
Kamchilik:
Xarajat (tajriba uchun), tarmoq kechikishi kattaroq bo‘lishi
mumkin, konfiguratsiya murakkab.
o
O‘qitishda:
Haqiqiy tarqatilgan tizimlar, katta ma'lumotlar bilan ishlash.
Klaster (On-Premise):
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
27
ISSN:3030-3613
o
Afzallik:
Yuqori ishonchlilik, juda tez aloqa (InfiniBand), to‘g‘ridan-
to‘g‘ri nazorat.
o
Kamchilik:
Yuqori narx, texnik xizmat ko‘rsatish talabi, fizik joy.
o
O‘qitishda:
"Toza" HPC tajribasi, ekstremal parallel dasturlash, tizim
darajasidagi boshqaruv.
Xulosa
Klasterli muhitda dasturlashni o‘qitish – talabalarni zamonaviy texnologik
talablarga tayyorlashning muhim bosqichi. U parallel va distributiv hisoblashning
chuqur tamoyillarini, HPC texnologiyalarini, katta ma'lumotlarni qayta ishlash
usullarini o‘zlashtirish imkonini beradi. Muvaffaqiyatli metodika bosqichma-bosqich
yondashuv, kuchli amaliy komponent, real dunyo muammolariga e'tibor va klaster
muhitining o‘ziga xos qiyinchiliklarini bartaraf etish usullarini o‘z ichiga oladi.
Quyidagilarga e'tibor qaratish kerak:
1.
Tayanch tushunchalar:
Klaster arxitekturasi, MPI/OpenMP asoslari,
parallel algoritmlar.
2.
Amaliyot:
Kichik laboratoriya topshiriqlaridan tortib to katta guruh
loyihalarigacha.
3.
Tahlil:
Dastur ishlashini o‘lchash, optimallashtirish, xatoliklarni tuzatish.
4.
Zamonaviy vositalar:
mpi4py, Dask, kuchli debugger va profayllar.
5.
Tashkil etish:
Virtual muhitlar, aniq baholash mezonlari, faol o‘rganish
muhiti.
Klasterli muhitda dasturlashni o‘zlashtirgan mutaxassislar ilmiy tadqiqotlar,
ma'lumotlar tahlili, AI va murakkab modellashtirish sohalarida muhim rol o‘ynaydi.
O‘quv dasturlariga ushbu mavzuni integratsiyalash kelajak mutaxassislarini
tayyorlashda strategik ahamiyatga ega.
Adabiyotlar
1.
Normamatov, X. (2025). IMPROVING THE METHODOLOGY OF TEACHING
PROGRAMMING
LANGUAGES
BASED
ON
NETWORK
TECHNOLOGIES.
International Journal of Artificial Intelligence
,
1
(2), 656-662.
2.
Normamatov, X. (2025). APPLYING INTERNATIONAL EXPERIENCES IN
TEACHING PROGRAMMING TO HIGHER EDUCATION SPECIALIST
STUDENTS: CHALLENGES AND SOLUTIONS.
International Journal of
Artificial Intelligence
,
1
(2), 648-650.
3.
Normamatov, X. (2025). CHALLENGES AND SOLUTIONS IN TEACHING
PROGRAMMING: AN EXPLORATION OF GLOBAL AND LOCAL
PERSPECTIVES.
International Journal of Artificial Intelligence
,
1
(2), 651-655.
4.
Menginiyevich, N. X., & Bahodir o‘g‘li, N. B. (2025). IQTISODIY
MASALALARDA CHIZIQLI DASTURLASH MASALALARINI YECHISHDA
SIMPLEKS USUL ALGORITMI VA UNING TAHLILI.
Pedagogs
,
79
(1), 133-
136.
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
64-son_2-to’plam_Iyun-2025
28
ISSN:3030-3613
6.
Mengniyevich, N. H., & Abdirashid o‘g, O. R. A. (2025). OB’EKTLARNING
KESISHISH
NUQTALARI
VA
OPTIMIZATSIYA
MASALALARINI
ALGEBRAIK
VA
TRANSSENDENT
TENGLAMALARNI
TAQRIBIY
YECHISH USULLARI BILAN HAL QILISH.
Pedagogs
,
79
(1), 148-150.
7.
Mengniyevich, N. X., & Farxod o‘g‘li, X. D. (2025). MA’LUMOTLARNI
INTELLEKTUAL TAHLIL QILISH VA MASHINALI O ‘QITISH: MUAMMO
VA YECHIMLARI.
Pedagogs
,
79
(1), 137-147.
8.
Mengniyevich, N. X., & Farhod o‘g, X. J. E. (2025). JAMIYAT
TARAQQIYOTIDA
ROBOTOTEXNIKA,
AVTOMATLASHTIRISH
VA
SANOAT INTELLEKTUAL TIZIMLARI KIRIB KELISHINING SALBIY VA
IJOBIY TOMONLARI.
Pedagogs
,
79
(1), 128-132.
9.
Нормаматов, Х. М., & Абдуллаева, С. У. (2015). ЭФФЕКТИВНОСТЬ
ПРИМЕНЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ"
Э-БОЛЬНИЦА". In
Инновации в технологиях и образовании
(pp. 117-119).
10.
Нормаматов, Х. М. (2014). ЛИНЕЙНЫЕ СИСТЕМЫ В ЦИФРОВОЙ
ОБРАБОТКЕ СИГНАЛОВ. In
Инновации в строительстве глазами молодых
специалистов
(pp. 239-241).
11.
Шеров, Ж. Э., & Нормаматов, Х. М. (2015). АВТОМАТИЗАЦИЯ
УПРАВЛЕНИЯ ВЫСШЕГО УЧЕБНОГО ЗАВЕДЕНИЯ. In
Инновации в
технологиях и образовании
(pp. 178-182).
12.
Ruziev, Z. I., Kadirov, L. K., Ostonova, M. E., Baratov, B. S., & Ortiq, S. (2020).
The role of income tax individuals in replenishing state budget revenues.
Journal
of Advanced Research in Dynamical and Control Systems
,
12
(7 Special Issue),
2033-2037.
13.
Ibragimovna, I. F. (2024). THE POSITION OF WOMEN-GIRLS IN THE
SOCIAL-ECONOMIC LIFE OF UZBEKISTAN (1941-1945).
International
journal of advanced research in education, technology and management
,
3
(4), 272-
275.
14.
Nazarov, R. (2022). THE INFLUENCE OF SOCIAL NETWORKS ON THE
SPIRITUAL IMAGE OF THE INDIVIDUAL.
INTERNATIONAL JOURNAL OF
SOCIAL SCIENCE & INTERDISCIPLINARY RESEARCH ISSN: 2277-3630
Impact factor: 8.036
,
11
(01), 58-60.
15.
Hamraeva, N. (2022). The History of the Khiva Khanate's Relations Between
Neighboring Countries in" Shajaraii Turk".
Central Asian Journal of Social
Sciences and History
,
3
(1), 16-18.
16.
Akhmadova, N. A. Q. (2021). ESTABLISHING RELATIONS OF UZBEKISTAN
WITH THE UNO AND ITS SPECIALIZED AGENCIES.
Current Research
Journal of History
,
2
(06), 76-81.
17.
Ochilova, O. R. (2024). XALQ TABOBATI VAKILLARI VA ULARNING
MUOLAJA USULLARI. «Ёш олимлар ахборотномаси»–«Вестник молодых
ученых», (Спецвыпуск), 71-74.
