KR20230067903A - 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 - Google Patents
인공지능 기반 악성 스팸 전화 판별 방법 및 장치 Download PDFInfo
- Publication number
- KR20230067903A KR20230067903A KR1020210153637A KR20210153637A KR20230067903A KR 20230067903 A KR20230067903 A KR 20230067903A KR 1020210153637 A KR1020210153637 A KR 1020210153637A KR 20210153637 A KR20210153637 A KR 20210153637A KR 20230067903 A KR20230067903 A KR 20230067903A
- Authority
- KR
- South Korea
- Prior art keywords
- spam
- call
- malicious
- artificial intelligence
- learning
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012850 discrimination method Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/30—Transportation; Communications
-
- G06Q50/40—
-
- G06Q50/50—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/436—Arrangements for screening incoming calls, i.e. evaluating the characteristics of a call before deciding whether to answer it
Abstract
본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법은 수집부는 스팸 판별을 위한 발신자번호와 수신자번호를 수집하는 단계; 전화제어부는 사용자에게 걸려온 콜을 사용자가 받았는지 여부를 사용자단말기를 통하여 체크하는 단계; 상기 전화제어부는 콜을 받지 않은 경우 지속시간을 0으로 설정하고, 콜을 받은 경우에는 지속시간을 통화시간으로 설정하여 상기 수집부를 통하여 지속시간을 수집하는 단계; 학습부는 인공지능 학습 기반 스팸 판별 모델에서는 수집한 상기 발신자번호, 수신자번호 및 지속시간을 특징값(Feature)으로 하여 학습을 수행하는 단계; 스팸판별부는 상기 학습에 의해 산출된 임계값을 기준으로 스팸 여부를 판별하는 단계를 포함한다.
Description
본 발명은 악성 스팸 전화 판별 방법 및 장치에 관한 것으로, 더욱 상세하게는 스팸 판별 모델의 학습을 통하여 스팸 여부를 판별하는 인공지능 기반 악성 스팸 전화 판별 방법 및 장치에 관한 것이다.
한국인터넷진흥원은 현행법인 정보통신망이용촉진및정보보호등에관한법률을 기반으로, 휴대폰이나 유선 전화 등으로 수신자가 원치 않았음에도 불구하고 일방적으로 전송되는 영리 목적의 광고성 정보를 스팸으로 규정하여 금지하고 있으나, 광고성 스팸의 양은 매년 증가하고 있다.
스팸, 즉 휴대폰을 대상으로 문자나 전화를 통해 상품에 대한 안내를 보내는 방식은 비용 대비 효과가 좋기 때문에 광고 수단으로 많이 활용된다.
이와 같은 스팸 전화를 방지하는 종래기술에 의하면, 한국공개특허 제10-2009-91443호에는 스팸전화 방지를 위한 장치 및 그 방법이 개시되어 있는 바, 데이터베이스에서 비교하는 리스트 방식과 이에 따른 결과를 사용자에게 연결하거나 차단하는 제어부가 주 특징이고, 한국공개특허 제10-2016-22154호에는 통화량 분석에 기반하는 스팸 의심 전화 안내 장치 및 스팸 의심 전화 안내 방법이 개시되어 있는 바, 전화 통화량에 근거하여 스팸지수를 평가하고, 단위는 일, 주, 월 동안의 발신 통화 건수 및 발신 메시지 건수로 분석하는 것입니다.
이와 같이 종래기술들은 화이트 리스트 제공에 의해 여기에 포함되지 않은 번호에 대해 차단하는 방식으로 이루어져 한번 스팸 리스트에 설정되면 영구적으로 블랙 리스트로 설정되어 정상적인 전화번호도 오인하여 스팸 처리되는 문제가 있으며, 또한 일, 주, 월 단위로 판단하는 경우 실시간 데이터 분석이 이루어지지 못하여 스팸 판단 및 처리가 정확하지 못한 문제가 있었다.
따라서, 전술한 문제를 해결하기 위하여 실시간 데이터 분석에 의해 스팸 판별이 이루어지고, 비정상적인 발신 횟수 및 통화시간에 대한 인공지능 기반 학습을 통하여 스팸 판별 정확도를 높일 수 있는 인공지능 기반 악성 스팸 전화 판별 방법에 대한 연구가 필요하게 되었다.
본 발명의 목적은 실시간 데이터 분석에 의해 스팸 판별이 이루어지고, 비정상적인 발신 횟수 및 통화시간에 대한 인공지능 기반 학습을 통하여 스팸 판별 정확도를 높일 수 있는 인공지능 기반 악성 스팸 전화 판별 방법 및 인공지능 기반 악성 스팸 전화 판별 장치를 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법은, 수집부는 스팸 판별을 위한 발신자번호와 수신자번호를 수집하는 단계; 전화제어부는 사용자에게 걸려온 콜을 사용자가 받았는지 여부를 사용자단말기를 통하여 체크하는 단계; 상기 전화제어부는 콜을 받지 않은 경우 지속시간을 0으로 설정하고, 콜을 받은 경우에는 지속시간을 통화시간으로 설정하여 상기 수집부를 통하여 지속시간을 수집하는 단계; 학습부는 인공지능 학습 기반 스팸 판별 모델에서는 수집한 상기 발신자번호, 수신자번호 및 지속시간을 특징값(Feature)으로 하여 학습을 수행하는 단계; 스팸판별부는 상기 학습에 의해 산출된 임계값을 기준으로 스팸 여부를 판별하는 단계를 포함한다.
상기 전화제어부는 전화 수신시 수신 전화를 체크하여 데이터베이스에 기저장된 등록스팸번호 유무를 판단하는 단계; 상기 전화제어부는 등록스팸번호인 경우, 자동으로 악성 스팸번호로 판단하여 차단 후 사용자에게 알림을 전송하는 단계; 상기 전화제어부는 등록스팸번호가 아닌 경우, 상기 수집부에 요청하여 상기 발신자번호와 수신자번호를 수집하는 단계;를 더 포함한다.
상기 스팸 판별 모델은 학습부의 학습 결과, 이상치(임계값)를 기준으로 스팸 여부를 판별하되, 정상 데이터에 대해서 CNN(Convolutional Neural Networks)을 활용하여 학습을 수행할 수 있는 것을 특징으로 한다.
상기 스팸 판별 모델은 CNN을 통해 얻어진 임계값을 이용하여 스팸 여부를 판별시에는 생성적 적대 신경망(GAN) 알고리즘의 판별기를 이용하는 것을 특징으로 한다.
상기 판별기는 실제 데이터(정상 데이터)와 생성기가 생성한 가짜 데이터(스팸 판별을 위한 학습용 데이터로서 비정상 데이터)를 판별하도록 하는 것을 특징으로 한다.
상기 스팸 판별 모델은 통화시간을 기준으로 스팸 여부를 판단할 수 있는 악성지수 평가 모델과 지속시간에 대한 통화량 특성을 파악하여 이상치 검출 후 수신자에게 경고를 주기 위한 악성상황 평가 모델로 구분하여 학습 및 판별이 이루어지는 것을 특징으로 한다.
상기 악성상황 평가 모델은 상기 악성지수 평가 모델에서 판단된 전화를 차단하지 못하거나 수신했을시 악성으로 판단된 전화들의 통화량 특성을 파악하여 임계값 검출 후 수신자에게 경고를 주기 위한 모델로서, 상기 악성지수 평가 모델에 보조적으로 활용되는 것을 특징으로 한다.
상기 악성지수 평가 모델의 학습 DB는 키-값(key-value) 구조의 비정형 데이터를 저장하고 관리하기 위한 오픈 소스 기반의 비관계형 데이터베이스가 될 수 있으며, key-value를 활용하여, key 입력시 TTL(time to live) 값을 주어 일정 주기에 맞춰 번호의 스팸 여부를 초기화하거나 스팸 등록 여부를 재 판별함으로써, 인적 자원으로 관리해야 되는 자원의 소모도 줄여 자동으로 스팸 관리가 될 수 있게 하는 것을 특징으로 한다.
상기 인공지능 기반 악성 스팸 전화 판별 방법은 컴퓨터에서 판독 가능한 기록매체에 저장된 컴퓨터 프로그램에 의해 수행될 수 있다.
상기 인공지능 기반 악성 스팸 전화 판별 방법을 수행하는 인공지능 기반 악성 스팸 전화 판별 장치에 있어서, 상기 인공지능 기반 악성 스팸 전화 판별 장치는 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행하여 상기 인공지능 기반 악성 스팸 전화 판별 방법을 수행하는 것을 특징으로 한다.
상기 인공지능 기반 악성 스팸 전화 판별 장치는 사용자단말기에서 수신되는 콜을 제어할 수 있으며, 구체적으로 스팸 판별 결과에 따라 자동으로 통화 수신 또는 거절 여부를 결정하는 전화제어부; 학습 데이터로 활용될 수신자번호, 발신자번호, 지속시간(통화시간)에 대한 데이터를 수집하는 수집부; 수집된 데이터들을 토대로 스팸 판별 모델의 학습을 수행하는 학습부; 학습 결과로 얻어진 임계값을 기준으로 걸려온 전화에 대한 스팸 여부를 판별하는 스팸판별부; 상기 스팸판별부의 판별 결과 스팸인 경우, 해당 스팸 전화번호에 대한 경고 알림을 수신자인 사용자단말기로 전송하는 스팸알림부; 스팸 판별 모델의 학습에 필요한 데이터를 저장하는 데이터베이스를 포함한다.
본 발명의 인공지능 기반 악성 스팸 전화 판별 방법은 빠르고 정확한 악성 스팸 여부 판단을 위하여 종래의 일, 주, 월이 아닌 실시간 데이터를 활용하여 인공지능 기반 스팸 판별 모델을 통하여 스팸 여부를 판단할 수 있는 장점이 있다.
또한, 스팸 등록된 번호에 대하여 데이터 관리에 대한 자원소모를 줄이기 위해 일정 주기에서 전체(모든) 데이터에 대한 스팸 판별이 필요없이 각각의 데이터(번호)가 실시간으로 TTL 값에 의해 주기적으로 스팸 관리될 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 장치의 구성을 보인 블록도이다.
도 3은 스팸 판별 모델 기반으로 정상/비정상 발신수 비교에 의한 스팸 판별하는 예시를 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 장치의 구성을 보인 블록도이다.
도 3은 스팸 판별 모델 기반으로 정상/비정상 발신수 비교에 의한 스팸 판별하는 예시를 보여주는 도면이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법의 순서도이다.
먼저, 본 발명의 인공지능 기반 악성 스팸 전화 판별 방법은 전화제어부(110)는 전화 수신시 수신 전화를 체크하여 데이터베이스(170)에 기저장된 등록스팸번호 유무를 판단한다(S100, S102).
전화제어부(110)는 등록스팸번호인 경우, 자동으로 악성 스팸/보이스피싱 번호로 판단하여 차단 후 사용자에게 알릴 수 있도록 한다(S104).
전화제어부(110)는 등록스팸번호가 아닌 경우, 수집부(120)에 요청함에 따라 수집부(120)는 발신자번호와 수신자번호를 수집한다(S106).
또한 전화제어부(110)는 사용자에게 걸려온 콜을 사용자가 받았는지 여부를 사용자단말기를 통하여 체크한다(S108).
전화제어부(110)는 콜을 받지 않은 경우, 지속시간을 0으로 설정하고, 콜을 받은 경우에는 지속시간을 통화시간으로 설정하여 상기 수집부(120)를 통하여 수집한다(S110, S112).
여기서 지속시간은 콜을 받은 시점부터 콜이 끊긴 시점 즉 콜 종료한 시점까지의 시간 구간으로 통화시간이 된다.
이후 학습부(130)의 인공지능 학습 기반 스팸 판별 모델에서는 수집한 발신자 번호, 수신자 번호, 지속시간을 특징값(Feature)으로 하여 학습을 수행하고, 학습부(130)의 학습 수행결과, 스팸판별부(140)는 스팸 여부를 임계값을 기준으로 지속적으로 판별할 수 있게 한다(S114).
즉, 스팸 판별 모델의 판별 결과가 임계값을 벗어난 경우에는 스팸으로 판별하여 스팸알림부(150)에 의해 사용자에게 콜 수신전, 통화중 또는 통화 종료 후 악성 스팸에 대한 알림을 전송할 수 있다(S116, S118).
또한, 스팸 판별 모델은 판별 결과를 지속적으로 데이터베이스(170)에 갱신하여 저장하고, 학습시 학습 데이터로 이용함으로써, 주기적인 학습에 의해 모델의 판별 정확도를 향상시킬 수 있다.
스팸 판별 모델은 학습 결과를 토대로 이상치(임계값)를 기준으로 스팸 여부를 판별할 수 있으며, 이를 위해 먼저 정상 데이터(예컨대 스팸이 아닌 통상적인 통화인 경우의 발신횟수 데이터 및 통화시간 데이터 등)에 대해서 CNN(Convolutional Neural Networks) 등과 같은 신경망 알고리즘을 활용하여 학습을 수행할 수 있다. 즉, CNN을 통해 특징값(feature)을 추출하는 과정이 이루어질 수 있다.
구체적으로 정상 데이터만 학습하므로 label은 모두 0으로 통일될 수 있고, 해당 모델은 label이 단일 label이기 때문에 분류의 목적이 아닌 이상치(outlier, 임계값)의 추출을 위해 사용된다.
이상치를 얻기 위해서는 full connected layer의 가장 마지막 output layer의 activation 함수를 default option인 linear로 지정해 주어야한다.
학습 이후 정상데이터가 학습된 모델에 정상데이터를 predict 함수에게 주어 각 정상데이터들의 이상치를 구하고 각 정상데이터로부터 얻은 이상치의 범위를 구한다. 이 과정에서 얻어진 이상치의 범위가 정상과 비정상을 분류하는 임계값(threshold value)이 된다.
또한 얻어진 임계값을 이용하여 스팸 여부를 판별시에는 생성적 적대 신경망(GAN) 알고리즘의 판별기를 이용할 수 있다.
생성적 적대 신경망(GAN)은 기존의 딥러닝 네트워크와는 달리 여러 개의 심층 신경망으로 이루어진 구조이다.
또한 생성적 적대 신경망은 생성기(Generator)와 판별기(Discriminator)로 두 네트워크를 적대적(Adversarial)으로 학습시키는 비지도 학습 기반 생성모델로서, 생성기에는 입력 데이터가 입력되어 실제 이미지와 유사한 가짜 이미지를 만들어내도록 학습될 수 있다.
입력 데이터는 노이즈 값이 입력될 수 있다. 노이즈 값은 어떤 확률 분포를 따를 수 있다. 예컨대, 제로 평균 가우시안(Zero-Mean Gaussian)으로 생성된 데이터일 수 있다.
판별기는 실제 데이터(정상 데이터)와 생성기가 생성한 가짜 데이터(스팸 판별을 위한 학습용 데이터, 비정상 데이터)를 판별하도록 학습할 수 있다.
보다 구체적으로는, 실제 데이터를 입력하면 높은 확률이 나오도록, 가짜 데이터를 입력하면 확률이 낮아지도록 학습할 수 있다. 즉, 판별기는 실제 데이터와 가짜 데이터를 잘 판별하도록 점진적으로 학습할 수 있다.
또한 스팸 판별 모델은 세부적으로 악성지수 평가 모델과 악성상황 평가 모델을 포함할 수 있으며, 이 모델들로 구분하여 학습 및 판별이 이루어질 수 있다.
악성지수 평가 모델에서는 발신횟수를 기준으로 스팸 여부를 판단할 수 있으며, 모든 발신자번호는 학습단계에서 x로 치환되며 수신자번호는 번호와 상관없이 횟수만 count되어 y의 값을 갖는다.
즉 악성지수 평가모델은 악성지수를 판단하여 DB(170)화와 차단모듈을 작동시키지 위한 모델로 악성전화 및 문자의 특징을 판단하기 위한 모델이며, 기존의 방법과는 다르게 저장되어 있는 전화번호나 특정전화번호로 판단하는 것이 아닌, 어떤 전화번호든 시간 단위 안에서 급격한 변화량을 측정하기 위한 모델이다.
또한 악성상황 평가 모델은 통화시간을 기준으로 스팸 여부를 판단할 수 있으며, 모든 발신자번호는 학습 단계에서 x로 치환되며, 통화시간은 초 단위 정수형태로 변환된다.
나아가 악성상황 평가 모델은 악성지수 평가 모델에서 판단된 전화를 차단하지 못하거나 수신했을시 특정번호에서 발생하는 통화량의 변화를 측정하기보다는 악성으로 판단된 전화들의 통화량 특성을 파악하여 임계값(이상치) 검출 후 수신자에게 경고를 주기 위한 모델로서, 악성지수 평가 모델에 보조적으로 활용함으로써, 스팸 판별이 애매한 상황에서의 스팸 판별 정확도를 향상시키는데 기여할 수 있다.
또한 도 3에는 스팸 판별 모델인 악성지수 평가 모델을 기반으로 정상/비정상 발신수 비교에 의한 스팸 판별하는 예시를 보여 주고 있으며, 해당 악성지수 평가 모델에서의 학습 및 판별 결과를 DB(170)에 저장하여 상기 발신지에 대한 추가적인 차단 및 경고 시 활용함으로써, 인공지능의 부하를 줄일 수 있다.
또한 악성지수 평가 모델의 학습 DB(170)는 Redis의 키-값(key-value) 구조의 비정형 데이터를 저장하고 관리하기 위한 오픈 소스 기반의 비관계형 데이터베이스(170)가 될 수 있으며, key-value를 활용하여 key 입력시 TTL(time to live) 값을 주어 한 번 악성으로 등록된 번호가 영원히 차단되는 종래의 방식을 탈피하고 일정 주기에 맞춰 번호의 스팸 여부를 초기화하거나 스팸 등록 여부를 재 판별함으로써, 인적 자원으로 관리해야 되는 자원의 소모도 줄여 자동으로 스팸 관리가 될 수 있게 한다.
이는 일정 주기에서 전체(모든) 데이터에 대한 스팸 판별이 필요없이 각각의 데이터(번호)가 실시간으로 TTL 값에 의해 주기적으로 스팸 관리될 수 있음을 의미한다.
통화시간에 대한 학습을 기반으로 하는 악성상황 평가 모델도 input 값만 다를 뿐 상기 악성지수 평가 모델과 같은 개념의 모델이다.
나아가 상술한 인공지능 기반 악성 스팸 전화 판별 방법은 사용자단말기에 설치되어 실행되는 컴퓨터 프로그램(모바일의 경우 모바일 어플리케이션)에 의해 수행될 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 장치(100)의 구성을 보인 블록도이다.
인공지능 기반 악성 스팸 전화 판별 장치(100)는 도 2를 참조하면, 전화제어부(110), 수집부(120), 학습부(130), 스팸판별부(140), 스팸알림부(150), 정보보호부(160) 및 데이터베이스(170)를 더 포함할 수 있다.
전화제어부(110)는 사용자단말기에서 수신되는 콜을 제어할 수 있으며, 구체적으로 스팸 판별 결과에 따라 자동으로 통화 수신 또는 거절 여부를 결정할 수 있다.
수집부(120)는 학습 데이터로 활용될 수신자번호, 발신자번호, 지속시간(통화시간)에 대한 데이터를 수집할 수 있다.
학습부(130)는 수집된 데이터들을 토대로 스팸 판별 모델의 학습을 수행할 수 있다.
스팸판별부(140)는 학습 결과로 얻어진 임계값을 기준으로 걸려온 전화에 대한 스팸 여부를 판별할 수 있다.
스팸알림부(150)는 스팸판별부(140)의 판별 결과 스팸인 경우, 해당 스팸 전화번호에 대한 경고 알림을 수신자인 사용자단말기로 메시지 형태로 전송되고, 사용자 설정 여부에 따라 전화제어부(110)에 요청하여 콜을 자동으로 차단할 수도 있다.
정보보호부(160)는 수집된 개인정보인 발신자번호, 수신자번호 등 개인의 민감한 정보를 외부 해킹 등으로부터 위변조 되는 것을 방지하기 위해 암복호화를 수행할 수 있다.
구체적으로, 번호를 수신하는 사용자단말기에 신분 증명이 가능한, 식별 정보(identification information)를 부여하여, 해당 식별 정보를 사설 암호 키(private key)로 활용하는 경량 암호 알고리즘을 수행한다.
경량 암호 알고리즘에는 스마트 기기 등의 제한된 환경에서 구현하기 위해 설계된 암호 기술로서, 대칭키 암호 알고리즘인 HIGHT(HIGh security and light weigHT), LEA(Lightweight Encryption)와 해시함수인 LSH(Lightweight Secure Hash) 등을 활용할 수 있다.
이러한 경량 암호 알고리즘을 활용하여 수집된 데이터 등을 암/복호화 시킴으로써 해당 데이터의 외부 유출이나 외부 해킹으로 인한 불법적인 제어 등을 막을 수 있다. 경량 암호 알고리즘은 이러한 임베디드 컴퓨팅 환경에서 적합한 경량 해시 함수(lightweight hash function)를 사용하는 것이 바람직하다.
경량 해시 함수란 SHA-3와 같은 표준적인 암호화 해시 알고리즘에서 일부 컴퓨팅 파워가 높게 소요되는 특징들을 제외하고도 송신 또는 수신되는 데이터의 무결성을 보장할 수 있도록 설계된 컴퓨팅 파워가 상대적으로 낮게 소모되는 해시 함수(일방향 함수)이다.
보다 구체적으로는 이러한 경량 해시함수 중에서도 키가 없이(unkeyed) 데이터의 치환(permutation)이 가능하도록 하는 스폰지(Sponge) 알고리즘을 사용하는 것이 바람직하다.
좀 더 구체적으로 스폰지는 원본 메시지(여기서는 랜덤키의 원본 데이터)를 일정한 크기로 만든 뒤(padding), 이를 키의 생성자만 알 수 있는 특정한 기준 크기(예를 들어 특정 비트 사이즈로 분할된 원본 메시지)로 복수 개로 분할한 뒤, 복수 개로 분할된 데이터(분할된 원본 메시지)의 후단에 랜덤한 데이터들을 여러 업데이트 함수를 활용하여 교환하고, 반대편에서는 이미 알고 있는 기준 크기를 활용하여 복호화도록 구현된다.
즉, 이러한 경량 해시함수를 활용하여, 해시함수의 보안성을 확보하면서, 일반적인 해시함수의 사용보다 상대적으로 적은 컴퓨팅 파워가 필요하도록 하여 결과적으로 단말기의 전력소모를 적게 하고, 오래 사용하도록 할 수 있다.
데이터베이스(170)는 스팸 판별 모델의 학습에 필요한 데이터 즉, 수신자번호, 발신자번호, 지속시간에 대해 지속적으로 업데이터 및 저장될 수 있으며, 이밖에도 필요한 사용자 개인정보나 이벤트 정보 등이 포함될 수 있다.
상술한 인공지능 기반 악성 스팸 전화 판별 장치(100)는, 네트워크상의 인공지능 기반 악성 스팸 전화 판별 서버 또는 사용자단말기에 설치되어 실행되는 컴퓨터 프로그램(모바일의 경우 모바일 어플리케이션) 자체가 될 수도 있다.
또한 인공지능 기반 악성 스팸 전화 판별 장치(100)는 프로세서 및 메모리를 포함할 수 있다. 실시예에서, 컴퓨팅 장치는 네트워크 인터페이스(또는 통신 인터페이스)(미도시), 스토리지(미도시), 버스(bus)(미도시)를 더 포함할 수 있다.
일 실시예에서, 프로세서는 컴퓨팅 장치의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
실시예에서, 프로세서는 본 발명의 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 실시예에서, 프로세서는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예: 버스(bus) 등)를 포함할 수 있다.
실시예에서, 프로세서는 프로세서 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 장치온칩(SoC: system on chip) 형태로 구현될 수 있다.
실시예에서, 프로세서는 메모리에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써, 상술한 인공지능 기반 악성 스팸 전화 판별 방법을 수행할 수 있다.
본 명세서에서 ‘단말기’는 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말기’은 네트워크를 통해 다른 단말기 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말기들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다.
무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
나아가 본 발명의 인공지능 기반 악성 스팸 전화 판별 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현되거나, 이 컴퓨터 프로그램이 동작하는 컴퓨터 하드웨어에 탑재되는 모듈 형태로 구현될 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능 기반 악성 스팸 전화 판별 방법의 동작 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, SSD(Solid State Drive) 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
100 : 인공지능 기반 악성 스팸 전화 판별 장치
110 : 전화제어부
120 : 수집부
130 : 학습부
140 : 스팸판별부
150 : 스팸알림부
160 : 정보보호부
170 : 데이터베이스
110 : 전화제어부
120 : 수집부
130 : 학습부
140 : 스팸판별부
150 : 스팸알림부
160 : 정보보호부
170 : 데이터베이스
Claims (11)
- 수집부는 스팸 판별을 위한 발신자번호와 수신자번호를 수집하는 단계;
전화제어부는 사용자에게 걸려온 콜을 사용자가 받았는지 여부를 사용자단말기를 통하여 체크하는 단계;
상기 전화제어부는 콜을 받지 않은 경우 지속시간을 0으로 설정하고, 콜을 받은 경우에는 지속시간을 통화시간으로 설정하여 상기 수집부를 통하여 지속시간을 수집하는 단계;
학습부는 인공지능 학습 기반 스팸 판별 모델에서는 수집한 상기 발신자번호, 수신자번호 및 지속시간을 특징값(Feature)으로 하여 학습을 수행하는 단계;
스팸판별부는 상기 학습에 의해 산출된 임계값을 기준으로 스팸 여부를 판별하는 단계
를 포함하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 1에 있어서,
상기 전화제어부는 전화 수신시 수신 전화를 체크하여 데이터베이스에 기저장된 등록스팸번호 유무를 판단하는 단계;
상기 전화제어부는 등록스팸번호인 경우, 자동으로 악성 스팸번호로 판단하여 차단 후 사용자에게 알림을 전송하는 단계;
상기 전화제어부는 등록스팸번호가 아닌 경우, 상기 수집부에 요청하여 상기 발신자번호와 수신자번호를 수집하는 단계;
를 더 포함하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 1에 있어서,
상기 스팸 판별 모델은 학습부의 학습 결과, 이상치(임계값)를 기준으로 스팸 여부를 판별하되, 정상 데이터에 대해서 CNN(Convolutional Neural Networks)을 활용하여 학습을 수행할 수 있는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 3에 있어서
상기 스팸 판별 모델은 CNN을 통해 얻어진 임계값을 이용하여 스팸 여부를 판별시에는 생성적 적대 신경망(GAN) 알고리즘의 판별기를 이용하는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 4에 있어서,
상기 판별기는 실제 데이터(정상 데이터)와 생성기가 생성한 가짜 데이터(스팸 판별을 위한 학습용 데이터로서 비정상 데이터)를 판별하도록 하는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 1에 있어서,
상기 스팸 판별 모델은 통화시간을 기준으로 스팸 여부를 판단할 수 있는 악성지수 평가 모델과 지속시간에 대한 통화량 특성을 파악하여 이상치 검출 후 수신자에게 경고를 주기 위한 악성상황 평가 모델로 구분하여 학습 및 판별이 이루어지는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 6에 있어서,
상기 악성상황 평가 모델은 상기 악성지수 평가 모델에서 판단된 전화를 차단하지 못하거나 수신했을시 악성으로 판단된 전화들의 통화량 특성을 파악하여 임계값 검출 후 수신자에게 경고를 주기 위한 모델로서, 상기 악성지수 평가 모델에 보조적으로 활용되는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 청구항 6에 있어서,
상기 악성지수 평가 모델의 학습 DB는 키-값(key-value) 구조의 비정형 데이터를 저장하고 관리하기 위한 오픈 소스 기반의 비관계형 데이터베이스가 될 수 있으며, key-value를 활용하여, key 입력시 TTL(time to live) 값을 주어 일정 주기에 맞춰 번호의 스팸 여부를 초기화하거나 스팸 등록 여부를 재 판별함으로써, 인적 자원으로 관리해야 되는 자원의 소모도 줄여 자동으로 스팸 관리가 될 수 있게 하는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 방법. - 제1항 내지 제8항 중 어느 한 항의 인공지능 기반 악성 스팸 전화 판별 방법을 수행하는 컴퓨터에서 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 제1항 내지 제8항 중 어느 한 항의 인공지능 기반 악성 스팸 전화 판별 방법을 수행하는 인공지능 기반 악성 스팸 전화 판별 장치에 있어서,
상기 인공지능 기반 악성 스팸 전화 판별 장치는
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행하여 상기 인공지능 기반 악성 스팸 전화 판별 방법을 수행하는 것을 특징으로 하는 인공지능 기반 악성 스팸 전화 판별 장치. - 제10항에 있어서,
상기 인공지능 기반 악성 스팸 전화 판별 장치는
사용자단말기에서 수신되는 콜을 제어할 수 있으며, 구체적으로 스팸 판별 결과에 따라 자동으로 통화 수신 또는 거절 여부를 결정하는 전화제어부;
학습 데이터로 활용될 수신자번호, 발신자번호, 지속시간(통화시간)에 대한 데이터를 수집하는 수집부;
수집된 데이터들을 토대로 스팸 판별 모델의 학습을 수행하는 학습부;
학습 결과로 얻어진 임계값을 기준으로 걸려온 전화에 대한 스팸 여부를 판별하는 스팸판별부;
상기 스팸판별부의 판별 결과 스팸인 경우, 해당 스팸 전화번호에 대한 경고 알림을 수신자인 사용자단말기로 전송하는 스팸알림부;
스팸 판별 모델의 학습에 필요한 데이터를 저장하는 데이터베이스
를 포함하는 인공지능 기반 악성 스팸 전화 판별 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210153637A KR102558735B1 (ko) | 2021-11-10 | 2021-11-10 | 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 |
| PCT/KR2021/017478 WO2023085491A1 (ko) | 2021-11-10 | 2021-11-25 | 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210153637A KR102558735B1 (ko) | 2021-11-10 | 2021-11-10 | 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230067903A true KR20230067903A (ko) | 2023-05-17 |
| KR102558735B1 KR102558735B1 (ko) | 2023-07-24 |
Family
ID=86336202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210153637A KR102558735B1 (ko) | 2021-11-10 | 2021-11-10 | 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102558735B1 (ko) |
| WO (1) | WO2023085491A1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090091443A (ko) | 2008-02-25 | 2009-08-28 | 박승준 | 스팸전화 방지를 위한 시스템 및 그 방법 |
| KR20090121170A (ko) * | 2008-05-21 | 2009-11-25 | 주식회사 다산네트웍스 | 스팸 전화 차단을 위한 호 처리 방법 및 전화기 |
| KR20160022154A (ko) | 2014-08-19 | 2016-02-29 | (주)케이티씨에스 | 통화량 분석에 기반하는 스팸 의심 전화 안내 장치 및 스팸 의심 전화 안내 방법 |
| KR101764920B1 (ko) * | 2016-04-26 | 2017-08-04 | 주식회사 나우드림 | 스팸 판단 모델을 이용한 스팸 전화번호의 판단 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090096111A (ko) * | 2008-03-07 | 2009-09-10 | 김준식 | 스팸 처리 방법 및 시스템 |
| KR20100033565A (ko) * | 2008-09-22 | 2010-03-31 | 주식회사 케이티테크 | 스팸 전화번호의 등록과 이를 활용하는 방법 및 장치 |
| KR20100056687A (ko) * | 2008-11-20 | 2010-05-28 | 삼성전자주식회사 | 이동통신 단말기에서 스팸 번호 관리 방법 및 장치 |
-
2021
- 2021-11-10 KR KR1020210153637A patent/KR102558735B1/ko active IP Right Grant
- 2021-11-25 WO PCT/KR2021/017478 patent/WO2023085491A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090091443A (ko) | 2008-02-25 | 2009-08-28 | 박승준 | 스팸전화 방지를 위한 시스템 및 그 방법 |
| KR20090121170A (ko) * | 2008-05-21 | 2009-11-25 | 주식회사 다산네트웍스 | 스팸 전화 차단을 위한 호 처리 방법 및 전화기 |
| KR20160022154A (ko) | 2014-08-19 | 2016-02-29 | (주)케이티씨에스 | 통화량 분석에 기반하는 스팸 의심 전화 안내 장치 및 스팸 의심 전화 안내 방법 |
| KR101764920B1 (ko) * | 2016-04-26 | 2017-08-04 | 주식회사 나우드림 | 스팸 판단 모델을 이용한 스팸 전화번호의 판단 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023085491A1 (ko) | 2023-05-19 |
| KR102558735B1 (ko) | 2023-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schiller et al. | Landscape of IoT security | |
| WO2019218927A1 (zh) | 异常用户识别 | |
| US10200865B2 (en) | Adaptive security indicator for wireless devices | |
| WO2016065908A1 (zh) | 一种欺诈用户的检测方法、装置和系统 | |
| KR20180006380A (ko) | 실시간 화이트리스팅을 위한 거동-특정의 엑츄에이션을 위한 방법들 및 시스템들 | |
| US20120030293A1 (en) | Employing report ratios for intelligent mobile messaging classification and anti-spam defense | |
| CN103294967B (zh) | 大数据挖掘下的用户隐私保护方法及系统 | |
| US20160242143A1 (en) | Mobile communication device monitoring systems and methods | |
| US20110119730A1 (en) | Enforcing Centralized Communication Policies | |
| US9106603B2 (en) | Apparatus, method and computer-readable storage mediums for determining application protocol elements as different types of lawful interception content | |
| CN103891363A (zh) | 用于监控后台应用事件的系统和方法 | |
| RU2691228C2 (ru) | Отменяемая защита возможных конфиденциальных элементов данных | |
| CN112448894A (zh) | 阻断信令风暴的方法、装置、设备及存储介质 | |
| ES2699956T3 (es) | Técnica para detectar mensajes electrónicos sospechosos | |
| Zhang et al. | Lies in the air: Characterizing fake-base-station spam ecosystem in china | |
| US20190163544A1 (en) | Transforming Sensor Data Streamed to Applications | |
| CN103369486A (zh) | 诈骗短信防范系统与防范方法 | |
| KR102558735B1 (ko) | 인공지능 기반 악성 스팸 전화 판별 방법 및 장치 | |
| WO2015188500A1 (zh) | 一种短信监控方法及装置 | |
| US9100831B2 (en) | Disabling mobile devices that originate message service spam | |
| CN112533170A (zh) | 一种基于时间信誉序列的恶意节点识别方法 | |
| CN109918430B (zh) | 一种5g用户数据去关联存储系统及存取方法 | |
| Belém et al. | Content filtering for SMS systems based on Bayesian classifier and word grouping | |
| CN107995616A (zh) | 用户行为数据的处理方法以及装置 | |
| US11108914B2 (en) | Method and system for revenue maximization in a communication network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |