CN110267272A - 一种诈骗短信识别方法及识别系统 - Google Patents
一种诈骗短信识别方法及识别系统 Download PDFInfo
- Publication number
- CN110267272A CN110267272A CN201910572213.4A CN201910572213A CN110267272A CN 110267272 A CN110267272 A CN 110267272A CN 201910572213 A CN201910572213 A CN 201910572213A CN 110267272 A CN110267272 A CN 110267272A
- Authority
- CN
- China
- Prior art keywords
- text message
- fraud text
- swindle
- message
- history
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/128—Anti-malware arrangements, e.g. protection against SMS fraud or mobile malware
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
- H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种诈骗短信识别方法及识别系统,该方法包括:收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。本发明收集并根据多条历史诈骗短信的相关数据获取诈骗短信判断模型,该诈骗短信判断模型基于历史诈骗短信的相关数据,不限于短信内容,使得诈骗短信判断模型能够从多方面综合判断新短信是否属于诈骗短信以及哪种诈骗短信。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种诈骗短信识别方法及识别系统。
背景技术
随着手机的普及和短信业务的迅速发展,短信成为人们通信的一种常用手段,然而,在人们享受着快捷方便的短信通信手段的同时,诈骗短信也日益泛滥。诈骗短信是利用手机短信的方式骗取金钱或财务的短信形式,常见的诈骗短信的形式包括:银行卡积分相关内容、扣除年费相关内容、退换票相关内容、参与活动相关内容、开大额信用卡相关内容等,通过这些极具诱惑力的虚假内容骗取用户如银行卡的支付密码、网银的支付密码等重要信息,严重地损害了用户的切身利益。
目前,电信网诈骗短信的发现主要依靠关键词过滤技术,根据部分客户需要,导致运营商也不能贸然替客户屏蔽掉这些短信息。短信中的语言和内容也是日新月异,不断变化。甚至出现了“公证处通知”的字样,无法实现自动分析识别。
因此,提供一种诈骗短信识别方法及识别系统。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的诈骗短信识别方法及识别系统,能够解决无法实现自动分析识别诈骗短信的问题。
根据本发明的一个方面,提供一种诈骗短信识别方法,包括:
收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;
将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
进一步地,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
进一步地,根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型,具体实现如下:
历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
进一步地,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
进一步地,上述诈骗短信识别方法,还包括:周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
根据本发明的另一方面,提供一种诈骗短信识别系统,包括:
数据查询管理模块,用于收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
模型自学习模块,用于根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
实时检测模块,用于接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
进一步地,在数据查询管理模块中,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;在实时检测模块中,新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
进一步地,模型自学习模块包括:
卷积神经网络的输入量和输出量确定单元,用于历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
权值和函数系数训练单元,用于训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
进一步地,在模型自学习模块中,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
进一步地,上述诈骗短信识别系统,还包括:模型自学习模块,还用于周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
本发明与现有技术相比具有以下的优点:
本发明的诈骗短信识别方法及识别系统收集多条历史诈骗短信的相关数据,并根据每条历史诈骗短信的相关数据获取诈骗短信判断模型,该诈骗短信判断模型基于历史诈骗短信的相关数据,不限于历史诈骗短信的短信内容,使得诈骗短信判断模型能够从多方面综合判断新短信是否属于诈骗短信以及哪种诈骗短信。
附图说明
以下结合附图和实施例对本发明作进一步说明。
图1是本发明的诈骗短信识别方法步骤图;
图2是本发明的诈骗短信识别系统框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1是本发明的诈骗短信识别方法步骤图,参见图1,本发明提供的诈骗短信识别方法,包括:
S1,收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
具体地,查询全量短信的相关数据,从全量短信的相关数据中选择诈骗短信的相关数据。
S2,根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
具体地,对历史短信数据分析,并通过自学习算法不断优化模型参数。
S3,接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;
S4,将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
具体地,通过诈骗短信多维验证实时分析、检测新短信是否属于诈骗短信以及属于哪种诈骗类别,并获取新短信属于该种诈骗类别的置信度。其中,置信度的获取通过以下方式:当新短信属于诈骗短信时,对新短信进行多维验证,每个维度的验证均附有对应的权重值,根据其维度和权重值进行置信度分析。
本发明的诈骗短信识别方法收集多条历史诈骗短信的相关数据,并根据每条历史诈骗短信的相关数据获取诈骗短信判断模型,该诈骗短信判断模型基于历史诈骗短信的相关数据,不限于历史诈骗短信的短信内容,使得诈骗短信判断模型能够从多方面综合判断新短信是否属于诈骗短信以及哪种诈骗短信。
进一步地,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
具体地,从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量还包括:历史诈骗短信的短信内容的特征提取,因此,历史诈骗短信的特征向量包括历史诈骗短信的短信内容的特征向量、发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析和敏感信息分析。相应地,从每条新短信的相关数据中提取新短信的特征向量还包括:新短信的短信内容的特征提取,因此,新短信的特征向量包括新短信的短信内容的特征向量、发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析和敏感信息分析。
详细地,发送频率分布分析:发送频率分布分析是在一定时间内对每个主叫号码发送次数进行统计分析,发送频率超过一定阈值范围后,频率越高则诈骗短信的可能性越大。主叫诈骗号码分析:结合知识库中黑白名单对主叫号码进行分析。主叫特征:主叫特征分析是对主叫号码的变化规律分析,万号段主叫、千号段主叫、百号段主叫。被叫特征:被叫特征分析是被相同主叫呼叫的被叫号码的规律,万号段被叫、千号段被叫、百号段被叫。被叫关系网分析:被叫关系网分析是对相同主叫的被叫间呼叫关系分析。被叫类型分析:分析被叫号码为移动号码还是固定电话号码。敏感信息分析:对短信中出现的敏感信息例如手机号,银行账号,微信号,邮箱等进行分析识别。短信内容的特征向量用于模型训练和分析预测。
进一步地,根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型,具体实现如下:
历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
具体地,例如,可以根据不同的卷积神经网络的输出值区分不同的诈骗短信的类别。
进一步地,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
进一步地,上述诈骗短信识别方法,还包括:周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
进一步地,上述诈骗短信识别方法,还包括:根据诈骗短信的短信内容的特征向量预测诈骗短信的变化趋势。
进一步地,上述诈骗短信识别方法,还包括:分布式存储不同类别的多条历史诈骗短信的相关数据。
进一步地,上述诈骗短信识别方法,还包括:对多条历史诈骗短信的相关数据快速抓取和分发。
本发明针对诈骗短信手段不断变化,采用大数据分析收集不同类别的历史诈骗短信,通过自学习技术构建诈骗短信判断模型,周期性收集多条历史诈骗短信的相关数据对诈骗短信判断模型进行自回溯验证,对新短信进行实时验证,对诈骗短信的变化进行趋势预测,实现系统自动化分析处理与人工校准相结合,因此,通过模型自学习和趋势预测技术,有效发现新型诈骗短信,通过自动验证不断完善模型,实现诈骗短信识别自动化。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图2是本发明的诈骗短信识别系统框图,参见图2,本发明提供的诈骗短信识别系统,包括:
数据查询管理模块,用于收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
模型自学习模块,用于根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
实时检测模块,用于接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
本发明的诈骗短信识别系统收集多条历史诈骗短信的相关数据,并根据每条历史诈骗短信的相关数据获取诈骗短信判断模型,该诈骗短信判断模型基于历史诈骗短信的相关数据,不限于历史诈骗短信的短信内容,使得诈骗短信判断模型能够从多方面综合判断新短信是否属于诈骗短信以及哪种诈骗短信。
进一步地,在数据查询管理模块中,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;在实时检测模块中,新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
进一步地,模型自学习模块包括:
卷积神经网络的输入量和输出量确定单元,用于历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
权值和函数系数训练单元,用于训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
进一步地,在模型自学习模块中,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
进一步地,上述诈骗短信识别系统,模型自学习模块,还用于周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
进一步地,上述诈骗短信识别系统,还包括:趋势预测模块,用于根据诈骗短信的短信内容的特征向量预测诈骗短信的变化趋势。
进一步地,上述诈骗短信识别系统,还包括:数据存储模块,用于分布式存储不同类别的多条历史诈骗短信的相关数据。
进一步地,上述诈骗短信识别系统,还包括:数据处理模块,用于对多条历史诈骗短信的相关数据快速抓取和分发。
本发明针对诈骗短信手段不断变化,采用大数据分析收集不同类别的历史诈骗短信,通过自学习技术构建诈骗短信判断模型,周期性收集多条历史诈骗短信的相关数据对诈骗短信判断模型进行自回溯验证,对新短信进行实时验证,对诈骗短信的变化进行趋势预测,实现系统自动化分析处理与人工校准相结合,因此,通过系统模型自学习和趋势预测技术,有效发现新型诈骗短信,通过自动验证不断完善系统模型,实现系统自动化。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种诈骗短信识别方法,其特征在于,包括:
收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;
将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
2.根据权利要求1所述的诈骗短信识别方法,其特征在于,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
3.根据权利要求2所述的诈骗短信识别方法,其特征在于,根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型,具体实现如下:
历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
4.根据权利要求3所述的诈骗短信识别方法,其特征在于,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
5.根据权利要求4所述的诈骗短信识别方法,其特征在于,还包括:周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
6.一种诈骗短信识别系统,其特征在于,包括:
数据查询管理模块,用于收集多条历史诈骗短信的相关数据,并从每条历史诈骗短信的相关数据提取历史诈骗短信的特征向量和诈骗类别;
模型自学习模块,用于根据历史诈骗短信的特征向量和诈骗类别进行诈骗短信模型训练,获取诈骗短信判断模型;
实时检测模块,用于接收新短信的相关数据,并从每条新短信的相关数据中提取新短信的特征向量;将新短信的特征向量输入诈骗短信判断模型中,获取新短信是否属于诈骗短信以及属于哪种诈骗类别。
7.根据权利要求6所述的诈骗短信识别系统,其特征在于,在数据查询管理模块中,历史诈骗短信的特征向量包括历史诈骗短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容;在实时检测模块中,新短信的特征向量包括新短信的发送频率分布分析、主叫诈骗号码分析、主叫特征、被叫特征、被叫关系网分析、被叫类型分析、敏感信息分析和短信内容。
8.根据权利要求7所述的诈骗短信识别系统,其特征在于,模型自学习模块包括:
卷积神经网络的输入量和输出量确定单元,用于历史诈骗短信的特征向量作为卷积神经网络的输入量,历史诈骗短信的诈骗类别作为输出量;
权值和函数系数训练单元,用于训练卷积神经网络的权值和函数系数,用于卷积神经网络,建立卷积神经网络的诈骗短信判断模型。
9.根据权利要求8所述的诈骗短信识别系统,其特征在于,在模型自学习模块中,历史诈骗短信的诈骗类别包括积分诈骗、航空诈骗、活动诈骗、支付诈骗、中奖诈骗、汽车退税诈骗、冒充熟人诈骗、直接汇款诈骗、电话欠费诈骗、冒充公检法诈骗中的一种或多种。
10.根据权利要求9所述的诈骗短信识别系统,其特征在于,还包括:模型自学习模块,还用于周期性收集多条历史诈骗短信的相关数据,更新诈骗短信判断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910572213.4A CN110267272A (zh) | 2019-06-28 | 2019-06-28 | 一种诈骗短信识别方法及识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910572213.4A CN110267272A (zh) | 2019-06-28 | 2019-06-28 | 一种诈骗短信识别方法及识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110267272A true CN110267272A (zh) | 2019-09-20 |
Family
ID=67922704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910572213.4A Pending CN110267272A (zh) | 2019-06-28 | 2019-06-28 | 一种诈骗短信识别方法及识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110267272A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431791A (zh) * | 2020-02-07 | 2020-07-17 | 贝壳技术有限公司 | 即时通讯消息识别方法及系统 |
CN111461231A (zh) * | 2020-04-02 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 一种短信息的发送控制方法、装置及存储介质 |
CN112188419A (zh) * | 2020-09-02 | 2021-01-05 | 中国人民解放军战略支援部队信息工程大学 | 垃圾短信检测方法、系统及设备 |
CN113645356A (zh) * | 2020-04-27 | 2021-11-12 | 国家计算机网络与信息安全管理中心 | 一种基于网内开卡行为分析的诈骗电话识别方法及系统 |
CN113642328A (zh) * | 2020-04-27 | 2021-11-12 | 国家计算机网络与信息安全管理中心 | 一种诈骗文本命名实体识别方法及系统 |
CN115942322A (zh) * | 2023-02-15 | 2023-04-07 | 北京秒信科技有限公司 | 一种骚扰短信拦截方法及系统 |
CN117061198A (zh) * | 2023-08-30 | 2023-11-14 | 广东励通信息技术有限公司 | 一种基于大数据的网络安全预警系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631049A (zh) * | 2016-02-17 | 2016-06-01 | 北京奇虎科技有限公司 | 一种识别诈骗短信的方法和系统 |
-
2019
- 2019-06-28 CN CN201910572213.4A patent/CN110267272A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631049A (zh) * | 2016-02-17 | 2016-06-01 | 北京奇虎科技有限公司 | 一种识别诈骗短信的方法和系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431791A (zh) * | 2020-02-07 | 2020-07-17 | 贝壳技术有限公司 | 即时通讯消息识别方法及系统 |
CN111431791B (zh) * | 2020-02-07 | 2021-06-18 | 贝壳找房(北京)科技有限公司 | 即时通讯消息识别方法及系统 |
CN111461231A (zh) * | 2020-04-02 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 一种短信息的发送控制方法、装置及存储介质 |
CN113645356A (zh) * | 2020-04-27 | 2021-11-12 | 国家计算机网络与信息安全管理中心 | 一种基于网内开卡行为分析的诈骗电话识别方法及系统 |
CN113642328A (zh) * | 2020-04-27 | 2021-11-12 | 国家计算机网络与信息安全管理中心 | 一种诈骗文本命名实体识别方法及系统 |
CN112188419A (zh) * | 2020-09-02 | 2021-01-05 | 中国人民解放军战略支援部队信息工程大学 | 垃圾短信检测方法、系统及设备 |
CN115942322A (zh) * | 2023-02-15 | 2023-04-07 | 北京秒信科技有限公司 | 一种骚扰短信拦截方法及系统 |
CN115942322B (zh) * | 2023-02-15 | 2023-06-06 | 北京秒信科技有限公司 | 一种骚扰短信拦截方法及系统 |
CN117061198A (zh) * | 2023-08-30 | 2023-11-14 | 广东励通信息技术有限公司 | 一种基于大数据的网络安全预警系统及方法 |
CN117061198B (zh) * | 2023-08-30 | 2024-02-02 | 广东励通信息技术有限公司 | 一种基于大数据的网络安全预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110267272A (zh) | 一种诈骗短信识别方法及识别系统 | |
CN107222865B (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
CN109300028A (zh) | 基于网络数据的实时反欺诈方法和系统及存储介质 | |
CN107566358A (zh) | 一种风险预警提示方法、装置、介质及设备 | |
CN101686444B (zh) | 垃圾短信发送号码实时检测系统及方法 | |
CN110248322A (zh) | 一种基于诈骗短信的诈骗团伙识别系统及识别方法 | |
Barson et al. | The detection of fraud in mobile phone networks | |
CN110517097A (zh) | 识别异常用户的方法、装置、设备及存储介质 | |
CN111754337B (zh) | 一种信用卡养卡套现团体识别的方法及系统 | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
CN105631049A (zh) | 一种识别诈骗短信的方法和系统 | |
CN110598982B (zh) | 基于智能交互的主动风控方法和系统 | |
CN108230151A (zh) | 一种可疑交易监测方法、装置、设备及存储介质 | |
US11086991B2 (en) | Method and system for active risk control based on intelligent interaction | |
CN107819747A (zh) | 一种基于通信事件序列的电信诈骗关联分析系统和方法 | |
CN110493476B (zh) | 一种检测方法、装置、服务器及存储介质 | |
CN111553701A (zh) | 一种基于会话的风险交易确定方法和装置 | |
CN110084468A (zh) | 一种风险识别方法及装置 | |
Irarrázaval et al. | Telecom traffic pumping analytics via explainable data science | |
Hu et al. | BTG: A Bridge to Graph machine learning in telecommunications fraud detection | |
CN109145050A (zh) | 一种计算设备 | |
CN110113748B (zh) | 骚扰电话监控方法、装置 | |
CN110457601A (zh) | 社交账号的识别方法和装置、存储介质及电子装置 | |
CN110347566A (zh) | 用于对注册风控模型进行效能评估的方法及装置 | |
CN109885485A (zh) | 交易冲突检测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |