CN115102789A - 一种反通信网络诈骗研判预警拦截综合平台 - Google Patents

一种反通信网络诈骗研判预警拦截综合平台 Download PDF

Info

Publication number
CN115102789A
CN115102789A CN202211015394.9A CN202211015394A CN115102789A CN 115102789 A CN115102789 A CN 115102789A CN 202211015394 A CN202211015394 A CN 202211015394A CN 115102789 A CN115102789 A CN 115102789A
Authority
CN
China
Prior art keywords
voice
network communication
module
information
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.)
Granted
Application number
CN202211015394.9A
Other languages
English (en)
Other versions
CN115102789B (zh
Inventor
阮宝江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Boshengyu Network Technology Co ltd
Original Assignee
Nanjing Boshengyu Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Boshengyu Network Technology Co ltd filed Critical Nanjing Boshengyu Network Technology Co ltd
Priority to CN202211015394.9A priority Critical patent/CN115102789B/zh
Publication of CN115102789A publication Critical patent/CN115102789A/zh
Application granted granted Critical
Publication of CN115102789B publication Critical patent/CN115102789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/87—Detection of discrete points within a voice signal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic

Abstract

本发明公开了一种反通信网络诈骗研判预警拦截综合平台，包括数据获取模块、特征筛查模块、数据处理模块、综合研判模块和案件管理模块。当主用户与源用户进行网络通信时，利用数据获取模块获取相关通信数据信息；将获取到的通信数据信息进行特征筛查，然后将筛查后的结果经数据处理模块进行处理；最后将处理结果经综合研判模块分析，将风险研判结果提示给主用户，进行预警拦截。本发明解决了现有技术中存在拦截不彻底以及错误拦截的技术问题，实现了较彻底拦截以及减少错误拦截概率的技术效果。

Description

一种反通信网络诈骗研判预警拦截综合平台
技术领域
本发明涉及反通信网络诈骗、数据处理技术领域，尤其涉及一种反通信网络诈骗研判预警拦截综合平台。
背景技术
通讯网络诈骗是指犯罪分子通过电话、网络和短信方式，编造虚假信息，设置骗局，对受害人实施远程、非接触式诈骗，诱使受害人给犯罪分子打款或转账的犯罪行为。随着网络的日益发展，网络也慢慢的走进了人们的生活，网络在给大家提供方便的同时，不法分子也把目光转向网络，各种层次不穷的手段诱惑你，骗取你的钱财。近年来，随着我国通信技术越来越发达，很多人利用通讯网络实施诈骗犯罪，严重危害人民财产安全，影响到社会的安定。
对于反通信网络诈骗方法有很多，我国发明专利申请号202010264794.8，公开了一种基于特征分类的反通信网络诈骗识别方法，主要包括：S1、数据接收；S2、数据分析；S3、数据回馈确认；S4、人工审核处理；S5、疑似数据处理；S6、显示处理结果。该基于特征分类的反通信网络诈骗识别方法，通过数据收集完成后，在进行数据回馈确认处理，并将处理后的数据再次人工审核以及查询IP地址，查询完成后，并将查询数据通过显示屏进行显示。该基于特征分类的反通信网络诈骗识别方法，通过人工审核装置内部包括有人工审核单元、数据存储单元、数据发送单元以及数据接收单元，在人工审核过程中，能够时网络诈骗数据与外部大数据库内部的数据进行匹对，还能够将未存储的诈骗数据输送到大数据库内部进行存储。
但在实现上述申请实施例中发明技术方案的过程中，发现上述技术存在拦截不彻底以及错误拦截的技术问题。
发明内容
本发明通过提供一种反通信网络诈骗研判预警拦截综合平台，解决了现有技术中存在拦截不彻底以及错误拦截的技术问题，实现了较彻底拦截以及减少错误拦截概率的技术效果。
本发明提供了一种反通信网络诈骗研判预警拦截综合平台，具体包括以下技术方案：
一种反通信网络诈骗研判预警拦截综合平台，包括以下部分：
数据获取模块，特征筛查模块，数据处理模块，综合研判模块和案件管理模块；
所述数据获取模块，用来获取用户通信网络中与交易以及个人信息相关的数据；
所述特征筛查模块，根据所述数据获取模块得到的数据，进行特征分析，随后进行溯源，得到主用户以及源用户的信息数据，通过查询通信网络用户特征数据库中用户的信息数据，对获取到的数据进行筛查；所述主用户为接收消息的网络用户，所述源用户为发送消息的网络用户；
所述数据处理模块，对所述特征筛查模块筛查后的数据进行处理，包含对数据的文本分析处理，环境分析处理，声音识别处理；
所述综合研判模块，将所述数据处理模块处理后的结果进行风险分析，根据分析结果进行综合研判，确定风险类别，并将风险研判结果提示给所述主用户，进行预警拦截，同时将所述数据处理模块中对应的数据处理结果存储到所述案件管理模块中对应的案件库中；
所述案件管理模块，用来存储经所述综合研判模块分析后确定为有风险的网络通信对应的数据处理结果，并根据综合研判分析结果进行实时更新。
一种反通信网络诈骗研判预警拦截执行方法，包括以下步骤：
S1. 当主用户与源用户进行网络通信时，利用数据获取模块获取相关通信数据信息；
S2. 将获取到的通信数据信息进行特征筛查，然后将筛查后的结果经数据处理模块进行处理；
S3. 最后将处理结果经综合研判模块分析，将风险研判结果提示给主用户，进行预警拦截。
进一步，所述步骤S1包括：
在对通信网络中的语音信息进行内容提取时，具体过程如下：
记语音信号为
Figure 100002_DEST_PATH_IMAGE001
，其中
Figure 359896DEST_PATH_IMAGE002
表示时刻，语音信号进行预加重、语音滤波、采样、分帧、A/D转换实现模拟信号数字化得到计算机可处理的数字信号，即获得在短时间内随时间变化很缓慢的短时语音数字信号
Figure 100002_DEST_PATH_IMAGE003
，其中
Figure 426947DEST_PATH_IMAGE004
表示采样点位置，即在10~30ms范围内语音信号频谱特性和语音特征参数保持相对稳定；
将短时语音数字信号
Figure 206553DEST_PATH_IMAGE003
进行滑动迭代语音检测，通过引入迭代因子，
Figure 100002_DEST_PATH_IMAGE005
，其中，
Figure 164274DEST_PATH_IMAGE006
表示能量，
Figure 100002_DEST_PATH_IMAGE007
表示第
Figure 100002_DEST_PATH_IMAGE009
次迭代语音信号，
Figure 386920DEST_PATH_IMAGE010
；利用滑动迭代语音检测算法对语音数字信号
Figure 14254DEST_PATH_IMAGE003
进行端点检测得到信号
Figure 100002_DEST_PATH_IMAGE011
。
进一步，所述步骤S1包括：
采用引入拟合因子的混合高斯模型来拟合语音信号，拟合因子表示为：
Figure 976263DEST_PATH_IMAGE012
通过混合高斯函数来表示输出概率
Figure 100002_DEST_PATH_IMAGE013
，优选的输出概率表示为：
Figure 946361DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE015
表示输出状态；
Figure 439660DEST_PATH_IMAGE016
和
Figure 100002_DEST_PATH_IMAGE017
分别对应相邻两个要转换的状态；
Figure 927142DEST_PATH_IMAGE018
表示混合数；
Figure 100002_DEST_PATH_IMAGE019
和
Figure 675481DEST_PATH_IMAGE020
分别表示从状态
Figure 691847DEST_PATH_IMAGE016
转换到
Figure 610124DEST_PATH_IMAGE017
输出状态的均值和方差。
进一步，所述步骤S2包括：
针对网络通信内容信息的提取结果，与数据库中的内容进行筛查对比；
根据获取到短信信息中的文字内容与文字数据库中的敏感词进行筛查对比，若存在敏感词则对该网络通信通过数据处理模块进行进一步处理；
根据获取到的语音信息中的文字内容以及声闻特征与文字数据库以及声音数据库进行筛查对比，若存在敏感词或声纹特征契合度较高时对该网络通信通过数据处理模块进行进一步处理；
根据获取的网页信息中的网址信息、恶意代码与网络数据库进行筛查对比，若筛查到有相同或相近的相关信息时，则对该网络通信通过数据处理模块进行进一步处理。
进一步，所述步骤S2包括：
当所述网络通信发生在手机端时，首先，查找两用户的共同联系人，得到共同联系人个数为
Figure 100002_DEST_PATH_IMAGE021
，
Figure 166877DEST_PATH_IMAGE022
，设门限值
Figure 447685DEST_PATH_IMAGE024
，若
Figure 100002_DEST_PATH_IMAGE025
，则判定为两用户相互认识，不再继续处理；若
Figure 166111DEST_PATH_IMAGE026
，则判定两用户不熟识，进一步为对文本信息进行处理；
然后，根据所述网络通信中提取到的文本信息与文本数据库中的文本相似度进行计算得到总相关度，记敏感词集合
Figure 100002_DEST_PATH_IMAGE027
与对应的文本数据库中的敏感词的关联度集合为
Figure 696319DEST_PATH_IMAGE028
，
Figure 100002_DEST_PATH_IMAGE029
表示第n个敏感词关联度，所述总相关度计算如下：
Figure 921676DEST_PATH_IMAGE030
其中，
Figure 100002_DEST_PATH_IMAGE031
表示第i个敏感词的权重，
Figure 260253DEST_PATH_IMAGE032
；设门限值为
Figure DEST_PATH_IMAGE033
，若
Figure 274214DEST_PATH_IMAGE034
，则判定所述网络通信对应的文本信息为非可疑诈骗，不再继续处理；若
Figure 100002_DEST_PATH_IMAGE035
，则判定所诉网络通信对应的文本信息为可疑诈骗，继续进行进一步处理；若所述网络通信为短信则直接通过综合研判模块进行处理，若所述网络通信为语音信息则进行声纹信息处理；
最后，根据提取到的所述网络通信中语音信息的语音特征进行声音差异度计算：
Figure 291718DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE037
表示标准统一函数，
Figure 924693DEST_PATH_IMAGE038
为频率差异度，
Figure 100002_DEST_PATH_IMAGE039
分别表示网络通信中语音信号的频率特征和语音数据库中第i个语音对应的频率特征，
Figure 259989DEST_PATH_IMAGE040
表示振幅差异度，
Figure 100002_DEST_PATH_IMAGE041
分别表示网络通信中语音信号的振幅特征和语音数据库中第i个语音对应的振幅特征，
Figure 54639DEST_PATH_IMAGE042
表示相位差异度，
Figure 100002_DEST_PATH_IMAGE043
分别表示网络通信中语音信号的相位特征和语音数据库中第i个语音对应的相位特征，
Figure 90597DEST_PATH_IMAGE044
表示其他声音特征差异度；设门限值为
Figure 100002_DEST_PATH_IMAGE045
，若
Figure 261684DEST_PATH_IMAGE046
，则判定所述网络通信对应的语音信息为非可疑诈骗，不再继续处理，若
Figure 100002_DEST_PATH_IMAGE047
，则判定所述网络通信对应的语音信息为可疑诈骗，则通过综合研判模块进行处理。
进一步，所述步骤S3包括：
根据数据处理结果构建综合研判模型，对所述网络通信进行预警分析，模型构建如下：
Figure 699487DEST_PATH_IMAGE048
其中，Z表示综合风险指数，
Figure 100002_DEST_PATH_IMAGE049
表示风险换算函数，
Figure 857848DEST_PATH_IMAGE050
、
Figure 100002_DEST_PATH_IMAGE051
表示影响系数，
Figure 584365DEST_PATH_IMAGE052
表示敏感词总相关度，
Figure 100002_DEST_PATH_IMAGE053
表示声音差异度；设门限值为
Figure 100002_DEST_PATH_IMAGE055
，若
Figure 214935DEST_PATH_IMAGE056
，则对所述网络通信不预警拦截，若
Figure 100002_DEST_PATH_IMAGE057
，则对所述网络通信进行预警。
本发明至少具有如下技术效果或优点：
1、本发明采用引入迭代因子的滑动迭代语音检测算法对语音数字信号进行端点检测，从数字语音信号中检测出语音信号段和噪音段，得到相对准确的语音信号，利用该端点检测算法不仅可以减少计算量，还提高了语音识别的准确率，更准确的获取语音信息内容，进一步减少错误拦截概率。
2、本发明通过构造声学模型，对语音信号的信息概括更全面，通过采用引入拟合因子的混合高斯模型拟合信号，对信号的拟合更为准确，提供了匹配准确率，进一步提高语音识别的准确性，减少错误拦截概率。
3、本发明通过对文字信息、声纹信息、网络信息多层面进行逐项筛查，筛选出与对应所述数据库中的子数据库所含的相近信息，有效减少了拦截不彻底状况的发生。
4、本发明通过对所述网络通信逐步进行数据处理，进一步获得更准确的特征信息，为最后综合研判提供依据，同时在避免拦截不彻底的前提下，降低了错误拦截的概率。
5、本发明通过对语音特征各个差异度进行计算，更准确的计算出所述网络通信与声音数据库中的特征差异度，提高了数据处理的准确性，有效地降低了错误拦截的概率。
6、本发明通过构建综合研判模型对所述网络通信行为综合进行预警分析，得到更准确的分析结果，有效地减少了拦截不彻底的状况，同时降低了错误拦截的概率。
附图说明
图1为本发明所述的一种反通信网络诈骗研判预警拦截综合平台框图；
图2为本发明所述的反通信网络诈骗研判预警拦截方法流程图；
图3为本发明所述语音提取迭代滑动算法过程流程图。
具体实施方式
本申请实施例通过提供一种反通信网络诈骗研判预警拦截执行方法，解决了现有技术中拦截不彻底以及错误拦截的问题，总体思路如下：
当主用户与源用户进行网络通信时，利用数据获取模块获取相关通信数据信息；将获取到的通信数据信息进行特征筛查，然后将筛查后的结果经数据处理模块进行处理；最后将处理结果经综合研判模块分析，将风险研判结果提示给主用户，进行预警拦截。通过采用引入迭代因子的滑动迭代语音检测算法对语音数字信号进行端点检测，从数字语音信号中检测出语音信号段和噪音段，得到相对准确的语音信号，利用该端点检测算法不仅可以减少计算量，还提高了语音识别的准确率，更准确的获取语音信息内容，进一步减少错误拦截概率；通过构造声学模型，对语音信号的信息概括更全面，通过采用引入拟合因子的混合高斯模型拟合信号，对信号的拟合更为准确，提供了匹配准确率，进一步提高语音识别的准确性，减少错误拦截概率；通过对文字信息、声纹信息、网络信息多层面进行逐项筛查，筛选出与对应所述数据库中的子数据库所含的相近信息，有效减少了拦截不彻底状况的发生；通过对所述网络通信逐步进行数据处理，进一步获得更准确的特征信息，为最后综合研判提供依据，同时在避免拦截不彻底的前提下，降低了错误拦截的概率；通过对语音特征各个差异度进行计算，更准确的计算出所述网络通信与声音数据库中的特征差异度，提高了数据处理的准确性，有效地降低了错误拦截的概率；通过构建综合研判模型对所述网络通信行为综合进行预警分析，得到更准确的分析结果，有效地减少了拦截不彻底的状况，同时降低了错误拦截的概率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本发明所述的一种反通信网络诈骗研判预警拦截综合平台，包括以下部分：
数据获取模块，特征筛查模块，数据处理模块，综合研判模块，案件管理模块；
所述数据获取模块，用来获取用户通信网络中与交易以及个人信息相关的数据；
所述特征筛查模块，根据数据获取模块得到的数据，进行特征分析，随后进行溯源，得到主用户以及源用户的信息数据，通过查询通信网络用户特征数据库中用户的信息数据，对获取到的数据进行筛查；所述主用户为接收消息的网络用户，源用户为发送消息的网络用户。
所述数据处理模块，对特征筛查模块筛查后的数据进行处理，所述处理包含对所述数据的文本分析处理，环境分析处理，声音识别处理；
所述综合研判模块，将处理后的结果进行风险分析，根据分析结果进行综合研判，确定风险类别，并将风险研判结果提示给主用户，进行预警拦截，同时将数据处理模块中对应的数据处理结果存储到案件管理模块中对应的案件库中。
所述案件管理模块，用来存储经综合研判模块分析后确定为有风险的网络通信对应的数据处理结果，并根据综合研判分析结果进行实时更新。
特别地，平台中建有数据库，包含人员信息数据库，文字数据库、声音数据库、网络数据库，用来存储以往网络诈骗案例中所含有的人员信息，文本敏感词信息，音色音调响度信息，网页地址、恶意代码以及其他相关信息；所述敏感词为涉及违法交易，支付，不合规等较为敏感的词组，例如：汇款，支付，交易，违法等。所述数据库均有历次被骗人员信息，诈骗人员信息以及对应网络信息组成，特别地，根据诈骗举报以及研判结果对数据库进行更新。
参照附图2，本发明所述一种反通信网络诈骗研判预警拦截执行方法包括以下步骤：
S1. 当主用户与源用户进行网络通信时，利用数据获取模块获取相关通信数据信息。
当主用户与源用户进行网络通信时，所述网络通信包含手机端和电脑端接收到的短信，电话，和网络通信，当通信建立连接后，利用数据获取模块获取相关通信数据信息，所述通信数据信息包含主用户、原用户的手机号码/IP地址，网络通信内容，所述通信内容包含文字信息，语音信息，网页信息以及其他相关信息；
针对文字信息的获取，利用现有技术自然语言处理技术进行分词处理后再进行相关度判断，进一步，对获取此次通信的所有文字信息，所述相关度基于《知网》的义原相似度计算得到；
针对语音信息，内容提取过程如下：
记语音信号为
Figure 710507DEST_PATH_IMAGE058
，其中
Figure 841100DEST_PATH_IMAGE060
表示时刻，语音信号进行预加重、语音滤波、采样、分帧、A/D转换实现模拟信号数字化得到计算机可处理的数字信号，即获得在短时间内随时间变化很缓慢的短时语音数字信号
Figure DEST_PATH_IMAGE061
，其中
Figure 320492DEST_PATH_IMAGE062
表示采样点位置，即在10~30ms范围内语音信号频谱特性和语音特征参数保持相对稳定。
将短时语音数字信号
Figure 567802DEST_PATH_IMAGE061
进行滑动迭代语音检测，本发明引入迭代因子：
Figure DEST_PATH_IMAGE063
其中，
Figure 980198DEST_PATH_IMAGE064
表示能量，
Figure DEST_PATH_IMAGE065
表示第
Figure 818710DEST_PATH_IMAGE066
次迭代语音信号，
Figure DEST_PATH_IMAGE067
。具体迭代滑动过程参照图3。本发明利用滑动迭代语音检测算法对语音数字信号
Figure 50977DEST_PATH_IMAGE068
进行端点检测得到信号
Figure 311100DEST_PATH_IMAGE070
。
本发明通过采用引入迭代因子的滑动迭代语音检测算法对语音数字信号进行端点检测，从数字语音信号中检测出语音信号段和噪音段，得到相对准确的语音信号，利用该端点检测算法不仅可以减少计算量，还提高了语音识别的准确率，更准确的获取语音信息内容，进一步减少错误拦截概率。
将上述待识别短时语音数字信号
Figure 984527DEST_PATH_IMAGE070
进行声学特征提取，所提取的特征有语音数字信号的线性预测倒谱系数（LPCC）、梅尔频率倒谱系数（MFCC）、离散余弦变换、傅里叶变换。
对语音数字信号提取特征之后，本发明优选的对原始特征做归一化处理以此增强了系统鲁棒性。同时对待识别信号进行特征提取后将每一帧波形变成一个包含声音信息的多维向量
Figure DEST_PATH_IMAGE071
（特征矢量）。
特别地，若在综合研判模块进行风险分析后得到该网络通信存在诈骗风险，则将在此提取到的声纹特征存储于数据库中，进一步为后续网络通信研判提供参考。
将上述提取的信号特性构成的特征矢量
Figure 118574DEST_PATH_IMAGE071
经过训练得到构造的声学模型，依据声学模型来计算它属于每个基元的概率值，通过最大似然准则得出与特征序列对应的状态序列；
本发明构造声学模型具体如下：
Figure 651187DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE073
表示模型中所包含的有限隐含状态的集合；
Figure 630513DEST_PATH_IMAGE074
表示输出的可观测序列的集合；
Figure DEST_PATH_IMAGE075
表示状态之间转移概率的集合；
Figure 220763DEST_PATH_IMAGE076
表示给定状态下输出相应输出观察值的概率；
Figure DEST_PATH_IMAGE077
表示系统初始状态概率的集合,
Figure 684235DEST_PATH_IMAGE078
表示所有可能出现状态的权重集合。
本发明采用引入拟合因子的混合高斯模型来拟合语音信号，使得对语音信号的拟合更为准确，拟合因子表示为：
Figure DEST_PATH_IMAGE079
通过混合高斯函数来表示输出概率
Figure 94356DEST_PATH_IMAGE080
，优选的输出概率表示为：
Figure DEST_PATH_IMAGE081
其中，
Figure 956002DEST_PATH_IMAGE082
表示输出状态；
Figure DEST_PATH_IMAGE083
和
Figure DEST_PATH_IMAGE085
分别对应相邻两个要转换的状态；
Figure 587709DEST_PATH_IMAGE086
表示混合数；
Figure DEST_PATH_IMAGE087
和
Figure 79871DEST_PATH_IMAGE088
分别表示从状态
Figure 983148DEST_PATH_IMAGE083
转换到
Figure 320588DEST_PATH_IMAGE085
输出状态的均值和方差。
本发明通过构造声学模型，对语音信号的信息概括更全面，通过采用引入拟合因子的混合高斯模型拟合信号，对信号的拟合更为准确，提供了匹配准确率，进一步提高语音识别的准确性，减少错误拦截概率。
将声学模型、语言模型、发声词典组成网络，其中在给定语音特征序列
Figure DEST_PATH_IMAGE089
Figure 416589DEST_PATH_IMAGE090
后，
Figure DEST_PATH_IMAGE091
表示特征序列元素个数，结合声学模型和语言模型，根据最大后验概率算法输出词序列
Figure 610810DEST_PATH_IMAGE092
，其数学表示为：
Figure DEST_PATH_IMAGE093
其中，
Figure 526682DEST_PATH_IMAGE094
为语言模型，代表特定词序列
Figure DEST_PATH_IMAGE095
出现的先验概率；
Figure 730130DEST_PATH_IMAGE096
为声学模型，表示给定词序列为
Figure 24846DEST_PATH_IMAGE095
时，输出
Figure DEST_PATH_IMAGE097
的声学特征时的概率；
Figure 983443DEST_PATH_IMAGE098
是声学特征
Figure 849594DEST_PATH_IMAGE097
的概率，与词序列无关。
将上述输出的状态序列送入解码器模块进行解码，通过在一个由语言模型、发声词典、声学模型构成的网络空间中搜索得分最高的状态序列，利用现有技术维特比解码算法，运用动态规划在由多个状态构成的搜索空间中寻找一条最佳的状态序列路径，最终得到语音识别的文字输出。
进一步，对识别到的文字结果参照上述文字信息获取处理；
针对网页信息获取：
利用现有网络爬虫技术、web Client或HtmlUtil以及其他相关技术抓取网页信息、代码信息以及其他相关信息。
S2. 将获取到的通信数据信息进行特征筛查，然后将筛查后的结果经数据处理模块进行处理。
S21.将获取到的通信数据信息进行特征筛查。
针对网络通信内容信息的提取结果，与数据库中的内容进行筛查对比。
特别地，根据获取到短信信息中的文字内容与文字数据库中的敏感词进行筛查对比，若存在敏感词则对该网络通信通过数据处理模块进行进一步处理；
特别地，根据获取到的语音信息中的文字内容以及声闻特征与文字数据库以及声音数据库进行筛查对比，若存在敏感词或声纹特征契合度较高时对该网络通信通过数据处理模块进行进一步处理；
特别地，根据获取的网页信息中的网址信息、恶意代码与网络数据库进行筛查对比，若筛查到有相同或相近的相关信息时，则对该网络通信通过数据处理模块进行进一步处理。
本发明通过对文字信息、声纹信息、网络信息多层面进行逐项筛查，筛选出与对应所述数据库中的子数据库所含的相近信息，有效减少了拦截不彻底状况的发生。
S22.将筛查后的结果经数据处理模块进行处理。
通过特征筛查模块处理后，确定所述网络通信存在诈骗风险，通过数据处理模块对所述网络通信中提取到的数据信息进行进一步处理。
作为一个具体实施例，当所述网络通信发生在手机端时，根据短信、语音通话获取主用户以及源用户的手机号码，文字信息中敏感词，语音信息中对应的敏感词以及敏感声纹特征，记手机号码分别为
Figure DEST_PATH_IMAGE099
、
Figure 59995DEST_PATH_IMAGE100
，敏感词集合为
Figure DEST_PATH_IMAGE101
，n表示敏感词的个数，
Figure 865009DEST_PATH_IMAGE102
表示第n个敏感词，声纹特征集合为
Figure DEST_PATH_IMAGE103
，m表示相似声纹特征个数，
Figure 401033DEST_PATH_IMAGE104
表示第m个相似声纹特征。
针对手机通信的具体处理过程如下：
首先，查找两用户的共同联系人，得到共同联系人个数为
Figure DEST_PATH_IMAGE105
，
Figure 291497DEST_PATH_IMAGE106
，设门限值
Figure 774431DEST_PATH_IMAGE108
，若
Figure DEST_PATH_IMAGE109
，则判定为两用户相互认识，不再继续处理；若
Figure DEST_PATH_IMAGE111
，则判定两用户不熟识，继续进行进一步处理，所述进一步处理为对文本信息进行处理；
然后根据所述网络通信中提取到的文本信息与文本数据库中的文本相似度进行计算得到总相关度，记敏感词集合
Figure DEST_PATH_IMAGE113
与对应的文本数据库中的敏感词的关联度集合为
Figure DEST_PATH_IMAGE115
，
Figure DEST_PATH_IMAGE117
表示第n个敏感词关联度，所述总相关度计算如下：
Figure DEST_PATH_IMAGE119
其中，
Figure DEST_PATH_IMAGE121
表示第i个敏感词的权重，
Figure DEST_PATH_IMAGE123
。设门限值为
Figure DEST_PATH_IMAGE125
，若
Figure DEST_PATH_IMAGE127
，则判定所述网络通信对应的文本信息为非可疑诈骗，不再继续处理；若
Figure DEST_PATH_IMAGE129
，则判定所诉网络通信对应的文本信息为可疑诈骗，继续进行进一步处理；所述进一步处理，若所述网络通信为短信则直接通过综合研判模块进行处理，若所述网络通信为语音信息则进行声纹信息处理；
最后，根据提取到的所述网络通信中语音信息的语音特征进行声音差异度计算：
Figure DEST_PATH_IMAGE131
其中，
Figure DEST_PATH_IMAGE133
表示标准统一函数，
Figure DEST_PATH_IMAGE135
为频率差异度，
Figure DEST_PATH_IMAGE137
分别表示网络通信中语音信号的频率特征，语音数据库中第i个语音对应的频率特征，
Figure DEST_PATH_IMAGE139
表示振幅差异度，
Figure DEST_PATH_IMAGE141
表示网络通信中语音信号的振幅特征，语音数据库中第i个语音对应的振幅特征，
Figure DEST_PATH_IMAGE143
表示相位差异度，
Figure DEST_PATH_IMAGE145
表示网络通信中语音信号的相位特征，语音数据库中第i个语音对应的相位特征，
Figure DEST_PATH_IMAGE147
表示其他声音特征差异度。设门限值为
Figure DEST_PATH_IMAGE149
，若
Figure DEST_PATH_IMAGE151
，则判定所述网络通信对应的语音信息为非可疑诈骗，不再继续处理，若
Figure DEST_PATH_IMAGE153
，则判定所述网络通信对应的语音信息为可疑诈骗，继续进行进一步处理，所述进一步处理为通过综合研判模块进行处理。
本发明通过对语音特征各个差异度进行计算，更准确的计算出所述网络通信与声音数据库中的特征差异度，提高了数据处理的准确性，有效地降低了错误拦截的概率。
特别地，针对所述网络通信发生在PC端时，获取两用户的网络网址，进行类似于手机端处理过程进行处理。
本发明通过对所述网络通信逐步进行数据处理，进一步获得更准确的特征信息，为最后综合研判提供依据，同时在避免拦截不彻底的前提下，降低了错误拦截的概率。
S3. 最后将处理结果经综合研判模块分析，将风险研判结果提示给主用户，进行预警拦截。
S31.利用综合研判处理模块根据数据处理模块的处理结果进行综合研判分析。
根据数据处理结果构建综合研判模型，对所述网络通信进行预警分析，模型构建如下：
Figure DEST_PATH_IMAGE155
其中，Z表示综合风险指数，
Figure DEST_PATH_IMAGE157
表示风险换算函数，
Figure DEST_PATH_IMAGE159
、
Figure DEST_PATH_IMAGE161
表示影响系数，
Figure DEST_PATH_IMAGE163
表示敏感词总相关度，
Figure DEST_PATH_IMAGE165
表示声音差异度。设门限值为
Figure 221503DEST_PATH_IMAGE167
，若
Figure DEST_PATH_IMAGE169
，则对所述网络通信不预警拦截，若
Figure DEST_PATH_IMAGE171
，则对所述网络通信进行预警。
本发明通过构建综合研判模型对所述网络通信行为综合进行预警分析，得到更准确的分析结果，有效地减少了拦截不彻底的状况，同时降低了错误拦截的概率。
若通过综合研判模块分析后结果为诈骗行为则将提示信息发送给主用户，进行预警，若主用户仍继续进行操作，则及时对所述网络通信进行拦截，所述提示信息包含短信、语音以及其他形式形式信息。
S32.当出现漏警状况时，所采取的应对措施。
特别地，若存在漏拦截情况时，主用户根据网络通信时及时发现该通信为诈骗通信，则向平台进行反馈，并对此次网络通信进行特征提取并将提取到的特征存储于对应数据库中；
特别地，若存在漏拦截情况且主用户并没有发现该网络通信为诈骗通信时，当造成财产损失时，应及时报警，并将所述网络通信案件管理模块中，同时将此次网络通信过程中获取的特征信息分别存储于对应的数据库中。
综上所述，便完成了本发明所述的一种反通信网络诈骗研判预警拦截综合平台。
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进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明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 (7)

1.一种反通信网络诈骗研判预警拦截综合平台，其特征在于，包括以下部分：
数据获取模块，特征筛查模块，数据处理模块，综合研判模块和案件管理模块；
所述数据获取模块，用来获取用户通信网络中与交易以及个人信息相关的数据；
所述特征筛查模块，根据所述数据获取模块得到的数据，进行特征分析，随后进行溯源，得到主用户以及源用户的信息数据，通过查询通信网络用户特征数据库中用户的信息数据，对获取到的数据进行筛查；所述主用户为接收消息的网络用户，所述源用户为发送消息的网络用户；
所述数据处理模块，对所述特征筛查模块筛查后的数据进行处理，包含对数据的文本分析处理，环境分析处理，声音识别处理；
所述综合研判模块，将所述数据处理模块处理后的结果进行风险分析，根据分析结果进行综合研判，确定风险类别，并将风险研判结果提示给所述主用户，进行预警拦截，同时将所述数据处理模块中对应的数据处理结果存储到所述案件管理模块中对应的案件库中；
所述案件管理模块，用来存储经所述综合研判模块分析后确定为有风险的网络通信对应的数据处理结果，并根据综合研判分析结果进行实时更新。
2.一种反通信网络诈骗研判预警拦截执行方法，其特征在于，包括以下步骤：
S1. 当主用户与源用户进行网络通信时，利用数据获取模块获取相关通信数据信息；
S2. 将获取到的通信数据信息进行特征筛查，然后将筛查后的结果经数据处理模块进行处理；
S3. 最后将处理结果经综合研判模块分析，将风险研判结果提示给主用户，进行预警拦截。
3.根据权利要求2所述的一种反通信网络诈骗研判预警拦截执行方法，其特征在于，所述步骤S1包括：
在对通信网络中的语音信息进行内容提取时，具体过程如下：
记语音信号为
Figure DEST_PATH_IMAGE001
，其中
Figure 627819DEST_PATH_IMAGE002
表示时刻，语音信号进行预加重、语音滤波、采样、分帧、A/D转换实现模拟信号数字化得到计算机可处理的数字信号，即获得在短时间内随时间变化很缓慢的短时语音数字信号
Figure DEST_PATH_IMAGE003
，其中
Figure 46425DEST_PATH_IMAGE004
表示采样点位置，即在10~30ms范围内语音信号频谱特性和语音特征参数保持相对稳定；
将短时语音数字信号
Figure 544271DEST_PATH_IMAGE003
进行滑动迭代语音检测，通过引入迭代因子，
Figure DEST_PATH_IMAGE005
，其中，
Figure 185818DEST_PATH_IMAGE006
表示能量，
Figure DEST_PATH_IMAGE007
表示第
Figure DEST_PATH_IMAGE009
次迭代语音信号，
Figure 626289DEST_PATH_IMAGE010
；利用滑动迭代语音检测算法对语音数字信号
Figure DEST_PATH_IMAGE011
进行端点检测得到信号
Figure 120855DEST_PATH_IMAGE012
。
4.根据权利要求2所述的一种反通信网络诈骗研判预警拦截执行方法，其特征在于，所述步骤S1包括：
采用引入拟合因子的混合高斯模型来拟合语音信号，拟合因子表示为：
Figure DEST_PATH_IMAGE013
通过混合高斯函数来表示输出概率
Figure 637156DEST_PATH_IMAGE014
，优选的输出概率表示为：
Figure DEST_PATH_IMAGE015
其中，
Figure 840252DEST_PATH_IMAGE016
表示输出状态；
Figure DEST_PATH_IMAGE017
和
Figure 210929DEST_PATH_IMAGE018
分别对应相邻两个要转换的状态；
Figure DEST_PATH_IMAGE019
表示混合数；
Figure 66277DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
分别表示从状态
Figure 706425DEST_PATH_IMAGE017
转换到
Figure 787644DEST_PATH_IMAGE018
输出状态的均值和方差。
5.根据权利要求2所述的一种反通信网络诈骗研判预警拦截执行方法，其特征在于，所述步骤S2包括：
针对网络通信内容信息的提取结果，与数据库中的内容进行筛查对比；
根据获取到短信信息中的文字内容与文字数据库中的敏感词进行筛查对比，若存在敏感词则对该网络通信通过数据处理模块进行进一步处理；
根据获取到的语音信息中的文字内容以及声闻特征与文字数据库以及声音数据库进行筛查对比，若存在敏感词或声纹特征契合度较高时对该网络通信通过数据处理模块进行进一步处理；
根据获取的网页信息中的网址信息、恶意代码与网络数据库进行筛查对比，若筛查到有相同或相近的相关信息时，则对该网络通信通过数据处理模块进行进一步处理。
6.根据权利要求2所述的一种反通信网络诈骗研判预警拦截执行方法，其特征在于，所述步骤S2包括：
当所述网络通信发生在手机端时，首先，查找两用户的共同联系人，得到共同联系人个数为
Figure 888193DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，设门限值
Figure 255720DEST_PATH_IMAGE024
，若
Figure DEST_PATH_IMAGE025
，则判定为两用户相互认识，不再继续处理；若
Figure 139756DEST_PATH_IMAGE026
，则判定两用户不熟识，进一步为对文本信息进行处理；
然后，根据所述网络通信中提取到的文本信息与文本数据库中的文本相似度进行计算得到总相关度，记敏感词集合
Figure DEST_PATH_IMAGE027
与对应的文本数据库中的敏感词的关联度集合为
Figure 601830DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
表示第n个敏感词关联度，所述总相关度计算如下：
Figure 651826DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示第i个敏感词的权重，
Figure 171013DEST_PATH_IMAGE032
；设门限值为
Figure 227831DEST_PATH_IMAGE034
，若
Figure DEST_PATH_IMAGE035
，则判定所述网络通信对应的文本信息为非可疑诈骗，不再继续处理；若
Figure 228017DEST_PATH_IMAGE036
，则判定所诉网络通信对应的文本信息为可疑诈骗，继续进行进一步处理；若所述网络通信为短信则直接通过综合研判模块进行处理，若所述网络通信为语音信息则进行声纹信息处理；
最后，根据提取到的所述网络通信中语音信息的语音特征进行声音差异度计算：
Figure DEST_PATH_IMAGE037
其中，
Figure 165142DEST_PATH_IMAGE038
表示标准统一函数，
Figure DEST_PATH_IMAGE039
为频率差异度，
Figure 858161DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
分别表示网络通信中语音信号的频率特征和语音数据库中第i个语音对应的频率特征，
Figure DEST_PATH_IMAGE043
表示振幅差异度，
Figure 117454DEST_PATH_IMAGE044
分别表示网络通信中语音信号的振幅特征和语音数据库中第i个语音对应的振幅特征，
Figure DEST_PATH_IMAGE045
表示相位差异度，
Figure DEST_PATH_IMAGE047
分别表示网络通信中语音信号的相位特征和语音数据库中第i个语音对应的相位特征，
Figure 249227DEST_PATH_IMAGE048
表示其他声音特征差异度；设门限值为
Figure DEST_PATH_IMAGE049
，若
Figure 791591DEST_PATH_IMAGE050
，则判定所述网络通信对应的语音信息为非可疑诈骗，不再继续处理，若
Figure DEST_PATH_IMAGE051
，则判定所述网络通信对应的语音信息为可疑诈骗，则通过综合研判模块进行处理。
7.根据权利要求2所述的一种反通信网络诈骗研判预警拦截执行方法，其特征在于，所述步骤S3包括：
根据数据处理结果构建综合研判模型，对所述网络通信进行预警分析，模型构建如下：
Figure 406243DEST_PATH_IMAGE052
其中，Z表示综合风险指数，
Figure DEST_PATH_IMAGE053
表示风险换算函数，
Figure 14817DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
表示影响系数，
Figure 576380DEST_PATH_IMAGE056
表示敏感词总相关度，
Figure DEST_PATH_IMAGE057
表示声音差异度；设门限值为
Figure 990828DEST_PATH_IMAGE058
，若
Figure DEST_PATH_IMAGE059
，则对所述网络通信不预警拦截，若
Figure 743759DEST_PATH_IMAGE060
，则对所述网络通信进行预警。
CN202211015394.9A 2022-08-24 2022-08-24 一种反通信网络诈骗研判预警拦截综合平台 Active CN115102789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015394.9A CN115102789B (zh) 2022-08-24 2022-08-24 一种反通信网络诈骗研判预警拦截综合平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015394.9A CN115102789B (zh) 2022-08-24 2022-08-24 一种反通信网络诈骗研判预警拦截综合平台

Publications (2)

Publication Number Publication Date
CN115102789A true CN115102789A (zh) 2022-09-23
CN115102789B CN115102789B (zh) 2022-11-15

Family

ID=83301083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015394.9A Active CN115102789B (zh) 2022-08-24 2022-08-24 一种反通信网络诈骗研判预警拦截综合平台

Country Status (1)

Country Link
CN (1) CN115102789B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982438A (zh) * 2022-12-05 2023-04-18 深圳安巽科技有限公司 一种非法诱导拦截处理方法、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140370850A1 (en) * 2011-08-31 2014-12-18 Bae Systems Plc Detection of potentially fraudulent activity by users of mobile communications networks
CN106550155A (zh) * 2016-11-25 2017-03-29 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
CN106657690A (zh) * 2016-12-09 2017-05-10 北京奇虎科技有限公司 一种防止电话诈骗的方法、装置及移动终端
CN107222865A (zh) * 2017-04-28 2017-09-29 北京大学 基于可疑行为识别的通讯诈骗实时检测方法和系统
CN109587689A (zh) * 2019-01-18 2019-04-05 莱芜职业技术学院 一种网络反电信诈骗系统
CN109688273A (zh) * 2019-03-04 2019-04-26 上海卓易科技股份有限公司 一种提醒方法、装置、终端及存储介质
CN110070875A (zh) * 2019-04-29 2019-07-30 深圳市友杰智新科技有限公司 一种基于语音关键词检测和声纹的反电信诈骗方法
US20190319924A1 (en) * 2016-12-16 2019-10-17 Orange Monitoring device and method implemented by an access point for a telecommunications network
CN111447211A (zh) * 2020-03-24 2020-07-24 济南诚方网络科技有限公司 一种网络防诈骗系统
US11019090B1 (en) * 2018-02-20 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for detecting fraudulent requests on client accounts

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140370850A1 (en) * 2011-08-31 2014-12-18 Bae Systems Plc Detection of potentially fraudulent activity by users of mobile communications networks
CN106550155A (zh) * 2016-11-25 2017-03-29 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
CN106657690A (zh) * 2016-12-09 2017-05-10 北京奇虎科技有限公司 一种防止电话诈骗的方法、装置及移动终端
US20190319924A1 (en) * 2016-12-16 2019-10-17 Orange Monitoring device and method implemented by an access point for a telecommunications network
CN107222865A (zh) * 2017-04-28 2017-09-29 北京大学 基于可疑行为识别的通讯诈骗实时检测方法和系统
US11019090B1 (en) * 2018-02-20 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for detecting fraudulent requests on client accounts
CN109587689A (zh) * 2019-01-18 2019-04-05 莱芜职业技术学院 一种网络反电信诈骗系统
CN109688273A (zh) * 2019-03-04 2019-04-26 上海卓易科技股份有限公司 一种提醒方法、装置、终端及存储介质
CN110070875A (zh) * 2019-04-29 2019-07-30 深圳市友杰智新科技有限公司 一种基于语音关键词检测和声纹的反电信诈骗方法
CN111447211A (zh) * 2020-03-24 2020-07-24 济南诚方网络科技有限公司 一种网络防诈骗系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
景晓东: "声纹识别辅助电信反诈骗系统研究", 《((NETWORK OR TELECOM OR PHONE) S FRAUD) 》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982438A (zh) * 2022-12-05 2023-04-18 深圳安巽科技有限公司 一种非法诱导拦截处理方法、系统及存储介质
CN115982438B (zh) * 2022-12-05 2023-10-20 深圳安巽科技有限公司 一种非法诱导拦截处理方法、系统及存储介质

Also Published As

Publication number Publication date
CN115102789B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
EP3839942A1 (en) Quality inspection method, apparatus, device and computer storage medium for insurance recording
US8145562B2 (en) Apparatus and method for fraud prevention
CN107274916B (zh) 基于声纹信息对音频/视频文件进行操作的方法及装置
WO2019037205A1 (zh) 语音欺诈识别方法、装置、终端设备及存储介质
CN107610706A (zh) 语音搜索结果的处理方法和处理装置
CN112468659B (zh) 应用于电话客服的质量评价方法、装置、设备及存储介质
CN106251872A (zh) 一种病例录入方法及系统
CN104142831B (zh) 应用程序搜索方法及装置
CN112712809A (zh) 一种语音检测方法、装置、电子设备及存储介质
CN115102789B (zh) 一种反通信网络诈骗研判预警拦截综合平台
CN110797032B (zh) 一种声纹数据库建立方法及声纹识别方法
CN114610840A (zh) 基于敏感词的账务监控方法、装置、设备及存储介质
CN113516994B (zh) 实时语音识别方法、装置、设备及介质
Al-Karawi et al. Using combined features to improve speaker verification in the face of limited reverberant data
CN109817223A (zh) 基于音频指纹的音素标记方法及装置
CN115168563B (zh) 一种基于意图识别的机场服务引导方法、系统及装置
CN114003883A (zh) 一种便携式的数字化身份验证设备及身份验证方法
CN111091836A (zh) 一种基于大数据的智能声纹识别方法
CN113255361B (zh) 语音内容的自动检测方法、装置、设备以及存储介质
CN116153337B (zh) 合成语音溯源取证方法及装置、电子设备及存储介质
Faraoun et al. Artificial Immune Systems for text-dependent speaker recognition
CN113823293B (zh) 一种基于语音增强的说话人识别方法及系统
CN115588439B (zh) 一种基于深度学习的声纹采集装置的故障检测方法及装置
CN112669881B (zh) 一种语音检测方法、装置、终端及存储介质
CN109509476B (zh) 一种识别犯罪嫌疑人的方法和系统

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