CN111654866A - 移动通讯防诈骗的方法、装置及计算机存储介质 - Google Patents

Abstract

本申请实施例提供一种移动通讯防诈骗的方法、装置、电子设备及计算机存储介质。该移动通讯防诈骗的方法包括：获取待识别号码的属性信息；根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数；当风险指数大于风险阈值时，将待识别号码确定为可对用户产生不良影响的诈骗号码，当待识别号码是诈骗号码时，对诈骗号码进行处理。本申请在识别电话号码时，是针对电话号码属性信息进行分析，从而确定该电话号码是否为诈骗号码，避免因为通话语音的多样性而遗漏诈骗号码，提高了识别诈骗号码的准确率，当待识别号码是诈骗号码时，直接对诈骗号码进行处理，提高了防止移动通讯诈骗的效率。

Description

移动通讯防诈骗的方法、装置及计算机存储介质

技术领域

本申请实施例涉及移动通信技术领域，尤其涉及一种移动通讯防诈骗的方法、装置、电子设备及计算机存储介质。

背景技术

随着移动通讯网络的成熟，扩大了彼此沟通的时空范围，给用户带来了很大的方便，但也带来较为严重的通讯隐私信息泄露等问题，例如，现在很多网站注册或外出消费都要求用户填写电话号码，使得电话号码很容易泄漏给一些不法分子，导致用户经常接到广告、推销、诈骗等骚扰电话以及一些垃圾短信，给广大用户带来了很多困扰。

为了帮助用户预先识别推销、广告、诈骗等骚扰电话，当前移动通信管理中对骚扰电话常规的处理方法，一般是对骚扰电话历史通话数据中的关键字进行建模分析，从而对电话号码进行分类处理。或者，利用手机上带有的标记功能，当用户在手机上将主叫电话标记为推销、广告、诈骗等类型的骚扰电话之后，当该主叫电话再向任意一个手机号码发起呼叫请求时，被叫号码的手机界面上就会显示为推销、广告、诈骗等类型的骚扰电话标记，对被叫用户起到提醒作用。然而，目前的骚扰电话号码属性复杂，信息数据繁多，用于诈骗、广告推销的语言多种多样，简单的采用关键字统计建模分析的方式对骚扰电话进行验证处理，其分析结果不全面，容易遗漏骚扰电话号码，准确率低。

发明内容

有鉴于此，本发明实施例所解决的技术问题之一在于提供移动通讯防诈骗的方法、装置、电子设备及计算机存储介质，用以克服现有技术中采用对通话语音中关键字统计建模分析的方式对骚扰电话进行验证处理，其分析结果不全面，容易遗漏骚扰电话号码，准确率低的缺陷。

第一方面，本申请实施例提供了一种移动通讯防诈骗的方法，该方法包括：

获取待识别号码的属性信息，属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段；

根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数，风险指数表示待识别号码为诈骗号码的概率；

当风险指数大于风险阈值时，将待识别号码确定为可对用户产生不良影响的诈骗号码；

当待识别号码是诈骗号码时，对诈骗号码进行处理。

可选地，在本申请的一个实施例中，根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数，包括：

对属性信息进行转化处理，得到属性信息对应的数据特征集合；

根据电话号码预测模型对数据特征集合进行分析，确定待识别号码的风险指数。

可选地，在本申请的一个实施例中，根据电话号码预测模型对数据特征集合进行分析，确定待识别号码的风险指数，包括：

在数据特征集合中随机选取特征进行组合，得到至少一个特征集；

根据电话号码预测模型和至少一个特征集确定至少一个风险因子，风险因子用于指示预测特征集为诈骗号码的概率；

根据至少一个风险因子确定风险指数。

可选地，在本申请的一个实施例中，对诈骗号码进行处理，包括：根据属性信息追踪诈骗号码的来源信息；根据来源信息对诈骗号码进行标记，以根据标记对诈骗号码进行处理。

可选地，在本申请的一个实施例中，对诈骗号码进行处理，包括：向被叫号码发送针对诈骗号码的报警提示信息。

可选地，在本申请的一个实施例中，方法还包括：获取至少一个诈骗号码样本的至少一个属性信息；

根据至少一个属性信息对初始电话号码预测模型进行训练，得到电话号码预测模型。

可选地，在本申请的一个实施例中，根据至少一个属性信息对初始电话号码预测模型进行训练，得到电话号码预测模型，包括：

对至少一个属性信息进行转化处理，得到至少一个属性信息对应的至少一个数据特征集合；

根据至少一个数据特征集合中的特征对初始电话号码预测模型进行训练，得到电话号码预测模型。

可选地，在本申请的一个实施例中，静态属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地；动态属性信息包括以下至少一项：预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段。

第二方面，本申请实施例提供了一种移动通讯防诈骗的装置，该装置包括：

获取模块，获取模块用于获取待识别号码的属性信息，属性信息包括静态属性信息和/或动态属性信息；

分析模块，分析模块用于根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数，风险指数表示待识别号码为诈骗号码的概率；

确定模块，当风险指数大于风险阈值时，确定模块用于将待识别号码确定为可对用户产生不良影响的诈骗号码；

处理模块，当待识别号码是诈骗号码时，处理模块用于对诈骗号码进行处理。

第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；存储装置，用于存储至少一个程序；当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现如第一方面或第一方面的任意一个实施例中所描述的方法。

第四方面，本申请实施例提供了一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第一方面的任意一个实施例中所描述的方法。

本申请实施例提供一种移动通讯防诈骗的方法、装置、电子设备及计算机存储介质。该移动通讯防诈骗的方法包括：获取待识别号码的属性信息，属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段；根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数，风险指数表示待识别号码为诈骗号码的概率；当风险指数大于风险阈值时，将待识别号码确定为可对用户产生不良影响的诈骗号码，当待识别号码是诈骗号码时，对诈骗号码进行处理。本申请在识别电话号码时，是针对电话号码的属性信息进行分析，从而确定待识别号码是诈骗号码的概率，当该电话号码是诈骗号码的概率大于风险阈值时，确定该电话号码是诈骗号码，避免因为通话语音的多样性而遗漏诈骗号码，提高了识别诈骗号码的准确率，当待识别号码是诈骗号码时，直接对诈骗号码进行处理，提高了防止移动通讯诈骗的效率。

附图说明

下文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：

图1为本申请实施例提供的一种移动通讯防诈骗的方法的流程图；

图2为本申请实施例提供的一种识别电话号码的应用场景图；

图3为本申请实施例提供的一种移动通讯防诈骗的装置示意图；

图4为本申请实施例提供的一种电子设备的结构图。

具体实施方式

下面结合本发明实施例附图进一步说明本发明实施例具体实现。

实施例一、

本申请实施例一提供一种移动通讯防诈骗的方法，图1为本申请实施例提供的一种移动通讯防诈骗的方法的流程图，如图2所示，图2为本申请实施例提供的一种识别电话号码的应用场景图，将一个未知的待识别电话号码包括的属性信息输入电话号码预测模型，待识别号码可能是骚扰电话，诈骗电话，广告推销电话等不良电话号码，也可能是普通电话，电话号码预测模型对属性信息进行分析，得到待识别号码的风险指数，当风险指数大于风险阈值时，确定该待识别号码是诈骗号码，当风险指数小于且等于风险阈值时，确定该待识别号码不是诈骗号码。利用本申请的移动通讯防诈骗的方法，可以对未知号码进行筛选，将一些潜在的诈骗号码直接识别出来，从而提高了判断电话号码是否为诈骗号码的准确度，有利于后续根据该判断结果直接对该诈骗号码进行处理，将诈骗号码扼杀在初始状态，使得不法分子不能再使用该诈骗号码骚扰用户，提高了识别电话号码的准确度，提高了防止移动通讯诈骗的效率。

如图1所示，该移动通讯防诈骗的方法包括如下步骤101-104：

步骤101、获取待识别号码的属性信息。

属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段。

其中，入网信息、定制的套餐、信用等级、常驻区域和漫游地是属性信息中的静态属性信息，静态属性信息是待识别号码的固有属性；预设时间段内的通话时长、短信统计、流量统计、通话频率和活跃时间段是属性信息中的动态属性信息，动态属性信息是用户使用待识别号码所产生的行为信息；其中，预设时间段内的通话时长可以包括在1年内的通话时长，某一个季度的通话时长，一天中某一时间段内的通话时长等；活跃时间段可以包括该待识别号码通常是在哪一个时间段进行通话，最早通话时间点，最晚通话时间点等日常通话属性。

属性信息可以只包括静态属性信息，例如属性信息包括入网信息，定制的套餐；属性信息也可以只包括动态属性信息，例如，流量统计，通话频率；属性信息也可以同时包括静态属性信息和动态属性信息，例如，属性信息包括信用等级，常驻区域，预设时间段内的通话时长，短信统计，对此，本申请实施例不做限制，当属性信息包括静态属性信息和动态属性信息时，利用电话号码预测模型对属性信息进行分析，可以提高分析结果的准确度。

步骤102、根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数。

其中，风险指数表示待识别号码为诈骗号码的概率。

本申请实施例将待识别号码输入电话号码预测模型中，通过电话号码预测模型对该待识别号码的属性信息进行分析，预测该待识别号码为诈骗号码的概率。

本申请实施例的电话号码预测模型可以是通过分类算法进行数据特征分析，例如，常见的分类算法有：决策树、k近邻算法、贝叶斯、支持向量机、逻辑回归、随机森林等。属性信息包含有很多的内容，电话号码预测模型是对这些内容进行分析，得到待识别号码的风险指数，该风险指数用于表示待识别号码为诈骗号码概率。

本申请是获取待识别号码的属性信息，与获取历史通话记录中的关键字段数据相比，待识别电话的属性信息能够真实反映待识别电话所属用户的一些基本固有属性，以及用户在使用待识别号码时产生的一些可量化的动态属性，并不依附于变化多端的关键字段，例如，诈骗话语中的关键字段可以是仿冒公检法，仿冒领导熟人，仿冒电商客服，仿冒银行，仿冒助学金等，广告推销话语中的关键字段可以是英语学习，二手房买卖，红酒推销等，这些关键字段与生活密切相关，且可以变换形式，容易漏掉一些时常更新话语的骚扰电话。本申请实施例能够具体的针对待识别号码所对应的用户属性进行分析，可以避免由于关键字段的多样性所造成的漏掉一些诈骗号码，分析全面，提高了识别电话号码的准确度，当属性信息包括静态属性信息和动态属性信息时，利用电话号码预测模型对属性信息进行分析，可以提高分析结果的准确度。

可选地，在本申请的一种实施例中，步骤102可以包括：步骤102a、对属性信息进行转化处理，得到属性信息对应的数据特征集合。

需要说明的是，在利用电话号码预测模型对属性信息进行分析时，属性信息是非常繁多的，且属性信息中的某些信息不能被电话号码预测模型有效识别，在此，需要对属性信息进行进一步的转化处理，得到属性信息对应的数据特征集合，可选地，将属性信息中静态属性信息转化为基本数据特征集合，将属性信息中动态属性信息转化为行为数据特征集合，行为数据特征用于表示用户使用待识别号码所产生的行为；数据特征集合可以只包括基本数据特征集合，也可以只包括行为数据特征集合，数据特征集合也可以同时包括基本数据特征集合和行为数据特征集合，当数据特征集合包括基本数据特征集合和行为数据特征集合时，利用电话号码预测模型对数据特征集合中的特征进行分析，可以提高分析结果的准确度。

数据特征集合中的每一个数据特征对应于属性信息中的每一项信息，可以理解的是，也可以是一个数据特征对应于多项信息，或者多个数据特征对应于一项信息，本申请实施例是以一个数据特征对应一项信息为例进行说明，并不代表本申请实施例局限于此。将静态属性信息中的入网信息，定制的套餐，信用等级，常驻区域，漫游地等转化成基本数据特征集合，例如，将信用等级分为3个等级，分别是低、中、高，并将等级类别设置为电话号码预测模型能够识别的数据特征，例如01、02、03，定制的套餐分为A套餐、B套餐、C套餐等，并将A套餐、B套餐、C套餐设置为电话号码预测模型能够识别的数据特征。将动态属性信息中的预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段等转化成行为数据特征集合；需要说明的是，动态属性信息中的预设时间一周内的通话时长，当采集样本的数量非常多时，通话时长是各不同的，如果不对通话时长进行处理，直接利用电话号码预测模型对每个通话时长进行分析，计算量较大，容易造成资源的浪费，且分析效率低；本申请实施例对动态属性信息进行转化处理，得到动态属性信息对应的行为数据特征，例如，将预设时间一周内的通话时长按照通话总时长分为3段，小于30分钟的分为第一段，大于等于30分钟且小于6小时的分为第二段，大于等于6小时的分为第三段；动态属性信息包括的其他的信息，例如短信统计，流量统计，通话频率，活跃时间段均可以按照这种方法进行分段，具体划分规则，可以按照实际情况进行设置，在此不再赘述。

步骤102b、根据电话号码预测模型对数据特征集合进行分析，确定待识别号码的风险指数。

本申请实施例对转化处理后得到数据特征集合进行分析，可以根据实际情况将属性信息转化为与实际情况相对应的数据特征集合，例如，可以将属性信息中的信息进行粗略分段，每一段的间距设置较大，由此得到的数据特征较少，在利用电话号码预测模型进行数据特征分析时，可以节省处理时间，提高处理效率；也可以将属性信息中的信息进行细致分段，每一段的间距设置小，由此得到的数据特征较多，在利用电话号码预测模型进行数据特征分析时，可以提高分析结果的准确度。本申请中根据电话号码预测模型对数据特征集合中的至少一个数据特征进行分析，确定待识别号码的风险指数。

需要说明的是，输入电话号码预测模型的特征可以直接是属性信息中包含的未经处理过的原始信息，也可以是属性信息转化处理后对应的数据特征集合中的数据特征，对此本申请实施例不做限制，当输入电话号码预测模型的是数据特征时，有利于电话号码预测模型识别该特征，并且相对于属性信息来说减少了数据数量，可以节省处理时间，提高处理效率。

可选地，在本申请的一种实施例中，步骤102b可以包括：在数据特征集合中随机选取特征进行组合，得到至少一个特征集；根据电话号码预测模型和至少一个特征集确定至少一个风险因子，风险因子用于指示预测特征集为诈骗号码的概率；根据至少一个风险因子确定风险指数。

如前，数据特征集合可以只包括静态属性信息中信息所对应的基本数据特征，数据特征集合可以只包括动态属性信息中信息所对应的行为数据特征，数据特征集合也可以同时包括基本数据特征和行为数据特征，对此本申请实施例不做限制。在此以数据特征集合包括基本数据特征和行为数据特征为例进行说明，例如，数据特征集合包括信用等级，常驻区域，漫游地，通话频率，活跃时间段等分别对应的数据特征。

以电话号码预测模型是随机森林为例进行说明，随机森林是一个包含多个决策树的分类器，随机森林将这些数据特征进行随机组合，可以得到多个决策树，示例的，输入到随机森林的数据特征集合包括信用等级，常驻区域，漫游地，通话频率，活跃时间段对应的数据特征，本申请实施例中的一个决策树对应一个特征集，每个决策树中包括至少一个数据特征，例如决策树有3个，第一个决策树包括信用等级，常驻区域对应的数据特征，第二个决策树包括漫游地对应的数据特征，第三个决策树包括常驻区域，漫游地，活跃时间段对应的数据特征，对至少一个数据特征组成的特征集进行分析，从而预测特征集成为诈骗号码的概率，第一个决策树对应的特征集是诈骗号码的概率是60％，第二个决策树对应的特征集是诈骗号码的概率是20％，第三个决策树对应的特征集是诈骗号码的概率是50％，将该特征集成为诈骗号码的概率用风险因子表示，一个决策树对应一个风险因子，可以得到3个风险因子。

可选地，在本申请的一个实施例中，根据至少一个风险因子确定风险指数，包括：将至少一个风险因子的平均值作为风险指数；或者将至少一个风险因子中的最大值作为风险指数；或者将至少一个风险因子中的最小值作为风险指数；或者当风险因子的数量大于等于3个时，将风险因子中的最大值和最小值去掉，将剩余的风险因子的平均值作为风险指数。

以5个决策树为例进行说明，第一个决策树对应的特征集是诈骗号码的概率是60％，第二个决策树对应的特征集是诈骗号码的概率是20％，第三个决策树对应的特征集是诈骗号码的概率是40％，第四个决策树对应的特征集是诈骗号码的概率是80％，第五个决策树对应的特征集是诈骗号码的概率是90％，也就是包括有5个风险因子，分别是60％、20％、40％、80％、90％，一种实现方式中，将5个风险因子的平均值作为风险指数，此时，该风险指数是58％，另一种实现方式中，将5个风险因子的最大值作为风险指数，该风险指数是90％，再一种实现方式中，将5个风险因子的最小值作为风险指数，该风险指数是20％，又一种实现方式中，将风险因子中的最大值90％和最小值20％去掉，将剩余的风险因子即60％、40％、80％的平均值作为风险指数，该风险指数是60％。可以理解的是，本申请实施例列举了4种计算风险因子的方法进行说明，也可以是其他的计算方法，例如，对每个决策树赋予权重值，将5个风险因子的加权平均值作为风险指数，对此本申请实施例不做限制，所有根据至少一个风险因子确定风险指数的计算方法都在本申请的保护范围之内。

步骤103、当风险指数大于风险阈值时，将待识别号码确定为可对用户产生不良影响的诈骗号码。

本申请中的诈骗号码可以是骚扰号码、诈骗号码、广告推销号码、黑名单号码等对用户带来糟糕体验等不良影响的恶意电话，均是诈骗号码。

当风险指数大于风险阈值时，将待识别号码确定为诈骗号码，风险阈值可以根据实际情况进行设置，在此，列举三个示例进行说明，第一个示例，风险指数为60％，设置风险阈值为50％，该风险指数大于风险阈值，该待识别号码是诈骗号码；第二个示例，风险指数为50％，设置风险阈值为50％，该风险指数等于风险阈值，该待识别号码不是诈骗号码；第三个示例，风险指数为20％，设置风险阈值为50％，该风险指数小于风险阈值，该待识别号码不是诈骗号码。

步骤104、当待识别号码是诈骗号码时，对诈骗号码进行处理。

在判断出待识别号码是诈骗号码之后，本申请还对诈骗号码进行处理，将诈骗号码扼杀在初始状态，使得不法分子不能再使用该诈骗号码骚扰用户，提高了防止移动通讯诈骗的效率。

本申请在识别电话号码时，是针对电话号码的属性信息进行分析，从而确定待识别号码的风险指数，当风险指数大于风险阈值时，确定该电话号码是诈骗号码，避免因为通话语音的多样性而遗漏诈骗号码，提高了识别诈骗号码的准确率。此外，与单纯的通过用户对骚扰电话号码进行标记的方式相比，提高了处理效率，并且覆盖率高。在判断出待识别号码是诈骗号码之后，还对诈骗号码进行处理，将诈骗号码扼杀在初始状态，提高了防止移动通讯诈骗的效率。

当待识别号码是诈骗号码时，步骤104中对诈骗号码进行处理可以包括以下两种方式，一种可实现的方式中，根据属性信息追踪诈骗号码的来源信息；根据来源信息对诈骗号码进行标记，以根据标记对诈骗号码进行处理。

本申请实施例中可以由管理系统根据标记对诈骗号码进行处理，管理系统可以是运营商等职能管理部门、公安有关部门等管理系统，当确定待识别号码是诈骗号码之后，根据诈骗号码属性信息中的静态属性信息追踪来源，从而在来源上对诈骗号码进行标记，该标记可用于对诈骗号码进行识别和定位，从未使得管理系统可以根据该标记对诈骗号码进行处理，可以对诈骗号码进行关停，使其不再有效，也可以对诈骗号码进行监控，控制其活动范围和活动时间，对该诈骗号码的一些短信和电话进行拦截，从而达到减少诈骗行为发生的目的。

另一种可实现的方式中，向被叫号码发送针对诈骗号码的报警提示信息。

当不法分子利用该诈骗号码向外拨打电话时，向其被叫号码发送针对该诈骗号码的报警提示信息，报警提示信息可以是以文字和/或语音的方式呈现，用于提醒被叫用户该主叫号码是诈骗号码，从而提高被叫用户的警惕性。

以上两种可实现方式，可以不分先后依次执行，执行其中任意一种处理方法，并不影响执行另一种处理方法；以上两种处理方法也可以组合在一起执行，也就是在确定待识别号码是诈骗号码之后，可以根据属性信息追踪诈骗号码的来源信息；根据来源信息对诈骗号码进行标记，以根据标记对诈骗号码进行处理，还可以同时向被叫号码发送针对诈骗号码的报警提示信息，对此本申请实施例仅是示例性说明，并不构成对本申请的限制。

实施例二、

本申请实施例提供了一种建立电话号码预测模型的方法，获取至少一个诈骗号码样本的至少一个属性信息；根据至少一个属性信息对初始电话号码预测模型进行训练，得到电话号码预测模型。

需要说明的是，本申请实施例中的电话号码预测模型可以是采用分类算法，常见的分类算法有：决策树、k近邻算法、贝叶斯、支持向量机、逻辑回归、随机森林等，在此以随机森林为例对电话号码预测模型进行说明，随机森林是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，例如，针对的是分类问题，每棵决策树都是一个分类器，那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，并根据分类投票结果作出最终的输出，计算精度比大多数单个分类算法高。由于随机森林是随机选取样本，随机选取特征进行组合，使得随机森林不容易陷入过拟合，实现简单，精度高。并且由于决策树的组合，使得随机森林可以处理非线性数据，本身属于非线性分类(拟合)模型，它能够处理特征很多的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化，训练速度快，可以运用在大规模数据集上。随机森林在训练过程中，能够检测到特征之间的互相影响，且可以得出特征的重要性，具有一定参考意义。

本申请中选取至少一个已经被确定为诈骗号码的电话号码作为样本，诈骗号码可以是诈骗、广告、推销等骚扰电话，在获取诈骗号码时，可以是通过互联网公司获取，也可以是通过用户在举报投诉系统中标注的骚扰电话号码等，也可以是通过黑名单获取，对此本申请实施例不做限制。

需要说明的是，本申请中的属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段，

可选地，在本申请的一种实施例中，根据至少一个属性信息对初始电话号码预测模型进行训练，得到电话号码预测模型，包括：对至少一个属性信息进行转化处理，得到至少一个属性信息对应的至少一个数据特征集合；根据至少一个数据特征集合中的特征对初始电话号码预测模型进行训练，得到电话号码预测模型。

在根据属性信息对初始的电话号码预测模型进行训练时，将属性信息输入到初始的电话号码预测模型，属性信息是非常繁多的，且属性信息中的某些信息不能被初始的电话号码预测模型有效识别，在此，需要对属性信息进行进一步的转化处理，得到属性信息对应的数据特征集合，一个属性信息对应一个数据特征集合，每个数据特征集合中包括至少一个特征。例如在某次训练过程中，选择了5个诈骗号码，一个诈骗号码对应一个属性信息，第一个诈骗号码的属性信息中包含了4个信息，对应的数据特征集合中包含4个数据特征，第二个诈骗号码的属性信息中包含了6个信息，对应的数据特征集合中包含6个数据特征，第三个诈骗号码的属性信息中包含了5个信息，对应的数据特征集合中包含5个数据特征，第四个诈骗号码的属性信息中包含了3个信息，对应的数据特征集合中包含3个数据特征，第五个诈骗号码的属性信息中包含了6个信息，对应的数据特征集合中包含6个数据特征，总共有24个数据特征，根据这24个数据特征，随机且有放回地抽取至少一个数据特征，对初始的电话号码预测模型进行训练，得到电话号码预测模型进行训练。其中，这五个诈骗号码的属性信息可以是静态属性信息，也可以是动态属性信息，也可是静态属性信息和动态属性信息，对此本申请不做限制。

本申请实施例提供的一种电话号码预测模型，通过对已确定的诈骗、广告推销等骚扰电话号码的属性信息进行建模分析，得到电话号码预测模型。通过电话号码预测模型实现对现有用户的属性信息进行分析，从而识别诈骗号码对应的异常用户，分析全面，提高了识别诈骗号码的准确度。

实施例三、

本申请实施例提供了一种移动通讯防诈骗的装置，如图3所示，图3为本申请实施例提供的一种移动通讯防诈骗的装置30，移动通讯防诈骗的装置30包括获取模块301、分析模块302、确定模块303、处理模块304；

获取模块301用于获取待识别号码的属性信息，属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段；

分析模块302用于根据电话号码预测模型对属性信息进行分析，确定待识别号码的风险指数，风险指数表示待识别号码为诈骗号码的概率；

当风险指数大于风险阈值时，确定模块303用于将待识别号码确定为可对用户产生不良影响的诈骗号码；

当待识别号码是诈骗号码时，处理模块304用于对诈骗号码进行处理。

可选地，在本申请的一个实施例中，分析模块302还用于对属性信息进行转化处理，得到属性信息对应的数据特征集合；

根据电话号码预测模型对数据特征集合进行分析，确定待识别号码的风险指数。

可选地，在本申请的一个实施例中，确定模块303还用于在数据特征集合中随机选取特征进行组合，得到至少一个特征集；

根据电话号码预测模型和至少一个特征集确定至少一个风险因子，风险因子用于指示预测特征集为诈骗号码的概率；

根据至少一个风险因子确定风险指数。

可选地，在本申请的一个实施例中，处理模块304还用于根据属性信息追踪诈骗号码的来源信息；根据来源信息对诈骗号码进行标记，以根据标记对诈骗号码进行处理。

可选地，在本申请的一个实施例中，处理模块304还用于向被叫号码发送针对诈骗号码的报警提示信息。

可选地，在本申请的一个实施例中，移动通讯防诈骗的装置30还包括训练模块，训练模块用于获取至少一个诈骗号码样本的至少一个属性信息；

根据至少一个属性信息对初始电话号码预测模型进行训练，得到电话号码预测模型。

可选地，在本申请的一个实施例中，训练模块还用于对至少一个属性信息进行转化处理，得到至少一个属性信息对应的至少一个数据特征集合；

根据至少一个数据特征集合中的特征对初始电话号码预测模型进行训练，得到电话号码预测模型。

实施例四、

基于上述实施例一至实施例二描述的移动通讯防诈骗的方法，本申请实施例提供了一种电子设备，如图4所示，图4为本申请实施例提供的一种电子设备的结构图，该电子设备40包括：至少一个处理器401；存储器402，存储器存储有至少一个程序412，处理器401和存储器402电连接，当至少一个程序被至少一个处理器401执行时，使得至少一个处理器401实现如实施例一至实施例二所描述的方法。

可选地，在本申请的一个实施例中，该电子设备40还包括：总线403和通信接口404，至少一个处理器401、存储器402和通信接口404通过总线403相互通信。

实施例五、

基于上述实施例一至实施例二描述的移动通讯防诈骗的方法，本申请实施例提供了一计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如实施例一至实施例二所描述的方法。

本申请实施例的图像相似度计算装置以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)其他具有数据交互功能的电子设备。

至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请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，本申请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计算机存储介质(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。

本申请是参照根据本申请实施例的方法、装置、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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计算机存储介质(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。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种移动通讯防诈骗的方法，其特征在于，所述方法包括：

获取待识别号码的属性信息，所述属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段；

根据电话号码预测模型对所述属性信息进行分析，确定所述待识别号码的风险指数，所述风险指数表示所述待识别号码为诈骗号码的概率；

当所述风险指数大于风险阈值时，将所述待识别号码确定为可对用户产生不良影响的诈骗号码；

当所述待识别号码是诈骗号码时，对所述诈骗号码进行处理。

2.根据权利要求1所述的方法，其特征在于，根据电话号码预测模型对所述属性信息进行分析，确定所述待识别号码的风险指数，包括：

对所述属性信息进行转化处理，得到所述属性信息对应的数据特征集合；

根据电话号码预测模型对所述数据特征集合进行分析，确定所述待识别号码的风险指数。

3.根据权利要求2所述的方法，其特征在于，根据电话号码预测模型对所述数据特征集合进行分析，确定所述待识别号码的风险指数，包括：

在所述数据特征集合中随机选取特征进行组合，得到至少一个特征集；

根据所述电话号码预测模型和所述至少一个特征集确定至少一个风险因子，所述风险因子用于指示预测所述特征集为诈骗号码的概率；

根据所述至少一个风险因子确定所述风险指数。

4.根据权利要求1所述的方法，其特征在于，对所述诈骗号码进行处理，包括：

根据所述属性信息追踪所述诈骗号码的来源信息；

根据所述来源信息对所述诈骗号码进行标记，以根据所述标记对所述诈骗号码进行处理。

5.根据权利要求1所述的方法，其特征在于，对所述诈骗号码进行处理，包括：

向被叫号码发送针对所述诈骗号码的报警提示信息。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取至少一个诈骗号码样本的至少一个属性信息；

根据所述至少一个属性信息对初始电话号码预测模型进行训练，得到所述电话号码预测模型。

7.根据权利要求6所述的方法，其特征在于，根据所述至少一个属性信息对初始电话号码预测模型进行训练，得到所述电话号码预测模型，包括：

对所述至少一个属性信息进行转化处理，得到所述至少一个属性信息对应的至少一个数据特征集合；

根据至少一个数据特征集合中的特征对所述初始电话号码预测模型进行训练，得到所述电话号码预测模型。

8.一种移动通讯防诈骗的装置，其特征在于，所述装置包括：

获取模块，所述获取模块用于获取待识别号码的属性信息，所述属性信息包括以下至少一项：入网信息，定制的套餐，信用等级，常驻区域，漫游地，预设时间段内的通话时长，短信统计，流量统计，通话频率，活跃时间段；

分析模块，所述分析模块用于根据电话号码预测模型对所述属性信息进行分析，确定所述待识别号码的风险指数，所述风险指数表示所述待识别号码为诈骗号码的概率；

确定模块，当所述风险指数大于风险阈值时，所述确定模块用于将所述待识别号码确定为可对所述用户产生不良影响的诈骗号码；

处理模块，当所述待识别号码是诈骗号码时，所述处理模块用于对所述诈骗号码进行处理。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器上存储有计算机程序；所述处理器用于执行所述存储器中存储的计算机程序实现如权利要求1-7任一项所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的方法。

Images