CN108810230B - 一种获取来电提示信息的方法、装置及设备 - Google Patents
一种获取来电提示信息的方法、装置及设备 Download PDFInfo
- Publication number
- CN108810230B CN108810230B CN201710282748.9A CN201710282748A CN108810230B CN 108810230 B CN108810230 B CN 108810230B CN 201710282748 A CN201710282748 A CN 201710282748A CN 108810230 B CN108810230 B CN 108810230B
- Authority
- CN
- China
- Prior art keywords
- data
- telephone number
- malicious
- target
- target telephone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013210 evaluation model Methods 0.000 claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 42
- 239000000284 extract Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 230000001737 promoting effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/57—Arrangements for indicating or recording the number of the calling subscriber at the called subscriber's set
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/57—Arrangements for indicating or recording the number of the calling subscriber at the called subscriber's set
- H04M1/575—Means for retrieving and displaying personal data about calling party
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72484—User interfaces specially adapted for cordless or mobile telephones wherein functions are triggered by incoming communication events
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
- Telephone Function (AREA)
Abstract
本发明公开了一种获取来电提示信息的方法,包括:获取与终端上来电的目标电话号码相关联的数据,数据包括与目标电话号码关联的互联网数据和电信数据;确定目标电话号码不在终端的电话联系人列表时,从数据中提取出表征各维度的特征;将各维度的特征输入到电话评估模型中,确定目标电话号码的恶意指数,恶意指数反应目标电话号码为恶意号码的程度;当恶意指数大于恶意阈值时,确定目标电话号码为恶意号码,向终端发送针对来电的告警提示信息。本申请实施例提供的获取来电提示信息的方法,可以确定终端上来电的目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种获取来电提示信息的方法、装置及设备。
背景技术
随着电信网络和移动通信网络的成熟,基本上每个人都有例如手机等通信设备,通过拨打电话就可以找到熟悉的人或者陌生的人,给广大用户带来了很大的方便。
虽然通信网络的成熟给广大用户带来了很大方便,但是由于电话号码泄漏严重,导致用户经常会接听到推销电话或者诈骗电话,也给广大用户造成了很多困扰,不仅因为接听到电话被骚扰,而且还有很多用户被成功诈骗,造成了财产损失和精神伤害。
如何能有效的提示骚扰电话和诈骗电话,成了亟待解决的问题。
发明内容
为了能更好的提示骚扰电话和诈骗电话,本申请实施例提供一种获取来电提示信息的方法,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。本申请实施例还提供了相应的装置及设备。
本申请第一方面提供一种获取来电提示信息的方法,包括:
获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;
确定所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
将所述各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
当所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息。
本申请第二方面提供一种电话评估模型建立的方法,包括:
获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
本申请第三方面提供一种获取来电提示信息的装置,包括:
获取程序模块,用于获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;
第一确定程序模块,用于确定所述获取程序模块获取的所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
第二确定程序模块,用于将所述第一确定程序模块提取的各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
第三确定程序模块,用于当所述第二确定程序模块确定的所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息。
本申请第四方面提供一种电话评估模型建立的装置,包括:
获取程序模块,用于获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
模型训练程序模块,用于根据所述获取程序模块获取的所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
本申请第五方面提供一种计算机设备,包括:输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有第一方面所述的获取来电提示信息的指令;
所述处理器用于执行存储器中存储的获取来电提示信息的指令,执行如第一方面所述的获取来电提示信息的方法的步骤。
本申请第六方面提供一种计算机设备,包括:输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有第二方面所述的电话评估模型建立的指令;
所述处理器用于执行存储器中存储的电话评估模型建立的指令,执行如第二方面所述的电话评估模型建立的方法的步骤。
本申请的又一方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本申请的又一方面提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
与现有技术中无法较好的对骚扰电话和诈骗电话进行提示相比,本申请实施例提供的获取来电提示信息的方法,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。
附图说明
图1是本申请实施例中分布式***一网络架构示意图;
图2是本申请实施例中拟化场景下分布式***的结构示意图;
图3是本申请实施例中电话评估模型建立的方法的一实施例示意图;
图4是本申请实施例提供的电话评估模型建立的方法的另一实施例示意图;
图5是本申请实施例中获取来电提示信息的方法的一实施例示意图;
图6是本申请实施例中获取来电提示信息的方法的一场景示例示意图;
图7是本申请实施例中获取来电提示信息的方法的另一实施例示意图;
图8是本申请实施例中获取来电提示信息的装置的一实施例示意图;
图9是本申请实施例中获取来电提示信息的装置的另一实施例示意图;
图10是本申请实施例中电话评估模型建立的装置的一实施例示意图;
图11是本申请实施例中计算机设备的一实施例示意图。
具体实施方式
下面结合附图,对本发明的实施例进行描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。本领域普通技术人员可知,随着技术的发展,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
本发明实施例提供一种获取来电提示信息的方法,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。本申请实施例还提供了相应的装置及设备。以下分别进行详细说明。
日常生活中,用户经常会接听到各种产品推销电话或者诈骗电话,如果只以该来电的电话号码不在电话联系人列表中,显示出该次来电时陌生人来电,就拒绝接听的话很可能会错掉很多重要的电话,这给用户的日常生活造成了很大的困扰。虽然有一些软件应用可以对来电的电话号码给出一些提示,可以根据来电的电话号码的被用户标记的次数识别该电话号码是否属于骚扰电话,但是这种提示方式的只以被标记情况做判断,没有被标记过的电话号码则无法识别,导致针对来电提示的准确度不高。
本申请实施例不仅依赖电信数据,还依赖互联网数据,将电信数据与互联网数据进行结合,通过机器学习算法对电话号码的评估做出电话评估模型,然后通过电话评估模型对来电的电话号码进行评估,确定来电的电话号码是恶意指数,然后根据该恶意指数做出告警提示,因为对电话号码分析的维度多,分析的准确度更高,从而有效的提示了骚扰电话和诈骗电话。
本申请实施例中的恶意号码指以推销或者诈骗为目的的电话号码,也就是通常所说的推销电话号码或者诈骗电话号码。
本申请实施例中的电信数据通常包括各电话号码的联系人列表,以及各电话号码接入或者呼出的电话记录。互联网数据通常包括网络上对各电话号码的标记情况,如一些推销电话或者诈骗电话被用户在网上做了推销或者诈骗的标记。互联网数据还包括使用该电话号码与一些应用之间的关联关系,尤其是一些社交应用,如微信或者QQ等社交应用。与这些应用相关联的数据,如微信的联系人列表和QQ的联系人列表等数据,当然,互联网数据可以有更多,本处只是以这几个为例进行介绍,其他与电话号码能产生管理的互联网数据都可以适用。
本申请实施例中涉及到对电话评估模型的建立和使用,电话评估模型是指能计算出电话号码的恶意指数,也就是恶意程度的模型或者算法。
无论是对电话评估模型的建立还是使用,都需要基于后台计算设备来实现,后台计算设备通常以集群的形式存在,当然,也可以是独立的计算设备。下面以集群的形式为例进行介绍。
如图1所示,图1为本申请实施例中分布式***一网络架构示意图;
本申请实施例所提供的分布式***包括主控节点(Master)10、网络20和多个工作节点(Worker)30,主控节点10和多个工作节点30可以通过网络20 通信,该分布式***中的多个工作节点负责存储各种电信数据和互联网数据,该主控节点在本申请实施例中可以为获取来电提示信息的装置或者电话评估模型建立的,负责根据各工作节点所记录的电信数据和互联网数据建立电话评估模型或者确定终端上来电的目标电话号码的恶意指数,该恶意指数反应所述目标电话号码为恶意号码的程度。当确定出是恶意号码时,向终端发送告警提示信息。本申请实施例中的主控节点10可以有一个,也可以有多个。例如,为了保证***的可靠性,可以部署一个备用的主控节点,用于在当前运行的主控节点负载过高时,分担一部分负载,或者在当前运行的主控节点发生故障时,接替该主控节点的工作。主控节点10和工作节点30都可以是物理主机。
该分布式***还可以是虚拟化的***,该分布式***在虚拟化场景下的表现形式如图2所示,该虚拟化场景下的分布式***包括硬件层和运行在硬件层之上的虚拟机监控器(VMM)1001,以及多个虚拟机1002。可以选择一个或者多个虚拟机作为主控节点,以及多个虚拟机作为工作节点。
具体的,虚拟机1002:通过虚拟机软件在公共硬件资源上模拟出的一台或者多台虚拟的计算机,而这些虚拟机就像真正的计算机那样进行工作,虚拟机上可以安装操作***和应用程序,虚拟机还可访问网络资源。对于在虚拟机中运行的应用程序而言,虚拟机就像是在真正的计算机中进行工作。
硬件层:虚拟化环境运行的硬件平台,可以由一个或多个物理主机的硬件资源抽象得到的。其中,硬件层可包括多种硬件,例如包括处理器1004(例如 CPU)和存储器1005,还可以包括网卡1003(例如RDMA网卡)、高速/低速输入/输出(I/O,Input/Output)设备,及具有特定处理功能的其它设备。
另外,该虚拟化场景下的分布式***还可以包括宿主机(Host):作为管理层,用以完成硬件资源的管理、分配;为虚拟机呈现虚拟硬件平台;实现虚拟机的调度和隔离。其中,Host可能是虚拟机监控器(VMM);此外,有时VMM 和1个特权虚拟机配合,两者结合组成Host。其中,虚拟硬件平台对其上运行的各个虚拟机提供各种硬件资源,如提供虚拟处理器(如VCPU)、虚拟内存、虚拟磁盘、虚拟网卡等等。其中,该虚拟磁盘可对应Host的一个文件或者一个逻辑块设备。虚拟机运行在Host为其准备的虚拟硬件平台上,Host上运行一个或多个虚拟机。
特权虚拟机:一种特殊的虚拟机,亦可称为驱动域,例如这种特殊的虚拟机在XenHypervisor平台上被称作Dom0,在该虚拟机中安装了例如网卡、SCSI 磁盘等真实物理设备的驱动程序,能检测和直接访问这些真实物理设备。其他虚拟机利用Hypervisor提供的相应机制通过特权虚拟机访问真实物理设备。
以上是应该于本申请的网络架构的描述,下面结合网络架构先描述本申请实施例中的电话评估模型建立的方法。
如图3所示,本申请实施例提供的电话评估模型建立的方法的一实施例包括:
101、获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据。
第一类数据为已经标记过的属于恶意用户的数据,也就是进行电话推销的用户数据,或者实施过电话诈骗的用户数据。第二类数据为正常用户数据,没有发生过推销行为和诈骗行为。
第一类数据和第二类数据都有多个,其中,每个数据都对应一个电话号码,称与数据对应的电话号码为指定电话号码。
102、根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
与现有技术相比,本申请实施例提供的电话评估模型建立的方法可以建立电话评估模型,用于评估来电的电话号码,从而针对骚扰电话和诈骗电话能给用户做出准确的提示。
其中,所述根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型,可以包括:
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
使用所述每个数据中表征各维度的特征对如下初始评估模型进行训练;
所述初始评估模型为:
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述每个数据中表征各维度的特征;
θ为权值矩阵;所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵;
通过所述每个数据中表征各维度的特征训练得到所述θ的取值,以得到所述电话评估模型。
其中,所述从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征,可以包括:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和与所述指定电话号码关联的应用中联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
本申请实施例中的各维度的特征例如可以包括:
针对指定电话号码的网络标记属性,该属性可以是诈骗电话或者骚扰电话,骚扰电话可以包括贷款推销、房产中介和保险推销等一系列的骚扰类型的电话。
与所述指定电话号码关联的应用可以包括与该电话号码关联的微信或者 QQ或者其他社交应用,例如:使用该电话号码注册过的应用,或者在该电话号码所在的终端上登录过的应用。
与所述指定电话号码关联的应用中联系人属性,例如:微信的联系人列表中包含一个或多个与推销电话或者诈骗电话相关联的好友,或者与某些微信好友的聊天内容涉及到推销或者诈骗。
电信数据中与所述指定电话号码关联的联系人属性可以是该指定电话号码的联系人列表中是否包含被标记为骚扰或者诈骗的电话。
关于各维度的特征的取值,若各种情况包含有诈骗属性或者骚扰属性的联系人,则该维度的取值可以为1,若不包含,则该维度的取值可以为0。
各维度的取值为x矩阵中各个x的值,因为在模型训练过程中使用的都是样本数据,所以hθ(x)的取值是已知的,通过多个样本就可以训练出θ的取值,从而得到电话评估模型。
为了更形象的表达本申请实施例中电话评估模型的训练过程,下面结合图 4描述本申请实施例中的电话评估模型的建立过程。
如图4所示,在模型训练的过程中,将该训练过程分为两个部分,一部分为后台部分,一部分为训练部分。
其中,后台部分存储有电信数据和互联网数据,将电信数据和互联网数据进行联合,得到用户全量数据。该实施例中的用户全量数据中每个数据都包括针对一个指定电话号码的电信数据和互联网数据,数据内容可以参阅上述部分的描述进行理解,该处不再重复赘述。
在训练部分,包括A、B、C、D和E五个步骤,其中,各步骤分别为:
A:从用户全量数据中划分出恶意用户数据。
恶意用户数据为已经标记过的属于恶意用户的数据,也就是进行电话推销的用户数据,或者实施过电话诈骗的用户数据。
B:从用户全量数据中划分出正常用户数据。
正常用户数据为没有发生过推销行为和诈骗行为的用户数据。
C:从恶意用户数据和正常用户数据中分别提取出各维度的特征。
各维度的特征也就是上述所描述的x矩阵中各个x的值。
D:分类算法建模。
因为在模型训练过程中使用的都是样本数据,所以hθ(x)的取值是已知的,通过多个样本就可以训练出θ的取值,从而得到电话评估模型。
E:电话评估模型。
以上是对电话评估模型的建立过程的描述,下面结合附图描述本申请实施例中使用电话评估模型对目标电话号码进行评估的过程。
参阅图5,本申请实施例提供的获取来电提示信息的方法的一实施例包括:
201、获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据。
本申请实施例中可以是在终端上安装一个具有电话号码分析功能的应用,当终端上来电时,通过该应用将来电的目标电话号码上报给后台设备,如图1 中的主控节点。后台设备根据该目标电话号码,从存储设备中获取与该目标电话号码相关联的互联网数据和电信数据。
202、确定所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征。
可以根据电信数据确定目标电话号码是否在该来电终端的电话联系人列表中,若不在,则可以确定是陌生人来电,则从与该目标电话号码相关联的电信数据和互联网数据中提取出表征各维度的特征。
其中,从所述数据中提取出表征各维度的特征,可以包括:
从与所述目标电话号码关联的互联网数据中提取出网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个特征;
从与所述目标电话号码关联的电信数据中提取出与所述目标电话关联的联系人属性的特征。
也就是说,表征各维度的特征可以包括网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个特征,以及与所述目标电话关联的联系人属性的特征。
本申请实施例中的各维度的特征例如可以包括:
针对目标电话号码的网络标记属性,该属性可以是诈骗电话或者骚扰电话,骚扰电话可以包括贷款推销、房产中介和保险推销等一系列的骚扰类型的电话。
与所述目标电话号码关联的应用可以包括与该电话号码关联的微信或者 QQ或者其他社交应用,例如:使用该电话号码注册过的应用,或者在该电话号码所在的终端上登录过的应用。
与所述目标电话号码关联的应用中联系人属性,例如:微信的联系人列表中包含一个或多个与推销电话或者诈骗电话相关联的好友,或者与某些微信好友的聊天内容涉及到推销或者诈骗。
电信数据中与所述目标电话号码关联的联系人属性可以是该目标电话号码的联系人列表中是否包含被标记为骚扰或者诈骗的电话。
203、将所述各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度。
可选地,该步骤可以包括:
根据如下电话评估模型确定所述目标电话号码的恶意指数;
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个,以及与所述目标电话关联的联系人属性的特征;
θ为权值矩阵,在所述电话评估模型训练过程中得到的所述权值矩阵中的各权值的取值,所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵。
该计算过程中,因x和θ的值都是已知值,所以可以计算出hθ(x)的值,例如:hθ(x)=0.7。
实际上,也可以有终端来确定该目标电话号码是否在终端的电话联系人列表中,若确定不在电话联系人列表中,则向后台设备,例如主控节点发送该目标电话号码。
204、当所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息。
如果恶意阈值为0.5,则可以确定hθ(x)大于0.5时,则该目标电话号码为恶意号码,如果hθ(x)小于0.5,则该目标电话号码为非恶意号码。针对恶意号码则向终端发送告警提示信息。
如图6所示,对终端上的来电进行告警提示的过程可以是:终端上有电话呼入后,向后台设备上报呼入的目标电话号码134-5513-4126,后台设备依据上述图5的过程确定出该目标电话号码134-5513-4126为恶意指数hθ(x)=0.7,该恶意指数大于恶意阈值0.5,则可以确定该目标电话号码134-5513-4126为恶意号码,向该终端发出告警提示信息。
图6中所示出的两个终端实际上是同一个终端,只是为了区分前后无告警提示和有告警提示的区别进而用两个终端示意图表达。
与现有技术中无法较好的对骚扰电话和诈骗电话进行提示相比,本申请实施例提供的获取来电提示信息的方法,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。
结合图4所示的电话评估模型的建立过程,本申请实施例提供的获取来电提示信息的方法还可以参阅图7的过程进行理解。实际上,模型训练的过程可以是离线训练,也可以是在线训练的过程。
其中,后台部分存储有电信数据和互联网数据,将电信数据和互联网数据进行联合,得到用户全量数据。该实施例中的用户全量数据中每个数据都包括针对一个指定电话号码的电信数据和互联网数据,数据内容可以参阅上述部分的描述进行理解,该处不再重复赘述。
在训练部分,包括A、B、C、D和E五个步骤,其中,各步骤分别为:
A:从用户全量数据中划分出恶意用户数据。
恶意用户数据为已经标记过的属于恶意用户的数据,也就是进行电话推销的用户数据,或者实施过电话诈骗的用户数据。
B:从用户全量数据中划分出正常用户数据。
正常用户数据为没有发生过推销行为和诈骗行为的用户数据。
C:从恶意用户数据和正常用户数据中分别提取出各维度的特征。
各维度的特征也就是上述所描述的x矩阵中各个x的值。
D:分类算法建模。
因为在模型训练过程中使用的都是样本数据,所以hθ(x)的取值是已知的,通过多个样本就可以训练出θ的取值,从而得到电话评估模型。
E:电话评估模型。
F:当有陌生人来电时,获取与目标电话号码相关联的数据。
然后再执行步骤C:从与目标电话号码相关联的数据中提取恶意特征。
然后将恶意特征输入到电话评估模型中,得到步骤G的预测结果。
预测结果包括正常和恶意,若是恶意,则向终端发送告警提示信息。
以上为对电话评估模型的建立以及使用电话评估模型获取来电提示信息的过程的描述,下面结合附图介绍本申请实施例中的获取来电提示信息的装置和电话评估模型建立的装置。
参阅图8,本申请实施例提供的获取来电提示信息的装置40的一实施例包括:
获取程序模块401,用于获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;
第一确定程序模块402,用于确定所述获取程序模块401获取的所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
第二确定程序模块403,用于将所述第一确定程序模块402提取的各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
第三确定程序模块404,用于当所述第二确定程序403模块确定的所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息。
与现有技术中无法较好的对骚扰电话和诈骗电话进行提示相比,本申请实施例提供的获取来电提示信息的装置,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。
可选地,本申请实施例提供的获取来电提示信息的装置的另一实施例中,
所述第一确定程序模块402用于:
从与所述目标电话号码关联的互联网数据中提取出网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个特征;
从与所述目标电话号码关联的电信数据中提取出与所述目标电话关联的联系人属性的特征。
可选地,本申请实施例提供的获取来电提示信息的装置的另一实施例中,
所述第二确定程序模块403用于:
根据如下电话评估模型确定所述目标电话号码的恶意指数;
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个,以及与所述目标电话关联的联系人属性的特征;
θ为权值矩阵,在所述电话评估模型训练过程中得到的所述权值矩阵中的各权值的取值,所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵。
可选地,参阅图9,本申请实施例提供的获取来电提示信息的装置的另一实施例中,装置40还包括模型训练程序模块405,
所述获取程序模块401还用于:获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
所述模型训练程序模块405,用于根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
可选地,本申请实施例提供的获取来电提示信息的装置的另一实施例中,
所述模型训练程序模块405用于:
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
使用所述每个数据中表征各维度的特征对如下初始评估模型进行训练;
所述初始评估模型为:
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述每个数据中表征各维度的特征;
θ为权值矩阵;所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵;
通过所述每个数据中表征各维度的特征训练得到所述θ的取值,以得到所述电话评估模型。
可选地,本申请实施例提供的获取来电提示信息的装置的另一实施例中,
所述模型训练程序模块405用于:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和与所述指定电话号码关联的应用中联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
以上是对获取来电提示信息的装置的描述,可以结合图1至图7部分的相关方法进行理解,本处不再重复赘述。
参阅图10,本申请实施例提供的电话评估模型建立的装置50的一实施例包括:
获取程序模块501,用于获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
模型训练程序模块502,用于根据所述获取程序模块501获取的所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
与现有技术相比,本申请实施例提供的电话评估模型建立的方法可以建立电话评估模型,用于评估来电的电话号码,从而针对骚扰电话和诈骗电话能给用户做出准确的提示。
可选地,本申请实施例提供的电话评估模型建立的装置50的另一实施例中,
所述模型训练程序模块502用于:
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
使用所述每个数据中表征各维度的特征对如下初始评估模型进行训练;
所述初始评估模型为:
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述每个数据中表征各维度的特征;
θ为权值矩阵;所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵;
通过所述每个数据中表征各维度的特征训练得到所述θ的取值,以得到所述电话评估模型。
可选地,本申请实施例提供的电话评估模型建立的装置50的另一实施例中,
所述模型训练程序模块502用于:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和与所述指定电话号码关联的应用中联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
本申请实施例提供的电话评估模型建立的装置50可以参阅图1至图7部分的相应描述进行理解,本处不再做重复赘述。
图11是本发明实施例提供的计算机设备60的结构示意图。所述计算机设备 60包括处理器610、存储器650和收发器630,存储器650可以包括只读存储器和随机存取存储器,并向处理器610提供操作指令和数据。存储器650的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中,存储器650存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
在本发明实施例中,通过调用存储器650存储的操作指令(该操作指令可存储在操作***中),
获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;
确定所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
将所述各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
当所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息。
与现有技术中无法较好的对骚扰电话和诈骗电话进行提示相比,本申请实施例提供的获取来电提示信息的装置,可以通过对与终端上来电的目标电话号码相关联的互联网数据和电信数据进行分析,确定该目标电话号码的恶意程度,根据该恶意程度进行告警提示,从而有效的提示了骚扰电话和诈骗电话。
处理器610控制计算机设备60的操作,处理器610还可以称为CPU(CentralProcessing Unit,中央处理单元)。存储器650可以包括只读存储器和随机存取存储器,并向处理器610提供指令和数据。存储器650的一部分还可以包括非易失性随机存取存储器(NVRAM)。具体的应用中计算机设备60的各个组件通过总线***620耦合在一起,其中总线***620除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线***620。
上述本发明实施例揭示的方法可以应用于处理器610中,或者由处理器610 实现。处理器610可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器610中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器610可以是通用处理器、数字信号处理器 (DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器650,处理器610读取存储器650中的信息,结合其硬件完成上述方法的步骤。
可选地,处理器610用于:
从与所述目标电话号码关联的互联网数据中提取出网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个特征;
从与所述目标电话号码关联的电信数据中提取出与所述目标电话关联的联系人属性的特征。
可选地,处理器610用于:
根据如下电话评估模型确定所述目标电话号码的恶意指数;
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述网络标记属性和与所述目标电话号码关联的应用中联系人属性中的至少一个,以及与所述目标电话关联的联系人属性的特征;
θ为权值矩阵,在所述电话评估模型训练过程中得到的所述权值矩阵中的各权值的取值,所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵。
可选地,处理器610还用于:
获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
可选地,处理器610用于:
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
使用所述每个数据中表征各维度的特征对如下初始评估模型进行训练;
所述初始评估模型为:
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述每个数据中表征各维度的特征;
θ为权值矩阵;所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵;
通过所述每个数据中表征各维度的特征训练得到所述θ的取值,以得到所述电话评估模型。
可选地,处理器610用于:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和与所述指定电话号码关联的应用中联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
以上对计算机设备60的描述可以参阅图1至图7部分的描述进行理解,本处不再重复赘述。
另外,电话评估模型建立的装置的实际物理形态也可以参阅图11部分的硬件结构进行理解,相应的硬件功能用于完成如下步骤:
处理器610用于:
获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;
根据所述第一类数据和所述第二类数据,训练初始评估模型,以得到所述电话评估模型。
可选地,处理器610用于:
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
使用所述每个数据中表征各维度的特征对如下初始评估模型进行训练;
所述初始评估模型为:
hθ(x)和g(θTx)为恶意指数;
x为矩阵,所述x包括所述每个数据中表征各维度的特征;
θ为权值矩阵;所述θ的个数与所述x的个数对应,所述θT表示θ的转置矩阵;
通过所述每个数据中表征各维度的特征训练得到所述θ的取值,以得到所述电话评估模型。
可选地,处理器610用于:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和与所述指定电话号码关联的应用中联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
以上对计算机设备中相应功能的描述,可以参阅图1至图7部分的相应描述进行理解,本处不再重复赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上对本发明实施例所提供的获取来电提示信息的方法、电话评估模型建立的方法、装置以及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种获取来电提示信息的方法,其特征在于,包括:
获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;所述互联网数据至少包括与应用相关联的数据,所述应用与所述目标电话号码具有关联关系;
确定所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
将所述各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
当所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息;
其中,所述从所述数据中提取出表征各维度的特征,包括:
从与所述目标电话号码关联的互联网数据中提取出网络标记属性和所述应用中的 联系人属性中的至少一个特征;
从与所述目标电话号码关联的电信数据中提取出与所述目标电话关联的联系人属性的特征。
3.一种电话评估模型建立的方法,其特征在于,包括:
获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;所述互联网数据至少包括与应用相关联的数据,所述应用与所述指定电话号码具有关联关系;
从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;
依据所述每个数据中表征各维度的特征对初始评估模型进行训练得到电话评估模型;
其中,从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征包括:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和所述应用中的 联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
5.一种获取来电提示信息的装置,其特征在于,包括:
获取程序模块,用于获取与终端上来电的目标电话号码相关联的数据,所述数据包括与所述目标电话号码关联的互联网数据和电信数据;所述互联网数据至少包括与应用相关联的数据,所述应用与所述目标电话号码具有关联关系;
第一确定程序模块,用于确定所述获取程序模块获取的所述目标电话号码不在所述终端的电话联系人列表时,从所述数据中提取出表征各维度的特征;
第二确定程序模块,用于将所述第一确定程序模块提取的各维度的特征输入到电话评估模型中,确定所述目标电话号码的恶意指数,所述恶意指数反应所述目标电话号码为恶意号码的程度;
第三确定程序模块,用于当所述第二确定程序模块确定的所述恶意指数大于恶意阈值时,确定所述目标电话号码为恶意号码,向所述终端发送针对来电的告警提示信息;
其中,所述第一确定程序模块具体用于:
从与所述目标电话号码关联的互联网数据中提取出网络标记属性和所述应用中的 联系人属性中的至少一个特征;
从与所述目标电话号码关联的电信数据中提取出与所述目标电话关联的联系人属性的特征。
7.一种电话评估模型建立的装置,其特征在于,包括:
获取程序模块,用于获取被选为样本的第一类数据和第二类数据,所述第一类数据为恶意对象数据,所述第二类数据为非恶意对象数据,所述第一类数据和所述第二类数据中的每个数据都包括与指定电话号码关联的互联网数据和电信数据;所述互联网数据至少包括与应用相关联的数据,所述应用与所述指定电话号码具有关联关系;
模型训练程序模块,用于从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征;依据所述每个数据中表征各维度的特征对初始评估模型进行训练得到电话评估模型;
其中,所述模型训练程序模块从所述第一类数据和所述第二类数据的每个数据中提取出表征各维度的特征,具体包括:
从所述每个数据的互联网数据中提取出与所述每个数据中的指定电话号码关联的网络标记属性和所述应用中的 联系人属性中的至少一个特征;
从所述每个数据的电信数据中提取出与所述指定电话号码关联的联系人属性的特征。
9.一种计算机设备,其特征在于,包括:输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有指令;
所述处理器用于运行所述指令,以执行如权利要求1-2任一所述的获取来电提示信息的方法。
10.一种计算机设备,其特征在于,包括:输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有指令;
所述处理器用于运行所述指令,以执行如权利要求3-4任一所述的电话评估模型建立的方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710282748.9A CN108810230B (zh) | 2017-04-26 | 2017-04-26 | 一种获取来电提示信息的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710282748.9A CN108810230B (zh) | 2017-04-26 | 2017-04-26 | 一种获取来电提示信息的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108810230A CN108810230A (zh) | 2018-11-13 |
CN108810230B true CN108810230B (zh) | 2021-04-27 |
Family
ID=64069296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710282748.9A Active CN108810230B (zh) | 2017-04-26 | 2017-04-26 | 一种获取来电提示信息的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108810230B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111654866A (zh) * | 2020-05-29 | 2020-09-11 | 北京合力思腾科技股份有限公司 | 移动通讯防诈骗的方法、装置及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102447771A (zh) * | 2010-10-08 | 2012-05-09 | Tcl集团股份有限公司 | 显示呼叫方信息的方法及应用该方法的通信终端 |
CN107508991A (zh) * | 2017-08-30 | 2017-12-22 | 珠海市魅族科技有限公司 | 一种通信处理方法及装置、终端和可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8737962B2 (en) * | 2012-07-24 | 2014-05-27 | Twilio, Inc. | Method and system for preventing illicit use of a telephony platform |
CN104469025B (zh) * | 2014-11-26 | 2017-08-25 | 杭州东信北邮信息技术有限公司 | 一种基于聚类算法的实时拦截诈骗电话的方法和*** |
CN105704719B (zh) * | 2014-11-28 | 2019-05-24 | ***通信集团公司 | 一种实现骚扰***控策略优化的方法和装置 |
CN106302938B (zh) * | 2015-05-22 | 2020-04-07 | 腾讯科技(深圳)有限公司 | 通信事件处理方法和装置 |
CN105611084B (zh) * | 2016-01-29 | 2019-04-09 | 中国联合网络通信集团有限公司 | 一种欺诈用户的可疑度计算方法及可疑度计算*** |
CN105812536A (zh) * | 2016-03-08 | 2016-07-27 | 北京珠穆朗玛移动通信有限公司 | 一种来电管理方法及移动终端 |
CN106255116A (zh) * | 2016-08-24 | 2016-12-21 | 王瀚辰 | 一种骚扰号码的识别方法 |
-
2017
- 2017-04-26 CN CN201710282748.9A patent/CN108810230B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102447771A (zh) * | 2010-10-08 | 2012-05-09 | Tcl集团股份有限公司 | 显示呼叫方信息的方法及应用该方法的通信终端 |
CN107508991A (zh) * | 2017-08-30 | 2017-12-22 | 珠海市魅族科技有限公司 | 一种通信处理方法及装置、终端和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108810230A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395159B (zh) | 一种日志检测方法、***、设备及介质 | |
CN109117250B (zh) | 一种模拟器识别方法、识别设备及计算机可读介质 | |
CN108900353B (zh) | 故障告警方法及终端设备 | |
US10165003B2 (en) | Identifying an imposter account in a social network | |
CN109062667B (zh) | 一种模拟器识别方法、识别设备及计算机可读介质 | |
CN114095567B (zh) | 数据访问请求的处理方法、装置、计算机设备及介质 | |
CN107948199B (zh) | 一种对终端共享接入进行快速检测的方法及装置 | |
CN114253864A (zh) | 一种业务测试方法、装置、电子设备及存储介质 | |
CN109815702A (zh) | 软件行为的安全检测方法、装置及设备 | |
CN110688319B (zh) | 应用保活能力测试方法及相关装置 | |
CN108810230B (zh) | 一种获取来电提示信息的方法、装置及设备 | |
US20220131900A1 (en) | Machine learning-based techniques for identifying deployment environments and enhancing security thereof | |
CN113065748A (zh) | 业务风险评估方法、装置、设备及存储介质 | |
CN117093627A (zh) | 信息挖掘的方法、装置、电子设备和存储介质 | |
CN115022201B (zh) | 一种数据处理功能测试方法、装置、设备及存储介质 | |
CN108377357B (zh) | 一种可视化平台通话方法及装置 | |
CN116015808A (zh) | 一种网络端口异常开放感知方法、装置、电子设备及存储介质 | |
CN114329149A (zh) | 页面信息自动抓取的检测方法、装置、电子设备及可读存储介质 | |
CN115470399A (zh) | 一种基于大数据的id打通方法、装置、设备和存储介质 | |
CN114462030A (zh) | 隐私政策的处理、取证方法、装置、设备及存储介质 | |
CN113726855A (zh) | 服务聚合方法、装置、电子设备以及计算机可读存储介质 | |
US11769005B2 (en) | Information uniqueness assessment using string-based collection frequency | |
CN115859349B (zh) | 一种数据脱敏方法、装置、电子设备及存储介质 | |
US20240054213A1 (en) | Attack information generation apparatus, control method, and non-transitory computer readable medium | |
CN109285036B (zh) | 物联网业务处理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |