CN109525950A - 伪基站短信息处理方法、设备及存储介质 - Google Patents

Abstract

本公开实施例提供一种伪基站短信息处理方法、设备及存储介质。该方法包括：接收短信息，之后，对短信息中包含的文本内容进行向量化处理，得到目标向量，并根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。由于神经网络模型是预先训练的，其满足对伪基站短信息的识别准确率，该识别准确率例如为95％等，从而可实现对伪基站短信息的有效识别，且该有效识别无须依赖固定参数阀值及接收短信息时的网络状况。

Description

伪基站短信息处理方法、设备及存储介质

技术领域

本公开涉及信息处理技术，尤其涉及一种伪基站短信息处理方法、设备及存储介质。

背景技术

伪基站能够搜取以其为中心、一定半径范围内的手机卡信息，并通过伪装成运营商的基站，冒用他人手机号码强行向用户手机发送诈骗、广告推销等违法短信息，对人们的人身/财产安全造成威胁。因此，如何有效识别伪基站短信息，显得尤为重要。

目前，例如手机等短信息接收设备，在识别伪基站短信息时，主要存在以下两种方案：方案一，通过在调制解调器(modem)层通过调节接收短信息时的信号改变量等手段，来识别伪基站短信息；方案二，通过向服务器端上传手机的当前位置信息，在服务器端使用真实基站的位置信息形成几何凸包理论，来判断是否为伪基站短信息。

以上两种方案，在对伪基站短信息进行识别时，或通过固定参数阀值，或依赖接收短信息时的网络状况。

发明内容

为克服相关技术中存在的问题，本公开提供一种伪基站短信息处理方法、设备及存储介质。所述技术方案如下：

根据本公开实施例的第一方面，提供一种伪基站短信息处理方法。该伪基站短信息处理方法包括：

接收短信息；

对短信息中包含的文本内容进行向量化处理，得到目标向量；

根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。

本公开的实施例提供的技术方案可以包括以下有益效果：在接收到短信息之后，对短信息中包含的文本内容进行向量化处理，得到目标向量，并根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。由于神经网络模型是预先训练的，其满足对伪基站短信息的识别准确率，该识别准确率例如为95％等，从而可实现对伪基站短信息的有效识别，且该有效识别无须依赖固定参数阀值及接收短信息时的网络状况。

一种可能的实施方式中，上述对短信息中包含的文本内容进行向量化处理，得到目标向量，可以包括：采用word2vec技术对短信息中包含的文本内容进行向量化处理，得到目标向量。该实施方式提供一种具体的向量化处理方式，但本公开实施例不以此为限。

一种可能的实施方式中，目标向量的维度与训练神经网络模型时使用的向量维度相等，且，该向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。例如，两个样本：样本A和样本B，对样本A进行向量化处理后得到向量X，向量X的维度为x；对样本B进行向量化处理后得到向量Y，向量Y的维度为y，其中，x大于y，该示例中，两个样本即所有样本，最大维度即y，因此，向量维度为y。

一种可能的实施方式中，在训练神经网络模型时，当向量的维度小于向量维度时，对该向量进行填零处理。仍参考上述示例，由于向量X的维度小于向量维度y，因此，对该向量X进行填零处理。例如，向量X为：[x1,x2,x3]，向量维度y取值为5，则对该向量X进行填零处理后得到：[x1,x2,x3,0,0]。还需说明的是，本公开中的向量可以统一为列向量，也可以统一为行向量，具体视需求确定。

一种可能的实施方式中，神经网络模型的池化层采用最大池化处理，神经网络模型通过softmax激活函数或者RELU激活函数对目标向量进行二分类处理。二分类处理后得到的结果可以为两类数值，其中，一类数值对应是伪基站短信息，另一类数值对应非伪基站短信息，即正常(合法)基站发送的短信息。

一种可能的实施方式中，上述根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息之后，该伪基站短信息处理方法还可以包括：若短信息是伪基站短信息，将提示信息通知给用户，该提示信息用于提示用户有收到伪基站短信息。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将提示信息通知给用户，该提示信息用于提示用户有收到伪基站短信息，使得用户可避免上当受骗，保证人身/财产安全，并还可针对该伪基站短信息实施相应的措施，进一步提升用户体验。

根据本公开实施例的第二方面，提供一种伪基站短信息处理设备，包括：

接收模块，被配置为接收短信息；

处理模块，被配置为对短信息中包含的文本内容进行向量化处理，得到目标向量；

确定模块，被配置为根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。

本公开的实施例提供的技术方案可以包括以下有益效果：在接收到短信息之后，对短信息中包含的文本内容进行向量化处理，得到目标向量，并根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。由于神经网络模型是预先训练的，其满足对伪基站短信息的识别准确率，该识别准确率例如为95％等，从而可实现对伪基站短信息的有效识别，且该有效识别无须依赖固定参数阀值及接收短信息时的网络状况。

一种可能的实施方式中，上述处理模块可被配置为：采用word2vec技术对短信息中包含的文本内容进行向量化处理，得到目标向量。该实施方式提供一种具体的向量化处理方式，但本公开实施例不局限为word2vec技术，还可以使用其他向量化处理方式。

一种可能的实施方式中，目标向量的维度与训练神经网络模型时使用的向量维度相等，且，向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。

一种可能的实施方式中，在训练神经网络模型时，当向量的维度小于所述向量维度时，对向量进行填零处理。

一种可能的实施方式中，神经网络模型的池化层采用最大池化处理，神经网络模型通过softmax激活函数或者RELU激活函数对目标向量进行二分类处理。二分类处理后得到的结果可以为两类数值，其中，一类数值对应是伪基站短信息，另一类数值对应非伪基站短信息，即正常(合法)基站发送的短信息。

一种可能的实施方式中，上述伪基站短信息处理设备还可以包括：提示模块。该提示模块，被配置为在确定模块根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息之后，在短信息是伪基站短信息时，将提示信息通知给用户。该提示信息用于提示用户有收到伪基站短信息。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将提示信息通知给用户，该提示信息用于提示用户有收到伪基站短信息，使得用户可避免上当受骗，保证人身/财产安全，并还可针对该伪基站短信息实施相应的措施，进一步提升用户体验。

根据本公开实施例的第三方面，提供一种伪基站短信息处理设备，包括：处理器和用于存储可执行指令的存储器。其中，处理器被配置为执行所述可执行指令，以执行如第一方面任一项所述的方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种伪基站短信息处理方法的流程图；

图2是根据另一示例性实施例示出的一种伪基站短信息处理方法的流程图；

图3是根据一示例性实施例示出的一种伪基站短信息处理设备的结构示意图；

图4是根据另一示例性实施例示出的一种伪基站短信息处理设备的结构示意图；

图5是根据又一示例性实施例示出的一种伪基站短信息处理设备的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它单元。

首先，对本公开涉及的部分术语进行解释说明。

多个，包括两个或者两个以上。

和/或，应当理解，对于本公开中使用的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图1是根据一示例性实施例示出的一种伪基站短信息处理方法的流程图。本实施例提供一种伪基站短信息处理方法，该方法可以由伪基站短信息处理设备来执行，该伪基站短信息处理设备可通过硬件和/或软件的方式实现。示例性地，伪基站短信息处理设备可以为例如手机等可以接收短信息的用户设备。以下实施例以用户设备为执行主体进行说明。

如图1所示，该伪基站短信息处理方法包括以下步骤：

在步骤101中，用户设备接收短信息。

其中，用户设备还可以称为用户装置、终端设备、终端、移动设备等类似名称。这里的短信息包括伪基站短信息和正常(合法)基站发送的短信息。

通常情况下，伪基站短信息与正常(合法)基站发送的短信息，二者在内容上存在明显的差异。其中，伪基站短信息多为诈骗、广告推销等违法短信息，其带有明显的诱导倾向，在用户相信其内容的情况下，易导致人身/财产受损。例如，一种情况下，伪基站短信息的内容中包含网页链接，在用户点击该链接后会产生相应的费用等。

在步骤102中，用户设备对短信息中包含的文本内容进行向量化处理，得到目标向量。

通过该步骤，将短信息中包含的文本内容转换为数据/数值，该数据/数值可在后续算法处理中使用。对于向量化处理所采用的具体技术，本公开不予限制。示例性地，用户设备可以采用word2vec技术对短信息中包含的文本内容进行向量化处理，得到目标向量。

在步骤103中，用户设备根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。

其中，神经网络模型是预先训练的。可以理解，首先对神经网络模型进行初始化，例如定义初始卷积核等。示例性地，本实施例中使用的初始卷积核大小为[2,3,4]，初始卷积核个数设置为向量维度，例如，向量维度为128，则初始卷积核个数为128个。又例如，设置RELU激活函数对目标向量进行二分类处理，使用L2正则项作为惩罚函数对最终的分类结果和真实结果进行参数更新，并使用通用的逆传播(Back Propagation，BP)神经网络算法对参数求偏导进行参数更新。

神经网络模型的具体获取方式可以包括：通过训练样本集中样本对初始化后的神经网络模型进行训练，并通过测试样本集中的样本对训练好的神经网络模型进行测试，当神经网络模型是伪基站短信息的识别准确率达到预设值之后，认为得到本公开要使用的神经网络模型，即步骤103中提及的神经网络模型。其中，预设值的大小可根据历史经验或实际需求进行设置，例如，预设值为93％，95％，等等。

在神经网络模型的应用阶段，用户设备将目标向量作为该神经网络模型的输入参数，通过神经网络模型输出的结果，用户设备即可判断步骤101接收到的短信息是否为伪基站短信息。

该实施例，在接收到短信息之后，对短信息中包含的文本内容进行向量化处理，得到目标向量，并根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。由于神经网络模型是预先训练的，其满足对伪基站短信息的识别准确率，该识别准确率例如为95％等，从而可实现对伪基站短信息的有效识别，且该有效识别无须依赖固定参数阀值及接收短信息时的网络状况。

在上述实施例中，一种实现方式中，目标向量的维度与训练神经网络模型时使用的向量维度相等。也就是说，应用阶段的目标向量的维度与训练阶段的向量维度是相同的。另外，该向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。例如，两个样本：样本A和样本B，对样本A进行向量化处理后得到向量X，向量X的维度为x；对样本B进行向量化处理后得到向量Y，向量Y的维度为y，其中，x大于y，该示例中，两个样本即所有样本，最大维度即y，因此，向量维度为y。将向量维度设置为对所有样本分别进行向量化处理后所得到的各向量中的最大维度，可避免文本内容的丢失。

进一步地，在训练神经网络模型时，当向量的维度小于向量维度时，对该向量进行填零处理。仍参考上述示例，由于向量X的维度小于向量维度y，因此，对该向量X进行填零处理。例如，向量X为：[x1,x2,x3]，向量维度y取值为5，则对该向量X进行填零处理后得到：[x1,x2,x3,0,0]。还需说明的是，本公开中的向量可以统一为列向量，也可以统一为行向量，具体视需求确定。

可选地，神经网络模型的池化层采用最大池化处理。其中，最大池化处理可以最大限度的获取卷积部分的特征，在池化过程中，如果经步骤102得到的目标向量的维度小于向量维度，使用0值对步骤102得到的目标向量进行填充处理，得到神经网络模型使用的目标向量。

另外，神经网络模型可以通过softmax激活函数或者RELU激活函数对目标向量进行二分类处理。具体地，二分类处理后得到的结果可以为两类数值，其中，一类数值对应是伪基站短信息，另一类数值对应非伪基站短信息，即正常(合法)基站发送的短信息。

上述实施例，将短信息中包含的文本内容使用word2vec技术进行向量化处理，形成目标向量；再通过设定的神经网络模型的卷积核对目标向量进行卷积操作；最后，通过softmax激活函数或者RELU激活函数对目标向量进行二分类处理，得到分类后的结果(伪基站短信息和正常(合法)基站发送的短信息)。通过使用神经网络模型进行伪基站短信息识别，识别准确率可达到95％以上；另外，相比相关技术，本方案不需要设置底层的网络协议参数(modem层参数)，也不需要获取当前用户接收短信的位置信息和网络环境要求，仅根据短信息包含的文本内容及预先训练的神经网络模型，即可达到对伪基站短信的有效识别。

图2是根据另一示例性实施例示出的一种伪基站短信息处理方法的流程图。如图2所示，在图1所示流程的基础上，进一步地，步骤103、用户设备根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息之后，该实施例中的伪基站短信息处理方法还可以包括：

在步骤201中，若短信息是伪基站短信息，用户设备将提示信息通知给用户。

其中，该提示信息用于提示用户有收到伪基站短信息。通知的具体形式可以是音频形式，和/或，视频形式。进一步地，视频形式例如为通过用户设备的显示装置进行显示；音频形式例如为通过用户设备的音频装置(例如扬声器等)进行播放等。

该实施例提供的技术方案，通过将提示信息通知给用户，该提示信息用于提示用户有收到伪基站短信息，使得用户可避免上当受骗，保证人身/财产安全，并还可针对该伪基站短信息实施相应的措施，进一步提升用户体验。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是根据一示例性实施例示出的一种伪基站短信息处理设备的结构示意图。本公开实施例提供一种伪基站短信息处理设备，该伪基站短信息处理设备可通过硬件和/或软件的方式实现，相应描述可参考如图1所示实施例，此处不再赘述。

如图3所示，伪基站短信息处理设备30包括：接收模块31、处理模块32和确定模块33。其中：

该接收模块31，被配置为接收短信息。

该处理模块32，被配置为对短信息中包含的文本内容进行向量化处理，得到目标向量。

该确定模块33，被配置为根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。

综上所述，本实施例提供的伪基站短信息处理设备，在接收到短信息之后，对短信息中包含的文本内容进行向量化处理，得到目标向量，并根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息。由于神经网络模型是预先训练的，其满足对伪基站短信息的识别准确率，该识别准确率例如为95％等，从而可实现对伪基站短信息的有效识别，且该有效识别无须依赖固定参数阀值及接收短信息时的网络状况。

在上述实施例的基础上，处理模块32可被配置为：采用word2vec技术对短信息中包含的文本内容进行向量化处理，得到目标向量。该实施方式采用word2vec技术对短信息中包含的文本内容进行向量化处理，提供一种具体的向量化处理方式，但本公开实施例不局限为word2vec技术，还可以采用其他向量化处理方式。

可选地，目标向量的维度与训练神经网络模型时使用的向量维度相等。且，向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。

进一步地，在训练神经网络模型时，当向量的维度小于所述向量维度时，对向量进行填零处理。

可选地，神经网络模型的池化层采用最大池化处理，神经网络模型通过softmax激活函数或者RELU激活函数对目标向量进行二分类处理。二分类处理后得到的结果可以为两类数值，其中，一类数值对应是伪基站短信息，另一类数值对应非伪基站短信息，即正常(合法)基站发送的短信息。

图4是根据另一示例性实施例示出的一种伪基站短信息处理设备的结构示意图。参考图4，在图3所示结构的基础上，进一步地，伪基站短信息处理设备40还可以包括：提示模块41。

该提示模块41，被配置为在确定模块33根据目标向量及预先训练的神经网络模型，确定短信息是否为伪基站短信息之后，在短信息是伪基站短信息时，将提示信息通知给用户。其中，该提示信息用于提示用户有收到伪基站短信息。

本公开实施例提供的技术方案，通过将提示信息通知给用户，该提示信息用于提示用户有收到伪基站短信息，使得用户可避免上当受骗，保证人身/财产安全，并还可针对该伪基站短信息实施相应的措施，进一步提升用户体验。

图5是根据又一示例性实施例示出的一种伪基站短信息处理设备的结构示意图。参照图5，该伪基站短信息处理设备800包括：处理组件802和存储器804。

可选地，该伪基站短信息处理设备800还可以包括以下一个或多个组件：

电力组件806，多媒体组件808，音频组件810，输入/输出(input/output，简称：I/O)的接口812，传感器组件814，以及通信组件816。

其中：

处理组件802通常控制伪基站短信息处理设备800的整体操作，诸如与显示，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在伪基站短信息处理设备800的操作。这些数据的示例包括用于在伪基站短信息处理设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static RandomAccess Memory，简称：SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称：EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，简称：EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称：PROM)，只读存储器(Read-Only Memory，简称：ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为伪基站短信息处理设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为伪基站短信息处理设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述伪基站短信息处理设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(Liquid Crystal Display，简称：LCD)和触摸面板(Touch Panel，简称：TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当伪基站短信息处理设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(Microphone，简称：MIC)，当伪基站短信息处理设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为伪基站短信息处理设备800提供各个方面的状态评估。例如，传感器组件814可以检测到伪基站短信息处理设备800的打开/关闭状态，组件的相对定位，例如所述组件为伪基站短信息处理设备800的显示器和小键盘，传感器组件814还可以检测伪基站短信息处理设备800或伪基站短信息处理设备800一个组件的位置改变，用户与伪基站短信息处理设备800接触的存在或不存在，伪基站短信息处理设备800方位或加速/减速和伪基站短信息处理设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(Complementary Metal OxideSemiconductor，简称：CMOS)或电荷耦合元件(Charge-coupled Device，简称：CCD)感光成像元件，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于伪基站短信息处理设备800和其他设备之间有线或无线方式的通信。伪基站短信息处理设备800可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(Near Field Communication，简称：NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(Radio Frequency Identification，简称：RFID)技术，红外数据协会(Infrared Data Association，简称：IrDA)技术，超宽带(Ultra Wideband，简称：UWB)技术，蓝牙(Bluetooth，简称：BT)技术，无线保真(Wireless-Fidelity，简称：Wi-Fi)技术和其他技术来实现。

在示例性实施例中，伪基站短信息处理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称：ASIC)、数字信号处理器(Ddigital Signal Processor，简称：DSP)、数字信号处理设备(Digital SignalProcessing Device，简称：DSPD)、可编程逻辑器件(Programmable Logic Device，简称：PLD)、现场可编程门阵列(Field Programmable Gate Array，简称：FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由伪基站短信息处理设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RandomAccess Memory，简称：RAM)、只读光盘(Compact Disc Read-Only Memory，简称：CD-ROM)、磁带、软盘和光数据存储设备等。

一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序由处理器执行时实现如上述任一实施例所述的伪基站短信息处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (14)

1.一种伪基站短信息处理方法，其特征在于，包括：

接收短信息；

对所述短信息中包含的文本内容进行向量化处理，得到目标向量；

根据所述目标向量及预先训练的神经网络模型，确定所述短信息是否为伪基站短信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述短信息中包含的文本内容进行向量化处理，得到目标向量，包括：

采用word2vec技术对所述短信息中包含的文本内容进行向量化处理，得到目标向量。

3.根据权利要求1所述的方法，其特征在于，所述目标向量的维度与训练所述神经网络模型时使用的向量维度相等，且，所述向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。

4.根据权利要求3所述的方法，其特征在于，在训练所述神经网络模型时，当所述向量的维度小于所述向量维度时，对所述向量进行填零处理。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的池化层采用最大池化处理，所述神经网络模型通过softmax激活函数或者RELU激活函数对所述目标向量进行二分类处理。

6.根据权利要求1至5中任一所述的方法，其特征在于，所述根据所述目标向量及预先训练的神经网络模型，确定所述短信息是否为伪基站短信息之后，还包括：

若所述短信息是伪基站短信息，将提示信息通知给用户，所述提示信息用于提示所述用户有收到伪基站短信息。

7.一种伪基站短信息处理设备，其特征在于，包括：

接收模块，被配置为接收短信息；

处理模块，被配置为对所述短信息中包含的文本内容进行向量化处理，得到目标向量；

确定模块，被配置为根据所述目标向量及预先训练的神经网络模型，确定所述短信息是否为伪基站短信息。

8.根据权利要求7所述的设备，其特征在于，所述处理模块被配置为：

采用word2vec技术对所述短信息中包含的文本内容进行向量化处理，得到目标向量。

9.根据权利要求7所述的设备，其特征在于，所述目标向量的维度与训练所述神经网络模型时使用的向量维度相等，且，所述向量维度为对所有样本分别进行向量化处理后所得到的各向量中的最大维度。

10.根据权利要求9所述的设备，其特征在于，在训练所述神经网络模型时，当所述向量的维度小于所述向量维度时，对所述向量进行填零处理。

11.根据权利要求7所述的设备，其特征在于，所述神经网络模型的池化层采用最大池化处理，所述神经网络模型通过softmax激活函数或者RELU激活函数对所述目标向量进行二分类处理。

12.根据权利要求7至11中任一所述的设备，其特征在于，还包括：

提示模块，被配置为在所述确定模块根据所述目标向量及预先训练的神经网络模型，确定所述短信息是否为伪基站短信息之后，在所述短信息是伪基站短信息时，将提示信息通知给用户，所述提示信息用于提示所述用户有收到伪基站短信息。

13.一种伪基站短信息处理设备，其特征在于，包括：

处理器和用于存储可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令，以执行如权利要求1至6中任一项所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，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至6中任一项所述的方法。