CN111131627B - 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 - Google Patents
基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 Download PDFInfo
- Publication number
- CN111131627B CN111131627B CN201911323561.4A CN201911323561A CN111131627B CN 111131627 B CN111131627 B CN 111131627B CN 201911323561 A CN201911323561 A CN 201911323561A CN 111131627 B CN111131627 B CN 111131627B
- Authority
- CN
- China
- Prior art keywords
- rate
- call
- calls
- called
- communication
- 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 30
- 238000004891 communication Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 1
- 238000012790 confirmation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2281—Call monitoring, e.g. for law enforcement purposes; Call tracing; Detection or prevention of malicious calls
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Technology Law (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供了基于流数据图谱的个人有害呼叫检测方法、装置及可读介质,包括:采集多个用户的CDR数据,将CDR数据进行分解得到通讯数据并存入图形数据库,得到通讯图谱;对通讯图谱基于深度图谱提取通信节点统计及子图的相关属性和表征;将相关属性和表征进行预处理,进而作为机器学习模型参数进行训练,得到第一分析结果,并对第一分析结果中可疑呼叫群组进行分类;将可疑呼叫群组存入图形数据库,并进行第二次分析,得到有害呼叫的号码。本发明的有益效果为实时性及准确性上具有较大程度提升,并能实时查看呼叫当前及结合历史的图谱特征及记录溯源,重复听取通话的方式进行认为确认,增加分析成功率。
Description
技术领域
本发明属于网络科学及电信网数据分析,具体涉及了一种基于流数据图谱的个人有害呼叫检测方法、装置及可读介质。
背景技术
随着无线通讯技术的普及,手机已成为人们进行远程通话的必备方式,给生活带来极大便捷。然而任何事物都具有两面性,无线通讯技术在为生活提供便利的同时,也容易被不法分子利用进行犯罪。电信诈骗便是一种由移动通信的普及衍生而来的新型诈骗方式。诈骗方式对生活与经济造成了巨大损失,如何有效进行有害呼叫检测迫在眉睫。
目前广泛采用的有害呼叫检测技术多通过分析主叫用户行为发现潜在的电信诈骗趋势。其中包括通过诈骗黑名单对主叫号码进行分析,确定主叫过往是否存在诈骗行为;通过对通话双方的语音进行录音保存,并在通话结束后对其通话内容进行分析确定是否存在诈骗行为;将已确定的有害号码加入到诈骗黑名单中,通过对黑名单中号码间的通联关系进行分析定位诈骗团伙。然而上述方式均依赖后处理分析,对电信诈骗的防范虽具有一定作用,但无法达到预期效果。除此之外,现有方法对诈骗团伙发现的准确性不高,无法从海量数据中及时、准确地分析出诈骗团伙及其成员所在位置。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了基于流数据图谱的个人有害呼叫检测方法、装置及可读介质,比于传统有害呼叫检测技术在分析的实时性及准确性上具有较大程度提升,并能实时查看呼叫当前及结合历史的图谱特征及记录溯源。
本发明的技术方案包括一种基于流数据图谱的个人有害呼叫检测方法,其特征在于,该方法包括以下步骤:S100,采集多个用户的CDR数据,将所述CDR数据进行分解得到通讯数据并存入图形数据库,得到通讯图谱;S200,对所述通讯图谱基于深度图谱提取通信节点统计及子图的相关属性和表征;S300,将相关属性和表征进行预处理,进而作为机器学习模型参数进行训练,得到第一分析结果,并对第一分析结果中可疑呼叫群组进行分类;S400,将所述可疑呼叫群组存入所述图形数据库,并进行第二次分析,得到有害呼叫的号码。
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中相关属性和表征包括离散率、空号率、应答率、号段重复率、次数/号段、被呼次数、局向分布合理率、号码规范性、注册位置活跃率、声纹匹配率及关键词匹配率。
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中所述离散率为统计一段时间内同一主叫发起的呼叫中被叫号码个数,离散率=被叫号码个数/呼叫数,离散度包括号码离散度与号段离散度;所述空号率为统计一段时间内同一主叫所发起的呼叫中被叫号码为空号的呼叫比例,空号率=被叫号码为空号的呼叫数/呼叫总数;所述应答率为统计一段时间内同一主叫所发起的呼叫中被叫应答呼叫数所占比例,应答率=呼叫应答次数/呼叫总数;所述号段重复率为统计一段时间内同一主叫发起的呼叫中被叫号段重复呼叫数所占比例,号段重复率=被叫号段重复呼叫数/呼叫总数;所述次数/号段为主叫拨打次数与所拨打的号码号段的平均占比;所述被呼次数为主叫号码作为被叫用户,被呼叫过的次数;所述局向分布合理率为局向分布统计一段时间内同一主叫发起的呼叫中被叫局向的分布情况,主叫号码和所在发话源局点匹配率;所述号码规范性包括根据正则表达式判断号码的规范性;所述注册位置活跃率为指主叫号码注册的位置活跃程度;所述声纹匹配率为个体与库中声纹匹配情况,包括声纹对应的独立个体,个体关联的号码;所述关键词匹配率为根据主题分类与设定关键词匹配率。
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中深度图谱设置为基于固定时间窗口的深度图谱分析算法。
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中基于固定时间窗口的深度图谱分析算法包括以下步骤:S210,开始时间戳,设置窗口尺寸和时间增量;S220,对所述通讯图谱的数据行通过固定窗口对符合设定的相关属性和表征进行提取,并显示于所述固定窗口。
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中S300具体包括:S310,将所述表征进行正则化处理,作为机器学习模型的输入机器学习模型进行监督训练;S320,根据机器学习模型测试结果,对疑似有害呼叫的群组进行分类。
根据所述的基于流数据图谱的个人有害呼叫检测方法,该方法还包括:对可疑呼叫群组中一个或多个可疑的通话记录进行重复接听
根据所述的基于流数据图谱的个人有害呼叫检测方法,其中第二次分析包括:对可疑呼叫群组中一个或多个通讯图谱结合历史的图谱特征及记录溯源进行二次训练,确认有害呼叫的群组的一个或多个个人有害呼叫。
本发明的技术方案还包括一种函基于流数据图谱的个人有害呼叫检测的装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一方法步骤。
本发明的技术方案还包括一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一的方法步骤。
本发明的有益效果为:比于传统有害呼叫检测技术在分析的实时性及准确性上具有较大程度提升,并能实时查看呼叫当前及结合历史的图谱特征及记录溯源。同时,也可以做到重复听取通话的方式进行认为确认,增加分析成功率。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1所示为根据本发明实施方式的总体流程图;
图2所示为根据本发明的基于固定时间窗口的深度图谱分析流程图;
图3所示为根据本发明实施方式的诈骗个人识别流程;
图4所示为根据本发明实施方式的装置示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。具体包括以下步骤:S100,采集多个用户的CDR数据,将CDR数据进行分解得到通讯数据并存入图形数据库,得到通讯图谱;S200,对通讯图谱基于深度图谱提取通信节点统计及子图的相关属性和表征;S300,将相关属性和表征进行预处理,进而作为机器学习模型参数进行训练,得到第一分析结果,并对第一分析结果中可疑呼叫群组进行分类;S400,将可疑呼叫群组存入图形数据库,并进行第二次分析,得到有害呼叫的号码。
图2所示为根据本发明的基于固定时间窗口的深度图谱分析流程图。该流程包括:S210,开始时间戳,设置窗口尺寸和时间增量;S220,对所述通讯图谱的数据行通过固定窗口对符合设定的相关属性和表征进行提取,并显示于所述固定窗口。
图3所示为根据本发明实施方式的诈骗个人识别流程。
通过收集来的CDR数据进行分解,并将分解后的CDR数据存入图数据库,然后对通讯图谱进行子图分析。
利用基于固定时间窗口的深度图谱分析算法提取通信节点统计及子图的相关属性和表征,算法伪代码如下:
所需提取的相关属性和表征具体包括:
离散率:离散率是统计一段时间内同一主叫发起的呼叫中被叫号码个数。计算公式=被叫号码个数/呼叫数。离散度包括号码离散度与号段离散度。诈骗电话离散度的特征为:号段离散度低,号码离散度高。
空号率:空号率是统计一段时间内同一主叫所发起的呼叫中被叫号码为空号的呼叫比例。诈骗电话由于是随机连续拨号,空号率可能会比较高。空号率计算公式=被叫号码为空号的呼叫数/呼叫总数。
应答率:应答率是统计一段时间内同一主叫所发起的呼叫中被叫应答呼叫数所占比例。计算公式=呼叫应答次数/呼叫总数。
号段重复率:统计一段时间内同一主叫发起的呼叫中被叫号段重复呼叫数所占比例,对于固定电话就是万号段相同呼叫,移动电话就是号段+H码相同的呼叫。号段重复率计算公式=被叫号段重复呼叫数/呼叫总数。
次数/号段:主叫拨打次数与所拨打的号码号段的平均占比,为了分析主叫号码扫被叫号码号段的情况用途。常用来统计一段时间内同一主叫发起的呼叫总数,当呼叫数超过一定的门限值,则认为是超频呼叫。
被呼次数:指主叫号码作为被叫用户,被呼叫过的次数,能够呼通则证明该号码是正常可达的。
局向分布合理率:局向分布统计一段时间内同一主叫发起的呼叫中被叫局向的分布情况,指主叫号码和所在发话源局点匹配率。
号码规范性:根据正则表达式,主要甄别伪造主叫号码,如省际、网间来话伪造特征中伪冒公安、银行、运营商客服号码等;
注册位置活跃率:指主叫号码注册的位置活跃程度。
声纹匹配率:与库中声纹匹配情况,包括声纹对应的独立个体,个体关联的号码等。
关键词匹配率:根据主题分类与关键词匹配率。
将表征进行正则化处理,作为机器学习模型的输入进行监督训练。
根据机器学习模型测试结果,对疑似诈骗社团进行分类。
将疑似诈骗社团存入结果图数据,进行二次分析,精准定位诈骗的个人。
将精准定位的诈骗进行阻断模型在线训练、告警、人工博弈、通话阻断等后处理。
图4所示为根据本发明实施方式的装置示意图。
装置包括存储器100及处理器200,其中处理器200存储有计算机程序,计算机程序用于执行:采集多个用户的CDR数据,将CDR数据进行分解得到通讯数据并存入图形数据库,得到通讯图谱;对通讯图谱基于深度图谱提取通信节点统计及子图的相关属性和表征;将相关属性和表征进行预处理,进而作为机器学习模型参数进行训练,得到第一分析结果,并对第一分析结果中可疑呼叫群组进行分类;将可疑呼叫群组存入图形数据库,并进行第二次分析,得到有害呼叫的号码。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于流数据图谱的个人有害呼叫检测方法,其特征在于,该方法包括以下步骤:
S100,采集多个用户的CDR数据,将所述CDR数据进行分解得到通讯数据并存入图形数据库,得到通讯图谱;
S200,对所述通讯图谱基于深度图谱提取通信节点统计及子图的相关属性和表征;
S300,将相关属性和表征进行预处理,进而作为机器学习模型参数进行训练,得到第一分析结果,并对第一分析结果中可疑呼叫群组进行分类;
S400,将所述可疑呼叫群组存入所述图形数据库,并进行第二次分析,得到有害呼叫的号码;
所述相关属性和表征包括离散率、空号率、应答率、号段重复率、次数/号段、被呼次数、局向分布合理率、号码规范性、注册位置活跃率、声纹匹配率及关键词匹配率。
2.根据权利要求1所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于:
所述离散率为统计一段时间内同一主叫发起的呼叫中被叫号码个数,离散率=被叫号码个数/呼叫数,离散度包括号码离散度与号段离散度;
所述空号率为统计一段时间内同一主叫所发起的呼叫中被叫号码为空号的呼叫比例,空号率=被叫号码为空号的呼叫数/呼叫总数;
所述应答率为统计一段时间内同一主叫所发起的呼叫中被叫应答呼叫数所占比例,应答率=呼叫应答次数/呼叫总数;
所述号段重复率为统计一段时间内同一主叫发起的呼叫中被叫号段重复呼叫数所占比例,号段重复率=被叫号段重复呼叫数/呼叫总数;
所述次数/号段为主叫拨打次数与所拨打的号码号段的平均占比;
所述被呼次数为主叫号码作为被叫用户,被呼叫过的次数;
所述局向分布合理率为局向分布统计一段时间内同一主叫发起的呼叫中被叫局向的分布情况,主叫号码和所在发话源局点匹配率;
所述号码规范性包括根据正则表达式判断号码的规范性;
所述注册位置活跃率为指主叫号码注册的位置活跃程度;
所述声纹匹配率为个体与库中声纹匹配情况,包括声纹对应的独立个体,个体关联的号码;
所述关键词匹配率为根据主题分类与设定关键词匹配率。
3.根据权利要求1所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于,所述深度图谱设置为基于固定时间窗口的深度图谱分析算法。
4.根据权利要求3所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于,所述基于固定时间窗口的深度图谱分析算法包括以下步骤:
S210,开始时间戳,设置窗口尺寸和时间增量;
S220,对所述通讯图谱的数据行通过固定窗口对符合设定的相关属性和表征进行提取,并显示于所述固定窗口。
5.根据权利要求1所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于,所述S300具体包括:
S310,将所述表征进行正则化处理,作为机器学习模型的输入机器学习模型进行监督训练;
S320,根据机器学习模型测试结果,对疑似有害呼叫的群组进行分类。
6.根据权利要求1所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于,所述第二次分析包括:
对可疑呼叫群组中一个或多个通讯图谱结合历史的图谱特征及记录溯源进行二次训练,确认可疑呼叫群组的一个或多个个人有害呼叫。
7.根据权利要求1所述的基于流数据图谱的个人有害呼叫检测方法,其特征在于,该方法还包括:
对可疑呼叫群组中一个或多个可疑的通话记录进行重复接听。
8.一种函数调用时间和统计结果可视化的装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一所述的方法步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323561.4A CN111131627B (zh) | 2019-12-20 | 2019-12-20 | 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323561.4A CN111131627B (zh) | 2019-12-20 | 2019-12-20 | 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111131627A CN111131627A (zh) | 2020-05-08 |
CN111131627B true CN111131627B (zh) | 2021-12-07 |
Family
ID=70500485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911323561.4A Active CN111131627B (zh) | 2019-12-20 | 2019-12-20 | 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111131627B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351429B (zh) * | 2020-10-22 | 2023-08-08 | 珠海高凌信息科技股份有限公司 | 基于深度学习的有害信息检测方法及*** |
CN113242356A (zh) * | 2021-04-30 | 2021-08-10 | 珠海高凌信息科技股份有限公司 | 基于深度学习的通信号码检测方法及*** |
CN115589444A (zh) * | 2022-09-02 | 2023-01-10 | 厦门市美亚柏科信息股份有限公司 | 一种可疑号码可视化显示方法、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106791220A (zh) * | 2016-11-04 | 2017-05-31 | 国家计算机网络与信息安全管理中心 | 防止电话诈骗的方法及*** |
CN107306306A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 通信号码处理方法及装置 |
CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及*** |
CN109274836A (zh) * | 2018-10-31 | 2019-01-25 | 国家计算机网络与信息安全管理中心 | 一种大规模数据流***欺诈风险识别方法 |
CN109587350A (zh) * | 2018-11-16 | 2019-04-05 | 国家计算机网络与信息安全管理中心 | 一种基于滑动时间窗口聚合的电信诈骗电话的序列异常检测方法 |
CN110211014A (zh) * | 2019-05-31 | 2019-09-06 | 上海观安信息技术股份有限公司 | 一种运营商反欺诈检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1036171C (zh) * | 1994-06-17 | 1997-10-15 | 武汉中南通信技术发展公司 | 电话网非话业务监测管理设备 |
US7715446B2 (en) * | 1996-04-25 | 2010-05-11 | Digimarc Corporation | Wireless methods and devices employing plural-bit data derived from audio information |
JP5810946B2 (ja) * | 2012-01-31 | 2015-11-11 | 富士通株式会社 | 特定通話検出装置、特定通話検出方法及び特定通話検出用コンピュータプログラム |
CN107423434B (zh) * | 2017-08-03 | 2020-02-18 | 航天科工智慧产业发展有限公司 | 一种基于话单数据的潜在社会关系网络的挖掘方法 |
CN109451182B (zh) * | 2018-10-19 | 2021-08-13 | 北京邮电大学 | 一种诈骗电话的检测方法和装置 |
CN109918511B (zh) * | 2019-01-29 | 2021-06-08 | 华融融通(北京)科技有限公司 | 一种基于bfs和lpa的知识图谱反欺诈特征提取方法 |
-
2019
- 2019-12-20 CN CN201911323561.4A patent/CN111131627B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107306306A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 通信号码处理方法及装置 |
CN106791220A (zh) * | 2016-11-04 | 2017-05-31 | 国家计算机网络与信息安全管理中心 | 防止电话诈骗的方法及*** |
CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及*** |
CN109274836A (zh) * | 2018-10-31 | 2019-01-25 | 国家计算机网络与信息安全管理中心 | 一种大规模数据流***欺诈风险识别方法 |
CN109587350A (zh) * | 2018-11-16 | 2019-04-05 | 国家计算机网络与信息安全管理中心 | 一种基于滑动时间窗口聚合的电信诈骗电话的序列异常检测方法 |
CN110211014A (zh) * | 2019-05-31 | 2019-09-06 | 上海观安信息技术股份有限公司 | 一种运营商反欺诈检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111131627A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108924333B (zh) | 诈骗电话识别方法、装置和*** | |
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测*** | |
CN109600752B (zh) | 一种深度聚类诈骗检测的方法和装置 | |
CN111131627B (zh) | 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 | |
CN106791220B (zh) | 防止电话诈骗的方法及*** | |
CN109451182B (zh) | 一种诈骗电话的检测方法和装置 | |
CN101686444B (zh) | 垃圾短信发送号码实时检测***及方法 | |
WO2017186090A1 (zh) | 通信号码处理方法及装置 | |
CN108093405A (zh) | 一种诈骗电话号码分析方法和设备 | |
CN111405562A (zh) | 一种基于通信行为规律的移动恶意用户识别方法及*** | |
CN110493476B (zh) | 一种检测方法、装置、服务器及存储介质 | |
CN101389085B (zh) | 基于发送行为的垃圾短消息识别***及方法 | |
CN111917574A (zh) | 社交网络拓扑模型及构建方法、用户置信度和亲密度计算方法及电信诈骗智能拦截*** | |
CN110647561A (zh) | 用于涉毒人员的通信轨迹分析方法 | |
CN112351429B (zh) | 基于深度学习的有害信息检测方法及*** | |
CN108198086B (zh) | 用于依据通信行为特征来识别骚扰源的方法和装置 | |
CN109587357B (zh) | 一种骚扰电话的识别方法 | |
CN114449106B (zh) | 一种异常电话号码的识别方法、装置、设备和存储介质 | |
Panigrahi et al. | Use of dempster-shafer theory and Bayesian inferencing for fraud detection in mobile communication networks | |
CN113596260B (zh) | 异常电话号码检测方法和电子设备 | |
CN111131626B (zh) | 基于流数据图谱的群组有害呼叫检测方法、装置及可读介质 | |
CN114205462A (zh) | 一种诈骗电话识别方法、装置、***及计算机存储介质 | |
CN114168423A (zh) | 异常号码的呼叫监控方法、装置、设备及存储介质 | |
CN109510903B (zh) | 一种识别国际诈骗号码的方法 | |
CN112417007A (zh) | 一种数据分析方法、装置、电子设备及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee after: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. Patentee after: HENAN XINDA WANGYU TECHNOLOGY Co.,Ltd. Address before: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee before: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. |