CN109819126B - 一种异常号码识别方法及装置 - Google Patents
一种异常号码识别方法及装置 Download PDFInfo
- Publication number
- CN109819126B CN109819126B CN201711168632.9A CN201711168632A CN109819126B CN 109819126 B CN109819126 B CN 109819126B CN 201711168632 A CN201711168632 A CN 201711168632A CN 109819126 B CN109819126 B CN 109819126B
- Authority
- CN
- China
- Prior art keywords
- calling
- abnormal
- behavior characteristics
- communication behavior
- marking
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 165
- 230000006399 behavior Effects 0.000 claims description 184
- 230000006870 function Effects 0.000 claims description 53
- 238000003066 decision tree Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 36
- 238000010219 correlation analysis Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 10
- 230000011664 signaling Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及移动通信技术领域，尤其涉及一种异常号码识别方法及装置，该方法为，获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，这样，结合通信行为特征和异常号码犯罪模式进行异常号码的识别，提高了识别的准确性和可靠性。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种异常号码识别方法及装置。
背景技术
随着移动终端，例如手机的普及，给用户带来了极大的便利，但是也给犯罪活动提供了渠道，对用户的生活造成了很大的影响。
现有技术中，主要的诈骗号码识别方法有以下几种：1、通过分析诈骗电话的主叫历史数据，确定诈骗电话识别模型的各类特征权重值，然后对实时通话数据进行分析检测，通过特征权重值计算得到的检测结果与设定的阈值比较给出诈骗电话的置信度，从而确定是否为诈骗电话。2、根据话单记录，计算所有主叫号码在一定时间周期内的若干个特征指标值，然后采用聚类算法将所有主叫号码划分到三个簇中；将已确认诈骗号码的特征指标值分别和三个簇中主叫号码的特征指标值进行匹配，如果特征指标值所构成的取值区间越接近则说明匹配相似度越高，最后将其中匹配相似度最高的簇设置为诈骗电话簇、匹配相似度次之的簇设置为疑似诈骗电话簇。3、根据主叫号码在预设时段内的呼叫是否具有随机性来判断是否为诈骗电话。
但是，现有技术中的这几种诈骗号码识别方法具有以下缺点：
1)通过各类特征权重值获得的诈骗电话识别模型在判断一个号码是否为诈骗电话时，需要预先设定判断阈值，而这个阈值在诈骗电话样本量小的情况下，误差会较大，会出现模型过拟合的情况。2)通过特征聚类的诈骗电话识别模型，将主叫号码大致分为诈骗电话簇、疑似诈骗电话簇和正常电话簇三类，区分粒度较粗，没有考虑营销电话、广告电话等与诈骗电话行为上较相似的主叫电话。3)通过主叫号码在预设时段内的呼叫随机性判断是否为诈骗电话，没有考虑到一些外卖电话和快递电话在呼叫随机性上也具有相似特征。
发明内容
本发明实施例提供一种异常号码识别方法及装置，以解决现有技术中异常号码识别准确性较低，容易误判的问题。
本发明实施例提供的具体技术方案如下：
一种异常号码识别方法，包括：
获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为；
根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码。
较佳的，确定决策规则，具体包括：
根据预先训练的决策树模型，获得相应的决策规则。
决策树模型的训练方式为：
获取预设样本集中的样本号码和样本号码的通信行为特征；
将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
较佳的，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，具体包括：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
较佳的，进一步包括：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征。其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
较佳的，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，具体包括：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征或所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征或所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码。
一种异常号码识别装置，包括：
第一获取单元，用于获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为；
第一判断单元，用于根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
第二判断单元，用于若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码。
较佳的，进一步包括确定单元，用于：
根据预先训练的决策树模型，获得相应的决策规则。
决策树模型的训练方式为，进一步包括：
第二获取单元，用于获取预设样本集中的样本号码和样本号码的通信行为特征；
标记单元，用于将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
训练单元，用于将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
较佳的，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，标记单元具体用于：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
较佳的，进一步包括通信行为特征选取单元，用于：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征。其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
较佳的，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，第二判断单元具体用于：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征或所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征或所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码。
一种计算机设备，包括：
至少一个存储器，用于存储计算机程序；
至少一个处理器，用于执行存储器中存储的计算机程序时实现上述任一项异常号码识别方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项异常号码识别方法的步骤。
本发明实施例中，获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为；根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，这样，通过决策规则，对主叫号码的通信行为特征进行分析，确定为疑似异常号码后，再根据异常号码犯罪模式进行进一步判断，进而确定主叫号码是否为异常号码，结合通信行为特征和异常号码犯罪模式，对异常号码进行识别，提高了识别的准确性和可靠性。
附图说明
图1为本发明实施例中异常号码识别方法概述流程图；
图2为本发明实施例中异常号码识别方法详细流程图；
图3为本发明实施例中异常号码识别装置结构示意图；
图4为本发明实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1所示，本发明实施例中，异常号码识别方法的具体流程如下：
步骤100：获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征。
本发明实施例中，由于异常号码通常为主叫号码，因此主要对主叫号码是否为异常号码进行识别，并且本发明实施例中将号码类型分为正常号码和异常号码，异常号码可以分为诈骗/骚扰号码、响一声号码和呼死你号码。
具体地，获取预设时间段内通话记录的信令数据，并从信令数据中提取主叫号码的通信行为特征。
其中，通信行为特征表征所述主叫号码的通信行为，通信行为特征包括但不限于以下一种或任意组合：主叫通话次数、主叫外地通话次数、主叫率、主叫联系人个数、主叫外地联系人个数、主叫外地联系地个数、主叫通话频率、主叫通话时长、被叫通话次数、回拨率、活动基站数、联系人/通话次数比例。
其中，主叫通话次数表示主叫号码作为主叫方的通话次数；主叫外地通话次数表示主叫号码作为主叫方与外地号码的通话次数；主叫率表示主叫通话次数与总通话次数的比值；主叫联系人个数表示主叫号码作为主叫方通话的联系人个数；主叫外地联系人个数表示主叫号码作为主叫方通话的外地联系人个数；主叫外地联系地个数表示主叫号码作为主叫方通话的外地联系地个数；主叫通话频率表示主叫号码在预设单位周期内最多的主叫通话次数；主叫通话时长表示主叫号码每通电话的通话时长；被叫通话次数表示主叫号码作为被叫方的通话次数；回拨率表示主叫号码的主叫联系人回拨的次数与主叫通话次数的比值；活动基站数表示主叫号码对应的基站个数；联系人/通话次数比例表示主叫号码与联系人的通话次数与总通话次数的比值。
值得说明的是，对于主叫号码的多个通信行为特征，较佳的选取对于不同号码类型之间具有显著区别的特征，本发明实施例中，还可以对通信行为特征进行统计分析，确定对于不同号码类型之间具有显著区别的通信行为特征，对于通信行为特征的选取和统计分析在后续进行具体介绍。
步骤110：根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码。
执行步骤110时，具体包括：
首先，确定决策规则。
具体为：根据预先训练的决策树模型，获得相应的决策规则。
其中，决策树模型例如为分类回归树(Classification And Regression Trees，CART)模型，当然也可以为其它模型，本发明实施例中并不进行限制。
本发明实施例中，根据主叫号码的通信行为特征和号码类型，训练决策树模型，进而根据训练后的决策树模型得到决策规则，决策规则与通信行为特征相关，可以通过分析主叫号码的通信行为特征，判断主叫号码是否为异常号码。其中，步骤110中判断主叫号码是否为疑似异常号码，这里说是疑似异常号码，是因为本发明实施例中为防止误判，在步骤120中结合异常号码犯罪模式进行进一步判断，确定是否的确是异常号码，为便于区分，因此这里说是疑似异常号码，其中决策树模型的训练方式，将在下文进行具体介绍。
然后，根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码。
本发明实施例中，可以先对主叫号码的通信行为特征进行分析，对主叫号码进行初步判断，判断是否为疑似异常号码，这样，考虑主叫号码的通信行为特征，并且通过决策树模型的决策规则进行判断，而不是简单地通过设置各类通信行为特征的权重值和设定的判断阈值进行判断，可以提高判断准确度。
步骤120：若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码。
本发明实施例中，根据通信行为特征判断出疑似异常号码，但可能会有误判的情况，例如，针对符合诈骗/骚扰号码通信特征，被误判为诈骗/骚扰号码的正常号码，例如快递、外卖号码等，因此，本发明实施例中进一步地引入异常号码犯罪模式分析，从而进一步提高异常号码识别精度和可靠性。
执行步骤120时，可以分为以下几种情况：
第一种情况：获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码。
例如，通常诈骗/骚扰号码具有集体作案，聚集犯罪的特点，而快递、外卖号码不具有这个特点。例如，对相对于同一个位置区编码(location area code，lac)-小区标识码(ci)下，以小时为粒度观察24小时内用户数和话务量的变化情况进行统计。例如根据观察的统计结果得知18-21点间，平均约17个用户，每个用户每小时平均通话1次；而0-7点间，平均约16个用户，每个用户每小时平均通话38次。在凌晨，这种话务量剧增的情况非常异常。因此，可以将该基站作为异常话务量基站。
第二种情况：获取所述主叫号码的尾号特征或所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征或所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码。
例如，部分诈骗号码具有尾号特征，其中，尾号特征通常为国家或熟知机构的固定号码或客服号码，极易让被叫方误以为是这些机构，降低了对该诈骗号码的防备心，例如尾号特征为95588，来仿冒工商银行。
又例如，对于异常号码通话对应的被害人，即被叫方在接到异常号码的电话后也会有一些行为特征模式，可以通过对被叫方的行为特征进行分析，来确定是否为异常号码。例如，对于异常号码的被害人，即被叫方通常会拨打114等查询诈骗分子提供的某个号码。
本发明实施例中，可以通过统计正常号码接到异常号码的电话后的通信行为，来确定异常号码对应的被害人的行为特征。
进一步地，若确定所述主叫号码为异常号码，还可以将所述主叫号码更新到各具有号码标记功能的平台中的异常号码数据库中。
这样，本发明实施例中，对异常号码的各种犯罪模式进行分析，确定异常号码可能出现的一些犯罪模式特征，进而根据异常号码的犯罪模式，对根据通信行为特征判断出的疑似异常号码进行进一步判断，这样，结合通信行为特征和异常号码犯罪模式，对异常号码进行识别，可以提高识别的准确性和可靠性。
基于上述实施例中，下面对本发明实施例中决策树模型的训练方式进行具体介绍：决策树模型的训练方式为：
首先，获取预设样本集中的样本号码和样本号码的通信行为特征。
本发明实施例中，由于异常号码通常为主叫号码，因此，在训练决策树模型，获取样本集时，可以根据通话记录，从信令数据中确定出所有的主叫号码，将主叫号码作为样本号码，并提取主叫号码的通信行为特征。
然后，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果。
其中，标记结果即表示各样本号码被标记的号码类型。
具体地：1)将所述样本集中的样本号码，提交到各具有号码标记功能的平台。
其中，具有号码标记功能的平台，例如为360、百度等网站，这些网站有相应的电话号码标记软件，例如360手机助手，可以为用户提供可以标记电话号码的功能，这些网站中存储了大量的已被标记的号码。
本发明实施例中，将样本号码提交到各具有号码标记功能的平台，再通过各平台进行标记，这是因为，直接从各个平台中获取大量已被标记的异常号码样本比较困难，因此，本发明实施例中，可以采用网络爬虫的方式，将所有样本号码提交到这些平台，对这些样本号码进行标记，可以利用这些平台自有的黑名单数据库对样本号码进行检测，爬取样本号码中被标记为异常号码的号码。
2)若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
实际中，由于不同的平台中号码的标记结果可能不相同，因此，若对于同一个样本号码得到的标记结果不相同，则还需要进一步进行确定，提升标记结果的准确性。
例如，若通过360和百度对同一号码标记，得到的标记结果相同，例如均标记该样本号码为骚扰号码，则确定该样本号码的标记结果就为骚扰号码。
又例如，若通过360和百度对同一号码标记，得到的标记结果不相同，例如某样本号码，在百度上标记为骚扰号码，在360上标记为正常号码，则还需要进一步根据该样本号码的通信行为特征进行分析，选择通信行为特征逻辑上与标记结果相符合的作为最终的标记结果。例如若确定该样本号码在一天内主叫通话次数14次、主叫率1、主叫联系人个数14、主叫外地联系地个数14、被叫通话次数0、回拨率0、联系人/通话次数比例1等，不太符合正常手机用户的通信行为，因此将该样本号码标记为骚扰号码。
本发明实施例中，由于各具有号码标记功能的平台对同一号码的标记结果一般都是相同的，通过各平台对样本号码进行标记后，可能得到较少的标记结果不相同的样本号码，这时，再根据样本号码的通信行为特征进行判断时，通常是比较简单的判断，可以由人工进行判断和确定。
最后，将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
本发明实施例中，决策树模型可以是基于CART算法，将通信行为特征作为CART决策树的输入变量，在训练决策树模型时，还考虑每个通信行为特征对区分不同号码类型的影响程度和决策树的复杂度，设置决策树深度和样本号码的数量，以及决策依据。
例如，最终选取的通信行为特征有8种，决策数深度为5，样本号码的数量为100万，其中，参阅表1所示，为通信行为特征的编号和通信行为特征的名称对应关系，将样本号码的这8中通信行为特征的统计值输入到决策数模型，进而训练决策树模型，其中对于训练决策树模型时使用的具体算法和计算方式，可以采用现有技术中的方法，本发明实施例中就不进行详细介绍了。
表1通信行为特征的编号通信行为特征的名称对应关系
| 特征编号 | 特征名称 |
| X[0] | 主叫通话次数 |
| X[1] | 主叫外地联系人个数 |
| X[2] | 主叫通话频率 |
| X[3] | 主叫率 |
| X[4] | 回拨率 |
| X[5] | 主叫外地联系地个数 |
| X[6] | 主叫通话时长 |
| X[7] | 联系人/通话次数比例 |
本发明实施例中，由于通信行为特征种类比较多，在对决策树模型进行训练之前，还需对通信行为特征进行选取和统计分析，将不同号码类型之间具有显著区别的通信行为特征用于决策树模型训练。
其中，对于通信行为特征的选取和统计分析具体包括：
1)统计预设时间段内预设区域中的各号码类型的预设的通信行为特征。
本发明实施例中，为便于对通信行为特征进行统计分析，可以预先选定一个区域，例如某个省，对该省某一天的信令数据进行统计分析，获取所有的主叫号码，并且可以对这些主叫号码进行标记，获得标记结果，即各主叫号码的号码类型。
例如，以下述几种号码类型的号码为例进行说明，分别为诈骗/骚扰号码、响一声号码、呼死你号码和正常号码。这几种号码在通信行为上会有区别，并且异常号码多为主叫，因此，主要考虑主叫号码的主叫通信行为特征，例如，选取以下通信行为特征可以包括但不限于以下一种或任意组合：主叫通话次数、主叫外地通话次数、主叫率、主叫联系人个数、主叫外地联系人个数、主叫外地联系地个数、主叫通话频率、主叫通话时长、被叫通话次数、回拨率、活动基站数、联系人/通话次数比例。对不同号码类型的号码的上述几种通信行为特征进行统计分析。
2)对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从预设的通信行为特征中选取能够区分不同号码类型的通信行为特征。
其中，对于通信行为特征进行关联分析的算法，可以采用现有技术中的关联算法，本发明实施例中就不进行详述了。
例如，对某一天某个省的信令数据进行统计分析，参阅表2所示，为展现的四种号码类型的各通信行为特征的统计值。
表2不同号码类型的各通信行为特征的统计值
从表2可知，这四种类型号码之间具有显著区别的通信行为特征分别为：主叫通话次数、主叫率、主叫外地联系人个数、主叫外地联系地个数、主叫通话频率、主叫通话时长、回拨率、联系人/通话次数比例。可以对这几种通信行为特征进行进一步关联分析，确定这几种通信行为特征之间的关联关系。
通过对诈骗/骚扰号码、响一声号码、呼死你号码和正常号码这四种号码类型的通信行为特征进行统计分析和关联分析，得到这四种号码类型在通信行为特征的区别，参阅表3所示，为不同号码类型的通信行为特征的特点和区别。
表3不同号码类型的通信行为特征的特点和区别
从表3可知，不同号码类型的通信行为特征之间是有明显区别的，具体地：
(1)诈骗/骚扰号码、响一声号码、呼死你号码在主叫通话次数、主叫率、主叫通话频率都大大高于正常号码，而在回拨率上大大低于正常号码。
(2)响一声号码和呼死你号码相对于诈骗/骚扰号码主叫通话次数更多，主叫外地联系人个数较少，通话频率更高，联系人/通话次数比例极少。
(3)响一声号码相对于呼死你号码和诈骗/骚扰号码在主叫通话时长上有显著区别。
值得说明是，本发明实施例中对于在选取通信行为特征的数据列举，仅是在统计分析过程中的一种数据举例，并不进行限制，也可以根据本发明实施例中提供的选取通信行为特征的方法，来获取不同地区不同时间段内的信令数据，从而进行统计分析，确定出对于不同号码类型之间具有显著区别的通信行为特征。
这样，本发明实施例中，通过对不同号码类型的样本号码的通信行为特征进行统计分析和关联分析，确定对于不同号码类型之间具有显著区别的通信行为特征，利用具有显著区别的通信行为特征进行决策树模型训练，不仅可以提高训练的准确度，也可以降低模型训练的复杂性和计算量。
下面采用一个具体的应用场景对上述实施例作出进一步详细说明。以异常号码为诈骗/骚扰号码为例，具体参阅图2所示，本发明实施例中，异常号码识别方法的执行过程具体如下：
步骤200：获取预设时间段内通话记录的信令数据。
步骤201：提取主叫号码和主叫号码的通信行为特征。
本发明实施例中，可以根据对主叫号码的通信行为特征进行统计分析和关联分析，选取出对于不同号码类型之间具有显著区别的通信行为特征，可以降低决策树模型训练的复杂性，也可以提高对于号码类型识别的准确性。
步骤202：数据切分，将提取出的主叫号码分成两部分，并分别转向执行步骤203和步骤207。
本发明实施例中，将获得的所有主叫号码分成两部分，一部分用于训练决策树模型，一部分用于作为预测数据，可以用于检验决策树模型的准确度，从而可以不断调整决策树模型，提高决策树模型识别的准确度，使用训练后的决策树模型来识别预测数据是否为异常号码。
例如，从信令数据中获得了100万的主叫号码，可以将其中50万主叫号码作为训练数据集，将其中另外50万主叫号码作为预测数据集。
步骤203：根据切分结果，获得训练数据集。
步骤204：对训练数据集中的主叫号码进行标记。
具体地，可以将训练数据集中的所有主叫号码提交到各具有号码标记功能的平台，分别获得对应的标记结果，即各个号码的号码类型。
步骤205：获得标记后的训练数据。
步骤206：基于标记后的训练数据中主叫号码的标记结果和通信行为特征，训练CART决策树模型。
步骤207：根据切分结果，获得预测数据集。
步骤208：根据训练的CART决策树模型，获得相应的决策规则。
步骤209：根据决策规则，对预测数据集中的主叫号码进行判断，获取疑似诈骗/骚扰号码结果集。
例如，通过决策规则对预测数据集中的主叫号码进行判断，识别预测数据集中的疑似诈骗/骚扰号码，获得疑似诈骗/骚扰号码结果集1。
步骤210：基于预设的异常号码犯罪模式1，对疑似诈骗/骚扰号码结果集中的号码进行判断。
例如，将通过预设的异常号码犯罪模式1进行判断后确定的诈骗/骚扰号码与疑似诈骗/骚扰号码结果集1比较，取交集作为结果集2。
步骤211：基于预设的异常号码犯罪模式2，对疑似诈骗/骚扰号码结果集中的号码进行判断。
例如，将通过预设的异常号码犯罪模式2进行判断后确定的诈骗/骚扰号码与疑似诈骗/骚扰号码结果集1比较，取交集作为结果集3。
步骤212：获得诈骗/骚扰号码结果集。
例如，将结果集2和结果集3合并去重后作为最终的结果集输出，该结果集里的号码认为是诈骗/骚扰号码。
基于上述实施例，参阅图3所示，本发明实施例中，异常号码识别装置，具体包括：
第一获取单元30，用于获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为；
第一判断单元31，用于根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
第二判断单元32，用于若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码。
较佳的，进一步包括确定单元33，用于：
根据预先训练的决策树模型，获得相应的决策规则。
决策树模型的训练方式为，进一步包括：
第二获取单元34，用于获取预设样本集中的样本号码和样本号码的通信行为特征；
标记单元35，用于将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
训练单元36，用于将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
较佳的，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，标记单元35具体用于：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
较佳的，进一步包括通信行为特征选取单元37，用于：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征。其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
较佳的，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，第二判断单元32具体用于：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征或所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征或所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码。
参阅图4所示，本发明实施例中，一种计算机设备的结构示意图。
本发明实施例提供了一种计算机设备，该计算机可以包括处理器410(CenterProcessing Unit，CPU)、存储器420、输入设备430和输出设备440等，输入设备430可以包括键盘、鼠标、触摸屏等，输出设备440可以包括显示设备，如液晶显示器(Liquid CrystalDisplay，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
存储器420可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器410提供存储器420中存储的程序指令和数据。在本发明实施例中，存储器420可以用于存储上述异常号码识别方法的程序。
处理器410通过调用存储器420存储的程序指令，处理器410用于按照获得的程序指令执行：
获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为；
根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码。
较佳的，处理器410进一步用于：
根据预先训练的决策树模型，获得相应的决策规则。
决策树模型的训练方式，处理器410进一步用于：
获取预设样本集中的样本号码和样本号码的通信行为特征；
将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
较佳的，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，处理器410具体用于：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
较佳的，处理器410进一步用于：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征。其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
较佳的，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，处理器410具体用于：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征或所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征或所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码。
基于上述实施例，本发明实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的异常号码识别方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种异常号码识别方法，其特征在于，包括：
获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为，所述通信行为特征包括以下一种或任意组合：主叫通话次数、主叫外地通话次数、主叫率、主叫联系人个数、主叫外地联系人个数、主叫外地联系地个数、主叫通话频率、主叫通话时长、被叫通话次数、回拨率、活动基站数、联系人/通话次数比例；
根据预先训练的决策树模型，获得相应的决策规则；
根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，其中，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，具体包括：获取所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码；
若确定所述主叫号码为异常号码，将所述主叫号码更新到各具有号码标记功能的平台中的异常号码数据库中。
2.如权利要求1所述的方法，其特征在于，决策树模型的训练方式为：
获取预设样本集中的样本号码和样本号码的通信行为特征；
将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
3.如权利要求2所述的方法，其特征在于，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，具体包括：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
4.如权利要求2所述的方法，其特征在于，进一步包括：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征，其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
5.如权利要求1-4任一项所述的方法，其特征在于，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，具体包括：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征，则确定所述主叫号码为异常号码。
6.一种异常号码识别装置，其特征在于，包括：
第一获取单元，用于获取通话请求对应的主叫号码，并提取预设时间段内主叫号码的通信行为特征；其中，所述通信行为特征表征所述主叫号码的通信行为，所述通信行为特征包括以下一种或任意组合：主叫通话次数、主叫外地通话次数、主叫率、主叫联系人个数、主叫外地联系人个数、主叫外地联系地个数、主叫通话频率、主叫通话时长、被叫通话次数、回拨率、活动基站数、联系人/通话次数比例；
确定单元，用于根据预先训练的决策树模型，获得相应的决策规则；
第一判断单元，用于根据确定的决策规则，对所述主叫号码的通信行为特征进行分析，确定所述主叫号码的通信行为特征符合的号码类型，并判断所述符合的号码类型是否为疑似异常号码；
第二判断单元，用于若判断所述符合的号码类型为疑似异常号码，则根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，并对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，其中，第二判断单元具体用于：获取所述主叫号码对应的被叫方的行为特征，若确定所述主叫号码对应的被叫方的行为特征符合预设的被害人行为特征，则确定所述主叫号码为异常号码；
所述第二判断单元还用于：若确定所述主叫号码为异常号码，将所述主叫号码更新到各具有号码标记功能的平台中的异常号码数据库中。
7.如权利要求6所述的装置，其特征在于，决策树模型的训练方式为，进一步包括：
第二获取单元，用于获取预设样本集中的样本号码和样本号码的通信行为特征；
标记单元，用于将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果；
训练单元，用于将所述样本号码的通信行为特征作为输入变量，将所述样本号码相应的标记结果作为目标变量，训练决策树模型。
8.如权利要求7所述的装置，其特征在于，将所述样本集中的样本号码提交到各具有号码标记功能的平台，获得样本号码对应的标记结果，标记单元具体用于：
将所述样本集中的样本号码，提交到各具有号码标记功能的平台；
若确定各具有号码标记功能的平台得到的样本号码的标记结果一致，则确定所述样本号码的标记结果为各具有号码标记功能的平台标记的标记结果；若确定各具有号码标记功能的平台得到的样本号码的标记结果不一致，则根据所述样本号码的通信行为特征和各标记结果，确定所述样本号码最终的标记结果。
9.如权利要求7所述的装置，其特征在于，进一步包括通信行为特征选取单元，用于：
统计预设时间段内预设区域中的各号码类型的预设的通信行为特征；
对通信行为特征进行关联分析，并根据统计结果和关联分析结果，从所述预设的通信行为特征中选取能够区分不同号码类型的通信行为特征，其中，选取的能够区分不同号码类型的通信行为特征用于决策树模型的训练。
10.如权利要求6-9任一项所述的装置，其特征在于，根据预设的异常号码犯罪模式，获取预设的异常号码犯罪模式所需的所述主叫号码的信息，对获取的所述主叫号码的信息进行分析，判断所述主叫号码是否为异常号码，第二判断单元具体用于：
获取所述主叫号码所对应的基站，若确定所述主叫号码对应的基站为预设的异常话务量基站，则确定所述主叫号码为异常号码；或者，
获取所述主叫号码的尾号特征，若确定所述主叫号码的尾号特征符合预设的异常号码尾号特征，则确定所述主叫号码为异常号码。
11.一种计算机设备，其特征在于，包括：
至少一个存储器，用于存储计算机程序；
至少一个处理器，用于执行存储器中存储的计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。
12.一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1-5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711168632.9A CN109819126B (zh) | 2017-11-21 | 2017-11-21 | 一种异常号码识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711168632.9A CN109819126B (zh) | 2017-11-21 | 2017-11-21 | 一种异常号码识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109819126A CN109819126A (zh) | 2019-05-28 |
| CN109819126B true CN109819126B (zh) | 2021-08-17 |
Family
ID=66600837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711168632.9A Active CN109819126B (zh) | 2017-11-21 | 2017-11-21 | 一种异常号码识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109819126B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110166635B (zh) * | 2019-07-11 | 2021-06-08 | 中国联合网络通信集团有限公司 | 可疑终端识别方法和可疑终端识别系统 |
| CN112488138A (zh) * | 2019-09-11 | 2021-03-12 | 中国移动通信集团广东有限公司 | 用户类别识别方法、装置、电子设备及存储介质 |
| CN110851493B (zh) * | 2019-10-22 | 2022-04-29 | 厦门市美亚柏科信息股份有限公司 | 一种用于话单分析通联特征的方法和系统 |
| CN113037699B (zh) * | 2019-12-25 | 2022-11-29 | 中国电信股份有限公司 | 通信拦截方法、装置和计算机可读存储介质 |
| CN113452845B (zh) * | 2020-03-26 | 2024-03-19 | 中国移动通信集团福建有限公司 | 识别异常电话号码的方法和电子设备 |
| CN113962276B (zh) * | 2020-07-17 | 2023-04-07 | 中国移动通信集团湖南有限公司 | 异常信息确定方法、装置及电子设备、存储介质 |
| CN115529596A (zh) * | 2021-06-25 | 2022-12-27 | 中国联合网络通信集团有限公司 | 异常号码识别方法、装置及电子设备 |
| CN114374769B (zh) * | 2021-12-01 | 2024-07-19 | 恒安嘉新（北京）科技股份公司 | 一种异常号码的获取方法、装置、服务器和存储介质 |
| CN114449106B (zh) * | 2022-02-10 | 2024-04-30 | 恒安嘉新（北京）科技股份公司 | 一种异常电话号码的识别方法、装置、设备和存储介质 |
| CN114979369A (zh) * | 2022-04-14 | 2022-08-30 | 马上消费金融股份有限公司 | 异常通话检测方法、装置、电子设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9055141B2 (en) * | 2010-06-24 | 2015-06-09 | Vladimir Smelyansky | Distinctive ringing |
| KR101516234B1 (ko) * | 2013-12-06 | 2015-05-04 | 한국인터넷진흥원 | 4g 모바일 네트워크에서의 비정상 sip subscribe 메시지 탐지 장치 및 방법 |
| CN104717370B (zh) * | 2013-12-11 | 2017-10-20 | 中国移动通信集团河北有限公司 | 一种网间拨号业务的监控方法及装置 |
| CN104410973B (zh) * | 2014-11-20 | 2017-11-28 | 北京新讯世纪信息技术有限公司 | 一种播放录音的诈骗电话识别方法和系统 |
| CN106657689A (zh) * | 2015-11-04 | 2017-05-10 | 中国移动通信集团公司 | 一种对国际诈骗电话进行防控的方法、装置 |
| CN106714160B (zh) * | 2015-11-17 | 2020-06-05 | 中国移动通信集团广东有限公司 | 短信来源合法性查证方法及装置、终端、通信系统 |
| CN106550155B (zh) * | 2016-11-25 | 2019-05-17 | 上海欣方智能系统有限公司 | 对可疑号码进行诈骗样本甄别归类及拦截的方法及系统 |
| CN106686261B (zh) * | 2017-01-19 | 2021-03-12 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及系统 |
-
2017
- 2017-11-21 CN CN201711168632.9A patent/CN109819126B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109819126A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109819126B (zh) | 一种异常号码识别方法及装置 | |
| CN110334241B (zh) | 客服录音的质检方法、装置、设备及计算机可读存储介质 | |
| CN108243049B (zh) | 电信欺诈识别方法及装置 | |
| CN107248082B (zh) | 养卡识别方法及装置 | |
| CN107222865A (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
| CN107566358A (zh) | 一种风险预警提示方法、装置、介质及设备 | |
| CN109842858B (zh) | 一种业务异常订购检测方法及装置 | |
| CN110401779A (zh) | 一种识别电话号码的方法、装置和计算机可读存储介质 | |
| CN106713579B (zh) | 一种电话号码识别方法及装置 | |
| CN107038449B (zh) | 一种欺诈用户的识别方法及装置 | |
| CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| CN109242658B (zh) | 可疑交易报告生成方法、系统、计算机设备和存储介质 | |
| CN110839216A (zh) | 识别通讯信息诈骗的方法和装置 | |
| CN112765003A (zh) | 一种基于app行为日志的风险预测方法 | |
| CN110611655B (zh) | 一种黑名单筛选方法和相关产品 | |
| CN108764369A (zh) | 基于数据融合的人物识别方法、装置和计算机存储介质 | |
| CN112818150B (zh) | 一种图片内容审核方法、装置、设备和介质 | |
| CN114240928A (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
| CN111353015B (zh) | 众包题目推荐方法、装置、设备及存储介质 | |
| CN114817518A (zh) | 基于大数据档案识别的证照办理方法、系统及介质 | |
| CN113011503B (zh) | 一种电子设备的数据取证方法、存储介质及终端 | |
| CN113962276B (zh) | 异常信息确定方法、装置及电子设备、存储介质 | |
| CN112417007A (zh) | 一种数据分析方法、装置、电子设备及存储介质 | |
| CN110401959B (zh) | 检测蹭网终端的方法、装置、电子设备和存储介质 | |
| CN112615966B (zh) | 一种猫池终端识别方法 |
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 |