WO2019245131A1 - 불법 전화 검출을 위한 장치 및 방법 - Google Patents

불법 전화 검출을 위한 장치 및 방법 Download PDF

Info

Publication number
WO2019245131A1
WO2019245131A1 PCT/KR2019/002966 KR2019002966W WO2019245131A1 WO 2019245131 A1 WO2019245131 A1 WO 2019245131A1 KR 2019002966 W KR2019002966 W KR 2019002966W WO 2019245131 A1 WO2019245131 A1 WO 2019245131A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
illegal
call
image
service
Prior art date
Application number
PCT/KR2019/002966
Other languages
English (en)
French (fr)
Inventor
백성복
김소진
안태진
양재호
Original Assignee
주식회사 케이티
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
Priority claimed from KR1020180144892A external-priority patent/KR102135242B1/ko
Application filed by 주식회사 케이티 filed Critical 주식회사 케이티
Priority to EP19821679.8A priority Critical patent/EP3813347B1/en
Publication of WO2019245131A1 publication Critical patent/WO2019245131A1/ko
Priority to US17/125,339 priority patent/US11323560B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H04M3/2281—Call monitoring, e.g. for law enforcement purposes; Call tracing; Detection or prevention of malicious calls
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/10—Architectures or entities
    • H04L65/1053—IP private branch exchange [PBX] functionality entities or arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/1066—Session management
    • H04L65/1069—Session establishment or de-establishment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/1066—Session management
    • H04L65/1073—Registration or de-registration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/1066—Session management
    • H04L65/1076—Screening of IP real time communications, e.g. spam over Internet telephony [SPIT]
    • H04L65/1079—Screening of IP real time communications, e.g. spam over Internet telephony [SPIT] of unsolicited session attempts, e.g. SPIT
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H04L65/65—Network streaming protocols, e.g. real-time transport protocol [RTP] or real-time control protocol [RTCP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H04M3/2218—Call detail recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M7/00—Arrangements for interconnection between switching centres
    • H04M7/006—Networks other than PSTN/ISDN providing telephone service, e.g. Voice over Internet Protocol (VoIP), including next generation networks with a packet-switched transport layer
    • H04M7/0078—Security; Fraud detection; Fraud prevention
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/1066—Session management
    • H04L65/1101—Session protocols
    • H04L65/1104—Session initiation protocol [SIP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2203/00—Aspects of automatic or semi-automatic exchanges
    • H04M2203/55—Aspects of automatic or semi-automatic exchanges related to network data storage and management
    • H04M2203/558—Databases
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2203/00—Aspects of automatic or semi-automatic exchanges
    • H04M2203/60—Aspects of automatic or semi-automatic exchanges related to security aspects in telephonic communication systems
    • H04M2203/6027—Fraud preventions

Definitions

  • the present invention relates to an apparatus and method for illegal telephone detection.
  • VoIP Internet telephony
  • VoLTE Voice over IP
  • Mobile VoIP Voice over IP
  • various forms of internet telephony such as corporate IP-PBX, CALL BOX or Softphone are also spreading.
  • the problem to be solved by the present invention is to provide a technology for detecting and blocking illegal calls by learning the generated illegal telephone pattern through the CNN algorithm.
  • the illegal call detection apparatus collects a raw packet generated by the subscriber station using a Voice over Internet Protocol (VoIP) service from at least one of the subscriber station or the call exchanger.
  • VoIP Voice over Internet Protocol
  • a data collector configured to collect Call Detail Record Data related to the low packet from a charging server, service usage information extracted from the CDR data, and service data generated from the low packet to generate learning data;
  • the preprocessing unit converts the training data into an image according to a preset imaging rule to generate a training image, and extracts at least one feature from the training image using an illegal phone detection model, and uses the features to extract the training image. To learn if it's associated with an illegal call It includes parts of s.
  • the service usage information includes at least one of detection time information, caller number information or called party number information, and the service detail information includes at least one of called country information, source IP information, IP country information, and terminal identifier information.
  • the preprocessor generates the learning data by sequentially arranging information in a table in order of information included in the service usage information and information included in the service detailed information.
  • the preprocessor generates unit polygons each of which visualizes the information based on the byte size of the information arranged in the table, and generates the learning image by arranging the unit polygons in the order arranged in the table.
  • the unit polygons are formed in a rectangle having a length of any both sides facing a length proportional to a byte size of each of the pieces of information, and are arranged in the order arranged in the table in the vertical direction to be staggered on the learning image.
  • the illegal telephone detection apparatus further includes an illegal telephone detector configured to determine whether the new training image is related to an illegal telephone by inputting the new training image into the illegal telephone detection model when a new training image is generated.
  • the illegal phone detecting apparatus further includes a measurer that blocks the subscriber terminal associated with the new learning image when the new learning image is associated with an illegal call.
  • a method for learning an illegal telephone detection model by an illegal telephone detection apparatus collects a low packet generated by a previously detected illegal telephone from at least one of a subscriber station or a call exchanger associated with an illegal telephone.
  • Collecting CDR data related to the raw packet from a charging server extracting service usage information from the CDR data, and extracting service detail information from the raw packet, included in the service usage information and the service detail information;
  • Determining illegal telephone pattern information using information generating learning data using the service usage information, the service detail information, and the illegal telephone pattern information, and converting the training data into an image according to a preset imaging rule.
  • And from illegal call detection model includes the step of learning by the learning image is associated with a rogue phone.
  • the service usage information includes at least one of detection time information, calling number information, or called number information, and the service detail information includes at least one of called country information, source IP information, IP country information, and terminal identifier information,
  • the illegal telephone pattern information includes at least one of cumulative outgoing call count information and cumulative incoming call count information.
  • the determining of the illegal telephone pattern information may include determining cumulative outgoing call number information transmitted from the subscriber station during a threshold time by using caller ID information included in the service use information, and incoming call included in the service use information. Determining cumulative called number information received by the subscriber station during the threshold time using number information, and tagging at least one of the cumulative outgoing number information or the cumulative called number information as related to an illegal telephone call; Include.
  • the learning data is generated by sequentially arranging the information in a table in order of information included in the service usage information, information included in the service detailed information, and information included in the illegal telephone pattern information.
  • the generating of the training image may include generating unit polygons, each of which visualizes the information arranged in the table based on the byte size of the information arranged in the table, and arranges the unit polygons in the order arranged in the table. Generating the learning image.
  • the unit polygons may have a rectangular shape having a length of arbitrary sides facing a length proportional to a byte size of the information arranged in the table, and are sequentially arranged in the vertical direction to be staggered on the learning image.
  • the method for the illegal telephone detection apparatus to learn the illegal telephone detection model may include: when the new training image is generated, determining whether the new training image is related to an illegal telephone by inputting the new training image into the illegal telephone detection model; And blocking the subscriber terminal associated with the new learning image when the new learning image is associated with an illegal telephone call.
  • FIG. 1 is a diagram illustrating an environment in which an illegal call detection device according to an embodiment of the present invention is implemented.
  • FIG. 2 is a diagram illustrating an illegal phone detection apparatus according to an embodiment of the present invention.
  • 3 is a diagram for describing a method of generating, by the preprocessor, a learning image.
  • FIG. 4 is a diagram for explaining a method of pre-processing the contents included in each of the unit rectangles.
  • FIG. 5 is a diagram illustrating a method of learning by a learner to learn a training image through a convolution filter.
  • FIG. 6 is a diagram for explaining a method for the illegal telephone detection apparatus to learn an illegal telephone detection model.
  • FIG. 1 is a diagram illustrating an environment in which an illegal call detection device according to an embodiment of the present invention is implemented.
  • the subscriber station 100 generates a raw packet according to a Voice over Internet Protocol (VoIP) service.
  • VoIP Voice over Internet Protocol
  • the subscriber terminal 100 is an Internet telephone terminal device for using the Internet telephone service of subscribers subscribed to the VoIP service.
  • the subscriber station 100 may include a VoIP terminal, and may be a physical VoIP terminal device such as a SoIP phone, an IP-PBX, or a Call Box, or a softphone operating in software on a PC or a mobile device.
  • the subscriber station 100 may include a terminal device for receiving VoIP service through the VoIP network 400.
  • the subscriber station 100 uses the VoIP service, the subscriber station 100 transmits a low packet including a call connection request to the call exchanger 200 through the VoIP network 400.
  • the call exchanger 200 When the call exchanger 200 receives a low packet from the subscriber terminal 100, the call exchanger 200 transmits a call connection request signal to a called terminal (not shown) corresponding to the call connection request included in the low packet.
  • the call exchanger 200 is included in the VoIP service provider network, and interoperates with the charging server 300 to transmit information generated by using the subscriber station 100 VoIP service to the charging server 300.
  • the billing server 300 generates CDR data (Call Detail Record Data) for the subscriber station 100 using the information received from the call exchanger 200.
  • CDR data Call Detail Record Data
  • the billing server 300 even when the subscriber station 100 uses a specific VoIP service (for example, IP-Centrex or Calls Free Calls (CFC)), the subscriber station 100 CDR data can be generated.
  • a specific VoIP service for example, IP-Centrex or Calls Free Calls (CFC)
  • the VoIP network 400 connects the subscriber station 100 and the call exchanger 200, and may be a typical internet network that enables the subscriber station 100 to transmit and receive data necessary for receiving VoIP service.
  • the illegal telephone detection apparatus 500 collects a low packet from at least one of the subscriber station 100 or the call exchanger 200, collects CDR data from the charging server 300, and learns using the low packet and the CDR data. An image is generated and the learning image is trained through an illegal phone detection model to detect and block illegal calls.
  • the illegal telephone detection apparatus 500 will be described in detail.
  • FIG. 2 is a diagram illustrating an illegal telephone detection apparatus according to an embodiment of the present invention
  • FIG. 3 is a diagram illustrating a method of generating a learning image by the preprocessor
  • FIG. 4 is a diagram of the preprocessor included in each of the unit rectangles.
  • FIG. 5 is a diagram illustrating a method of integerizing contents
  • FIG. 5 is a diagram illustrating a method of learning by a learning unit through a convolution filter.
  • the illegal telephone detection apparatus 500 includes a data collection unit 510, a preprocessor 520, a learning unit 530, an illegal telephone detection unit 540, and an action unit 550.
  • the data collector 510 collects a raw packet generated by the subscriber station 100 using the VoIP service from at least one of the subscriber station 100 and the call exchanger 200.
  • the subscriber station 100 when the VoIP service is processed through the Session Initiation Protocol (SIP) or the Integrated Services Digital Network (ISDN) User Part (ISP), generates a fellow packet including various signaling information, and The collector 510 receives the generated raw packet.
  • SIP Session Initiation Protocol
  • ISDN Integrated Services Digital Network
  • ISP Integrated Services Digital Network
  • Table 1 shows field information of an exemplary low packet generated when using the SIP protocol.
  • the data collection unit 510 collects CDR data (Call Detail Record Data) associated with the raw packet generated by the subscriber station 100 from the charging server 300.
  • the CDR data is the subscriber station 100 VoIP service It includes information necessary for billing the charges incurred by using, and specifically, includes the calling number information, called number information, call start time information and call time information.
  • the preprocessing unit 520 is a service extracted from the CDR data Learning data are generated using the usage information and service details extracted from the raw packets.
  • the preprocessor 520 determines the detection time information by using the collected time of the CDR data, and extracts at least one of the calling number information and the called number information included in the CDR data to generate service usage information. That is, the service usage information includes at least one of detection time information, caller number information or called party number information.
  • the preprocessor 520 determines service destination information by determining at least one of destination country information, source IP information, IP country information, and terminal identifier using information included in the raw data. That is, the service detail information includes at least one of called country information, source IP information, IP country information, and terminal identifier.
  • the preprocessor 520 sequentially generates the learning data by sequentially sorting the table in the order of the information included in the service usage information and the information included in the service detailed information.
  • the preprocessing unit 520 generates the learning data by sequentially arranging the table in the order of detection time information, calling number information, called number information, called country information, source IP information, IP country information, and terminal identifier information.
  • Table 2 shows an example of the training data, and the training data of Table 2 may be configured with a total of 244 bytes.
  • the preprocessor 520 converts the generated training data into an image according to a preset imaging rule to generate a training image.
  • the preprocessor 520 is based on a byte size of information arranged in a table.
  • Unit polygons are generated, each of which visualizes the information, and the unit polygons are arranged in a table sorted order to generate a training image. It consists of a rectangle having the length of the sides, and is arranged sequentially in the vertical direction to be staggered on the learning image.
  • the preprocessor 520 may generate a unit rectangle having the same vertical length for each of the information in Table 2 and the byte size as the vertical length.
  • the preprocessor 520 determines the information having the smallest byte size in the training data, and determines the polygon having the length of one side having a byte size smaller than the byte size of the information. Thereafter, the preprocessor 520 sequentially arranges the unit rectangles within the determined polygonal shape.
  • the preprocessor 520 determines a polygon having a horizontal length of 18 bytes smaller than 20 bytes since the smallest byte size of each of the information in Table 2 is 20 bytes.
  • the unit rectangles may be sequentially arranged from the detection time information to the terminal identifier information.
  • the unit rectangles may be alternately arranged in the entire polygon.
  • the preprocessor 520 integerizes the contents included in each of the unit rectangles.
  • the preprocessor 520 divides content input in a bit format into each of the unit rectangles in preset bit units, and integerizes the divided bit units.
  • a syllable of “two” included in an arbitrary unit rectangle is composed of a total of 24 bits of “111010111001000110010000” when input in UFT-8 (Unicode Transformation Format-8bit) format.
  • the preprocessor 520 may divide “111010111001000110010000” into 8-bit units to generate “11101011”, “10010001”, and “10010000”, and integerize the divided bit units.
  • the integer result corresponds to "235", "145” and "144".
  • the preprocessor 520 generates a training image by imaging the entire polygon in which the unit rectangles are staggered using an imaging algorithm. For example, in FIG. 3, when an image of a polygon having 18 bytes of one side length is imaged, a learning image having the same polygonal shape having a side length of 144 pixels may be generated.
  • the learning unit 530 extracts at least one or more features from the training image through the illegal telephone detection model, and learns whether the training image is associated with the illegal telephone using the features.
  • the learner 530 uses an illegal phone detection model that classifies whether a learning image is associated with an illegal phone or a normal phone through a CNN algorithm.
  • the illegal phone detection model is composed of at least one convolution layer in the neural network, and the learning unit 530 extracts features of the training image through convolution filters of the convolution layers, and extracts the extracted features from the neural network. Use this to classify whether it is a learning image related to an illegal call or a learning image related to a normal call.
  • the learner 530 may extract features using a 3 * 3 size convolution filter with respect to the training image of FIG. 3.
  • the learner 530 may extract features using a 3 * 3 size convolution filter with respect to the training image of FIG. 3.
  • features of a plurality of pieces of information may be simultaneously extracted.
  • the learner 530 extracts and learns a feature of the vertical correlation between the detection time information and the calling number information at the time of initial filtering, and then detects the detection time information as the convolution filter moves.
  • the feature of the vertical association between the three pieces of information of the calling number and called number can be extracted and learned.
  • the administrator inputs the learning image related to the illegal phone call or the learning image related to the normal phone to the illegal phone detection model to determine the classification accuracy, and trains the illegal phone detection model until the classification accuracy becomes above a predetermined threshold accuracy. Can be.
  • the illegal telephone detection unit 540 inputs the learning image of the new learning image into the illegal telephone detection model to determine whether the new learning image is associated with the illegal telephone.
  • the action unit 550 blocks the subscriber terminal associated with the new learning image when the new learning image is associated with an illegal telephone call.
  • the action unit 550 checks the new learning data associated with the new learning image.
  • the action unit 550 determines a call associated with the calling number information, the called number information, the called country information, or the terminal identification information included in the new learning data, and blocks the determined call or calls through the announcement. To provide.
  • FIG. 6 is a diagram for explaining a method for the illegal telephone detection apparatus to learn an illegal telephone detection model.
  • FIG. 6 the same contents as in FIGS. 1 to 5 will be omitted.
  • the illegal telephone detection apparatus 500 collects a low packet generated by a previously detected illegal telephone from at least one of a subscriber station or a call exchanger associated with the illegal telephone, and charges CDR data related to the raw packet. Collect from the server (S100).
  • the illegal phone detection apparatus 500 extracts service usage information from the CDR data and extracts service detail information from the raw packet (S110).
  • the illegal telephone detection apparatus 500 determines illegal telephone pattern information using information included in the service usage information and the service detailed information (S120).
  • the illegal telephone detection apparatus 500 generates cumulative call number information based on the calling number information and the called number information included in the service usage information.
  • the cumulative call count information includes cumulative call count information and cumulative incoming call count information.
  • the illegal phone detection apparatus 500 determines the cumulative outgoing call count information by counting the number of calls made by the subscriber station 100 during the threshold time. For example, the illegal phone detection apparatus 500 may determine the cumulative outgoing call number information by counting the number of calls originating from the subscriber station 100 for 1 minute, 3 minutes, and 60 minutes.
  • the threshold time may be set in advance or may be set dynamically.
  • the illegal phone detection apparatus 500 determines the cumulative incoming number information by counting the number of calls received by the subscriber station 100 during the threshold time. For example, the illegal phone detection apparatus 500 may determine the cumulative incoming number information using the number of calls received from the subscriber station 100 for 1 minute, 3 minutes, and 60 minutes.
  • the threshold time may be set in advance or may be set dynamically.
  • the illegal telephone detection apparatus 500 tags illegal telephone pattern information including at least one of cumulative outgoing call count information and cumulative incoming call count information as related to an illegal call.
  • the illegal telephone detection apparatus 500 tags the determined information as related to the illegal telephone since the collected raw data and CDR data are generated by the illegal telephone.
  • the illegal telephone detection apparatus 500 generates learning data using service usage information, service detail information, and illegal telephone pattern information.
  • the illegal phone detecting apparatus 500 generates learning data by sequentially arranging the table in the order of information included in the service usage information, information included in the service detailed information, and information included in the illegal telephone pattern information (S130). ).
  • the illegal telephone detection apparatus 500 includes order of detection time information, caller ID information, caller ID information, callee country information, source IP information, IP country information, terminal identifier information, cumulative call count information, and cumulative call count information. You can create training data by sorting the table sequentially.
  • the illegal phone detection apparatus 500 generates a learning image by converting the learning data into an image according to a preset imaging rule.
  • the illegal telephone detection apparatus 500 generates unit polygons each of which visualizes the information arranged in the table based on the byte size of the information arranged in the table, and arranges the unit polygons in the order arranged in the table (S140). ).
  • the illegal telephone detection apparatus 500 divides the content input in the bit format into each of the unit rectangles in preset bit units, and integers the divided bit units (S150).
  • the illegal phone detection apparatus 500 generates a learning image by imaging the entire polygon in which the unit rectangles are staggered from each other using an imaging algorithm (S160).
  • the illegal phone detection apparatus 500 learns that the learning image is associated with an illegal phone through the illegal phone detection model (S170).
  • the generated learning image includes illegal call pattern information including at least one of cumulative call count information or cumulative call count information in addition to the service usage information and the service detail information. You can learn more.
  • the illegal phone detection apparatus 500 determines whether the new phone image is associated with an illegal phone by inputting the new phone image into the illegal phone detection model, and when the new phone image is associated with an illegal phone.
  • the subscriber station associated with the new learning image may be blocked.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Telephonic Communication Services (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

불법 전화 검출 장치로서, 가입자 단말이 VoIP(Voice over Internet Protocol) 서비스를 이용함에 따라 생성하는 로우 패킷(Raw packet)을 상기 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 상기 로우 패킷과 관련된 CDR 데이터(Call Detail Record Data)를 과금 서버로부터 수집하는 데이터 수집부, 상기 CDR 데이터로부터 추출한 서비스 이용 정보 및 상기 로우 패킷으로부터 추출한 서비스 세부 정보를 이용하여 학습 데이터를 생성하고, 상기 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성하는 전처리부, 그리고 불법 전화 검출 모델을 통해, 상기 학습 이미지로부터 적어도 하나 이상의 특징들을 추출하고, 상기 특징들을 이용하여 상기 학습 이미지가 불법 전화와 관련되었는지 학습하는 학습부를 포함한다.

Description

불법 전화 검출을 위한 장치 및 방법
본 발명은 불법 전화 검출을 위한 장치 및 방법에 관한 것이다.
인터넷 활용이 증가됨에 따라 인터넷 전화, VoLTE 또는 Mobile VoIP와 같은 인터넷 전화(VoIP) 서비스가 급속히 확산되고 있으며, 기업용 IP-PBX, CALL BOX 또는 Softphone 등과 같은 다양한 형태의 인터넷 전화 또한 보급되고 있다.
그러나, 인터넷 전화는 인터넷에 접속하여 사용하므로 보안에 취약하고, 특히 고객이 직접 구매하는 기업용 IP-PBX 등은 공장에서 생산될 당시 설정된 아이디 및 패스워드를 그대로 사용하거나, 간단한 프로그램으로 이를 쉽게 찾아낼 수 있는 경우가 많다. 이에 따라, 인터넷 전화에 사용되는 아이디 및 패스워드를 도용하여 불법적인 전화를 유발함으로서,　고객에게 한 달에 수 백 만원에서 수 천 만원에 달하는 과금 피해를 일으키고 있는 실정이다.
본 발명이 해결하고자 하는 과제는 발생된 불법 전화 패턴을 CNN 알고리즘을 통해 학습하여 불법 전화를 탐지 및 차단하는 기술을 제공하는 것이다.
본 발명의 일 실시예에 따른 불법 전화 검출 장치는 가입자 단말이 VoIP(Voice over Internet Protocol) 서비스를 이용함에 따라 생성하는 로우 패킷(Raw packet)을 상기 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 상기 로우 패킷과 관련된 CDR 데이터(Call Detail Record Data)를 과금 서버로부터 수집하는 데이터 수집부, 상기 CDR 데이터로부터 추출한 서비스 이용 정보 및 상기 로우 패킷으로부터 추출한 서비스 세부 정보를 이용하여 학습 데이터를 생성하고, 상기 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성하는 전처리부, 그리고 불법 전화 검출 모델을 통해, 상기 학습 이미지로부터 적어도 하나 이상의 특징들을 추출하고, 상기 특징들을 이용하여 상기 학습 이미지가 불법 전화와 관련되었는지 학습하는 학습부를 포함한다.
상기 서비스 이용 정보는 검출 시각 정보, 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 포함하고, 상기 서비스 세부 정보는 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보 중 적어도 하나를 포함한다.
상기 전처리부는 상기 서비스 이용 정보에 포함된 정보, 상기 서비스 세부 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 상기 학습 데이터를 생성한다.
상기 전처리부는 상기 테이블에 정렬된 정보들의 바이트 크기를 기준으로 상기 정보들을 각각 시각화한 단위 다각형들을 생성하고, 상기 단위 다각형들을 상기 테이블에 정렬된 순서로 배열하여 상기 학습 이미지를 생성한다.
상기 단위 다각형들은 상기 정보들 각각의 바이트 크기에 비례하는 길이를 마주보는 임의의 양 변의 길이로 갖는 직사각형으로 이루어지며, 상기 학습 이미지 상에서 엇갈리도록 수직 방향으로 상기 테이블에 정렬된 순서로 배열된다.
상기 불법 전화 검출 장치는 신규 학습 이미지가 생성된 경우, 상기 신규 학습 이미지를 상기 불법 전화 검출 모델에 입력하여 상기 신규 학습 이미지가 불법 전화와 관련되었는지 결정하는 불법 전화 탐지부를 더 포함한다.
상기 불법 전화 검출 장치는 상기 신규 학습 이미지가 불법 전화와 관련된 경우 상기 신규 학습 이미지와 관련된 가입자 단말을 차단하는 조치부를 더 포함한다.
본 발명의 일 실시예에 따른 불법 전화 검출 장치가 불법 전화 검출 모델을 학습시키는 방법은 기 탐지된 불법 전화에 의해 생성된 로우 패킷을 불법 전화와 관련된 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 상기 로우 패킷과 관련된 CDR 데이터를 과금 서버로부터 수집하는 단계, 상기 CDR 데이터로부터 서비스 이용 정보를 추출하고, 상기 로우 패킷으로부터 서비스 세부 정보를 추출하는 단계, 상기 서비스 이용 정보 및 상기 서비스 세부 정보에 포함된 정보들을 이용하여 불법 전화 패턴 정보를 결정하는 단계, 상기 서비스 이용 정보, 상기 서비스 세부 정보 및 상기 불법 전화 패턴 정보를 이용하여 학습 데이터를 생성하는 단계, 상기 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성하는 단계, 그리고 불법 전화 검출 모델을 통해 상기 학습 이미지가 불법 전화와 관련된 것으로 학습하는 단계를 포함한다.
상기 서비스 이용 정보는 검출 시각 정보, 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 포함하고, 상기 서비스 세부 정보는 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보 중 적어도 하나를 포함하고, 상기 불법 전화 패턴 정보는 누적 발신 수 정보 또는 누적 착신 수 정보 중 적어도 하나를 포함한다.
상기 불법 전화 패턴 정보를 결정하는 단계는 상기 서비스 이용 정보에 포함된 발신 번호 정보를 이용하여, 임계 시간 동안 상기 가입자 단말에서 발신한 누적 발신 수 정보를 결정하는 단계, 상기 서비스 이용 정보에 포함된 착신 번호 정보를 이용하여, 상기 임계 시간 동안 상기 가입자 단말에서 착신한 누적 착신 수 정보를 결정하는 단계, 그리고 상기 누적 발신 수 정보 또는 상기 누적 착신 수 정보 중 적어도 하나를 불법 전화와 관련된 것으로 태깅하는 단계를 포함한다.
상기 학습 데이터를 생성하는 단계는 상기 서비스 이용 정보에 포함된 정보, 상기 서비스 세부 정보에 포함된 정보, 상기 불법 전화 패턴 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 상기 학습 데이터를 생성한다.
상기 학습 이미지를 생성하는 단계는 상기 테이블에 정렬된 정보들의 바이트 크기를 기준으로 상기 테이블에 정렬된 정보들을 각각 시각화한 단위 다각형들을 생성하는 단계, 그리고 상기 단위 다각형들을 상기 테이블에 정렬된 순서로 배열하여 상기 학습 이미지를 생성하는 단계를 포함한다.
상기 단위 다각형들은 상기 테이블에 정렬된 정보들의 바이트 크기에 비례하는 길이를 마주보는 임의의 양 변의 길이로 갖는 직사각형 형태로 이루어지며, 상기 학습 이미지 상에서 엇갈리도록 수직 방향으로 순차적으로 배열된다.
상기 불법 전화 검출 장치가 불법 전화 검출 모델을 학습시키는 방법은 신규 학습 이미지가 생성된 경우, 상기 신규 학습 이미지를 상기 불법 전화 검출 모델에 입력하여 상기 신규 학습 이미지가 불법 전화와 관련되었는지 결정하는 단계, 그리고 상기 신규 학습 이미지가 불법 전화와 관련된 경우 상기 신규 학습 이미지와 관련된 가입자 단말을 차단하는 단계를 더 포함한다.
본 발명에 따르면, 실시간으로 불법 전화를 탐지 및 차단함으로써, 불법 전화로 인한 과금 피해를 원천적으로 방지할 수 있다.
도 1은 본 발명의 한 실시예에 따른 불법 전화 검출 장치가 구현되는 환경을 도시한 도면이다.
도 2는 본 발명의 한 실시예에 따른 불법 전화 검출 장치를 설명하는 도면이다.
도 3은 전처리부가 학습 이미지를 생성하는 방법을 설명하는 도면이다.
도 4는 전처리부가 단위 직사각형들 각각에 포함된 콘텐츠들을 정수화하는 방법을 설명하는 도면이다.
도 5는 학습부가 컨볼루션 필터를 통해 학습 이미지를 학습하는 방법을 설명하는 도면이다.
도 6은 불법 전화 검출 장치가 불법 전화 검출 모델을 학습시키는 방법을 설명하는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 한 실시예에 따른 불법 전화 검출 장치가 구현되는 환경을 도시한 도면이다.
도 1을 참고하면, 가입자 단말(100)은 VoIP(Voice over Internet Protocol) 서비스를 이용함에 따라 로우 패킷(Raw packet)을 생성한다.
구체적으로, 가입자 단말(100)은 VoIP 서비스에 가입한 가입자들의 인터넷 전화 서비스 이용을 위한 인터넷 전화 단말 장치이다.
가입자 단말(100)은 VoIP 단말을 포함할 수 있고, SoIP 폰, IP-PBX 또는 Call Box 등 물리적 VoIP 단말 장치이거나, PC나 모바일 기기에서 소프트웨어적으로 작동하는 Softphone 일 수 있다. 또한, 가입자 단말(100)은 VoIP 네트워크(400)를 통해 VoIP 서비스를 제공받기 위한 단말 장치가 포함될 수 있다.
가입자 단말(100)이 VoIP 서비스를 이용하는 경우, 가입자 단말(100)은 VoIP 네트워크(400)를 통해 통화 연결 요청을 포함하는 로우 패킷을 통화 교환기(200)로 전송한다.
통화 교환기(200)는 가입자 단말(100)로부터 로우 패킷을 수신하면, 로우 패킷에 포함된 통화 연결 요청에 해당하는 착신 단말(미도시)로 통화 연결 요청 신호를 전달한다.
통화 교환기(200)는 VoIP 서비스 제공자 망에 포함되고, 과금 서버(300)와 연동되어 가입자 단말(100) VoIP 서비스를 이용함에 따라 발생한 정보를 과금 서버(300)로 전송한다.
과금 서버(300)는 통화 교환기(200)로부터 수신한 정보를 이용하여 가입자 단말(100)에 대한 CDR 데이터(Call Detail Record Data)를 생성한다.
한편, 과금 서버(300)는 가입자 단말(100)이 특정 VoIP 서비스(예를 들면, IP-센트릭스(IP-Centrex) 또는 CFC(Calls Free Calls))을 사용하는 경우에도, 가입자 단말(100)에 대한 CDR 데이터를 생성할 수 있다.
VoIP 네트워크(400)는 가입자 단말(100)와 통화 교환기(200)를 연결하며, 가입자 단말(100)이 VoIP 서비스를 제공받는데 필요한 데이터를 송수신 할 수 있도록 하는 통상적인 인터넷 망일 수 있다.
불법 전화 검출 장치(500)는 가입자 단말(100) 또는 통화 교환기(200) 중 적어도 하나로부터 로우 패킷을 수집하고, 과금 서버(300)로부터 CDR 데이터를 수집하며, 로우 패킷과 CDR 데이터를 이용하여 학습 이미지를 생성하고, 학습 이미지를 불법 전화 검출 모델을 통해 학습하여 불법 전화를 탐지 및 차단한다. 이하, 불법 전화 검출 장치(500)에 대해 자세히 설명한다.
도 2는 본 발명의 한 실시예에 따른 불법 전화 검출 장치를 설명하는 도면이고, 도 3은 전처리부가 학습 이미지를 생성하는 방법을 설명하는 도면이고, 도 4는 전처리부가 단위 직사각형들 각각에 포함된 콘텐츠들을 정수화하는 방법을 설명하는 도면이고, 도 5는 학습부가 컨볼루션 필터를 통해 학습 이미지를 학습하는 방법을 설명하는 도면이다.
도 2를 참고하면, 불법 전화 검출 장치(500)는 데이터 수집부(510), 전처리부(520), 학습부(530), 불법 전화 탐지부(540) 및 조치부(550)를 포함한다.
데이터 수집부(510)는 가입자 단말(100)이 VoIP 서비스를 이용함에 따라 생성하는 로우 패킷(Raw packet)을 가입자 단말(100) 또는 통화 교환기(200) 중 적어도 하나로부터 수집한다.
구체적으로, 가입자 단말(100)은 SIP(Session Initiation Protocol) 또는 ISUP(Integrated Services Digital Network (ISDN) User Part)를 통해 VoIP 서비스가 처리되는 경우, 각종 신호 정보가 포함된　로우 패킷을 생성하고, 데이터 수집부(510)는 생성한 로우 패킷을 수신한다. 표 1은 SIP 프로토콜을 사용하는 경우 생성되는 예시적인 로우 패킷의 필드 정보들을 나타낸다.
INVITE SIP/2.0
Call-id
Via
From
To
또한, 데이터 수집부(510)는 가입자 단말(100)이 생성한 로우 패킷과 관련된 CDR 데이터(Call Detail Record Data)를 과금 서버(300)로부터 수집한다.CDR 데이터는 가입자 단말(100)이 VoIP 서비스를 이용함에 따라 발생한 요금을 청구하기 위해 필요한 정보를 포함하며, 구체적으로, 발신 번호 정보, 착신 번호 정보, 통화 시작 시각 정보 및 통화 시간 정보를 포함한다.전처리부(520)는 CDR 데이터로부터 추출한 서비스 이용 정보 및 로우 패킷으로부터 추출한 서비스 세부 정보를 이용하여 학습 데이터를 생성한다.
구체적으로, 전처리부(520)는 CDR 데이터를 수집한 시각을 이용하여 검출 시각 정보를 결정하고, CDR 데이터에 포함된 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 추출하여 서비스 이용 정보를 생성한다. 즉, 서비스 이용 정보는 검출 시각 정보, 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 포함한다.
또한, 전처리부(520)는 로우 데이터에 포함된 정보들을 이용하여 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 중 적어도 하나를 결정하여 서비스 세부 정보를 생성한다. 즉, 서비스 세부 정보는 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 중 적어도 하나를 포함한다.
전처리부(520)는 서비스 이용 정보에 포함된 정보, 서비스 세부 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 학습 데이터를 생성한다.
구체적으로, 전처리부(520)는 검출 시각 정보, 발신 번호 정보, 착신 번호 정보, 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보 순으로 테이블에 순차적으로 정렬하여 학습 데이터를 생성한다. 표 2는 학습 데이터의 예시를 나타내며, 표 2의 학습 데이터는 총 244바이트로 구성될 수 있다.
검출 시각 발신 번호 착신 번호 착신 국가 소스 IP IP 국가 단말 식별자
20 바이트 20 바이트 40 바이트 40 바이트 20 바이트 40 바이트 64바이트
2018/10/15/14:00 010-2139-1230 02-529-0219 KR 110.111.111 KR 1wk12
전처리부(520)는 생성한 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성한다.도 3을 참고하면, 전처리부(520)는 테이블에 정렬된 정보들의 바이트 크기를 기준으로 정보들을 각각 시각화한 단위 다각형들을 생성하고, 단위 다각형들을 테이블에 정렬된 순서로 배열하여 학습 이미지를 생성한다.이 경우, 단위 다각형들은 정보들 각각의 바이트 크기에 비례하는 길이를 마주보는 임의의 양 변의 길이로 갖는 직사각형으로 이루어지며, 학습 이미지 상에서 엇갈리도록 수직 방향으로 순차적으로 배열된다.
예를 들면, 도 3에서, 전처리부(520)는 표 2의 정보들 각각에 대해 동일한 세로 길이를 갖고 바이트 크기를 세로 길이로 갖는 단위 직사각형을 생성할 수 있다.
한편, 전처리부(520)는 학습 데이터에서 가장 작은 바이트 크기를 갖는 정보를 결정하고, 해당 정보의 바이트 크기보다 작은 바이트 크기를 한 변의 길이로 갖는 다각형을 결정한다. 이후, 전처리부(520)는 결정한 다각형 모양 내부에 단위 직사각형들을 순차적으로 배열한다.
예를 들면, 전처리부(520)는 표 2의 각 정보들 중 가장 작은 바이트 크기가 20바이트이므로, 20바이트보다 작은 18바이트를 가로 길이로 갖는 다각형을 결정하고, 다각형 내부에 각 정보들에 대한 단위 직사각형을 검출 시각 정보부터 단말 식별자 정보까지 순차적으로 배열할 수 있다.
이 경우, 검출 시각 정보의 20바이트 중 18바이트는 첫 번째 열에, 나머지 2바이트는 두 번째 열에 표시된다. 또한, 발신 번호 정보의 20바이트 중 16바이트는 두 번째 열에, 나머지 4바이트는 세 번째 열에 표시된다. 이와 같은 방법으로 단위 직사각형들을 순차적으로 배열하면 단위 직사각형들이 전체 다각형 내에서 서로 엇갈리게 배열될 수 있다.
전처리부(520)는 단위 직사각형들 각각에 포함된 콘텐츠들을 정수화한다.
구체적으로, 전처리부(520)는 단위 직사각형들 각각에 비트 형식으로 입력된 콘텐츠들을 미리 설정된 비트 단위로 분할하고, 분할된 비트 단위들을 정수화한다.
예를 들면, 도 4를 참고하면, 임의의 단위 직사각형에 포함된 "두"라는 음절은 UFT-8(Unicode Transformation Format-8bit) 형식으로 입력되는 경우 "111010111001000110010000"의 총 24비트로 구성된다. 이 경우, 전처리부(520)는 "111010111001000110010000"를 8비트 단위로 분할하여 "11101011", "10010001" 및 "10010000"를 생성하고, 분할된 비트 단위들을 각각 정수화할 수 있다. 정수화된 결과는 "235", "145" 및 "144"에 해당한다.
전처리부(520)는 단위 직사각형들이 서로 엇갈리게 배열된 전체 다각형을 이미지화 알고리즘을 이용하여 이미지화하여 학습 이미지를 생성한다. 예를 들면, 도 3에서, 18바이트를 한 변의 길이로 갖는 다각형을 이미지화 하는 경우 한 변의 길이를 144픽셀로 갖는 동일한 다각형 모양의 학습 이미지를 생성할 수 있다.
학습부(530)는 불법 전화 검출 모델을 통해, 학습 이미지로부터 적어도 하나 이상의 특징들을 추출하고, 특징들을 이용하여 학습 이미지가 불법 전화와 관련되었는지 학습한다.
구체적으로, 학습부(530)는 CNN 알고리즘을 통해 학습 이미지가 불법 전화와 관련되었는지 또는 정상 전화와 관련되었는지 분류하는 불법 전화 검출 모델을 이용한다.
불법 전화 검출 모델은 뉴럴 네트워크에 적어도 하나 이상의 컨볼루션 계층들로 구성되며, 학습부(530)는 컨볼루션 계층들의 컨볼루션 필터들을 통해 학습 이미지에 대한 특징들을 추출하고, 추출된 특징들을 뉴럴 네트워크를 이용하여 불법 전화와 관련된 학습 이미지인지 정상 전화와 관련된 학습 이미지인지 분류한다.
예를 들면, 도 5를 참고하면, 학습부(530)는 도 3의 학습 이미지에 대해 3*3 크기의 컨볼루션 필터를 이용하여 특징들을 추출할 수 있다. 이 경우, 도 3의 학습 이미지는 각 정보들이 서로 엇갈려 배열된바, 복수의 정보들에 대한 특징들을 동시에 추출할 수 있다.
구체적으로, 도 5에서, 학습부(530)는 최초 필터링 당시 검출 시각 정보와 발신 번호 정보 사이의 수직 연관성에 대한 특징을 추출하여 학습할 수 있으며, 이후 컨볼루션 필터가 이동함에 따라 검출 시각 정보, 발신 번호 정보 및 착신 번호 정보의 3개의 정보 사이의 수직 연관성에 대한 특징을 추출하여 학습할 수 있다.
한편, 관리자는 불법 전화와 관련된 학습 이미지 또는 정상 전화와 관련된 학습 이미지를 불법 전화 검출 모델에 입력하여 분류 정확도를 결정하고, 분류 정확도가 미리 설정된 임계 정확도 이상이 될 때까지 불법 전화 검출 모델을 학습시킬 수 있다.
불법 전화 탐지부(540)는 신규 학습 이미지가 생성된 경우, 신규 학습 이미지의 학습 이미지를 불법 전화 검출 모델에 입력하여 신규 학습 이미지가 불법 전화와 관련되었는지 결정한다.
조치부(550)는 신규 학습 이미지가 불법 전화와 관련된 경우 신규 학습 이미지와 관련된 가입자 단말을 차단한다.
구체적으로, 만일 불법 전화와 관련된 신규 학습 이미지인 경우, 조치부(550)는 신규 학습 이미지와 관련된 신규 학습 데이터를 확인한다.
이후, 조치부(550)는 신규 학습 데이터에 포함된 발신 번호 정보, 착신 번호 정보, 착신 국가 정보 또는 단말 식별 정보와 관련된 전화를 결정하고, 결정한 전화를 차단하거나 안내 방송을 통해 통화가 불가하다는 음성을 제공한다.
도 6은 불법 전화 검출 장치가 불법 전화 검출 모델을 학습시키는 방법을 설명하는 도면이다.
도 6에서, 도 1 내지 도 5와 동일한 내용은 설명을 생략한다.
도 6을 참고하면, 불법 전화 검출 장치(500)는 기 탐지된 불법 전화에 의해 생성된 로우 패킷을 불법 전화와 관련된 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 로우 패킷과 관련된 CDR 데이터를 과금 서버로부터 수집한다(S100).
불법 전화 검출 장치(500)는 CDR 데이터로부터 서비스 이용 정보를 추출하고, 로우 패킷으로부터 서비스 세부 정보를 추출한다(S110).
불법 전화 검출 장치(500)는 서비스 이용 정보 및 서비스 세부 정보에 포함된 정보들을 이용하여 불법 전화 패턴 정보를 결정한다(S120).
구체적으로, 불법 전화 검출 장치(500)는 서비스 이용 정보에 포함된 발신 번호 정보 및 착신 번호 정보를 기반으로 누적 통화 수 정보를 생성한다. 이 경우, 누적 통화 수 정보는 누적 발신 수 정보 및 누적 착신 수 정보를 포함한다.
불법 전화 검출 장치(500)는 임계 시간 동안 가입자 단말(100)에서 발신된 통화 수를 카운트하여 누적 발신 수 정보를 결정한다. 예를 들면, 불법 전화 검출 장치(500)는 1분, 3분 및 60분 동안 가입자 단말(100)에서 발신된 통화 수를 카운트하여 누적 발신 수 정보를 결정할 수 있다. 여기서, 임계 시간은 미리 설정될 수 있거나 동적으로 설정될 수 있다.
또한, 불법 전화 검출 장치(500)는 임계 시간 동안 가입자 단말(100)에서 착신한 통화 수를 카운트하여 누적 착신 수 정보를 결정한다. 예를 들면, 불법 전화 검출 장치(500)는 1분, 3분 및 60분 동안 가입자 단말(100)에서 착신된 통화 수를 이용하여 누적 착신 수 정보를 결정할 수 있다. 여기서, 임계 시간은 미리 설정될 수 있거나 동적으로 설정될 수 있다.
불법 전화 검출 장치(500)는 누적 발신 수 정보 또는 누적 착신 수 정보 중 적어도 하나를 포함하는 불법 전화 패턴 정보를 불법 전화와 관련된 것으로 태깅한다.
구체적으로, 불법 전화 검출 장치(500)는 수집된 로우 데이터 및 CDR 데이터가 불법 전화에 의해 생성된 것이므로, 결정한 정보들을 불법 전화와 관련된 것으로 태깅한다.
불법 전화 검출 장치(500)는 서비스 이용 정보, 서비스 세부 정보 및 불법 전화 패턴 정보를 이용하여 학습 데이터를 생성한다.
구체적으로, 불법 전화 검출 장치(500)는 서비스 이용 정보에 포함된 정보, 서비스 세부 정보에 포함된 정보, 불법 전화 패턴 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 학습 데이터를 생성한다(S130).
예를 들면, 불법 전화 검출 장치(500)는 검출 시각 정보, 발신 번호 정보, 착신 번호 정보, 착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보, 누적 발신 수 정보, 누적 착신 수 정보 순으로 테이블에 순차적으로 정렬하여 학습 데이터를 생성할 수 있다.
불법 전화 검출 장치(500)는 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성한다.
구체적으로, 불법 전화 검출 장치(500)는 테이블에 정렬된 정보들의 바이트 크기를 기준으로 테이블에 정렬된 정보들을 각각 시각화한 단위 다각형들을 생성하고, 단위 다각형들을 테이블에 정렬된 순서로 배열한다(S140).
불법 전화 검출 장치(500)는 단위 직사각형들 각각에 비트 형식으로 입력된 콘텐츠들을 미리 설정된 비트 단위로 분할하고, 분할된 비트 단위들을 정수화한다(S150).
불법 전화 검출 장치(500)는 단위 직사각형들이 서로 엇갈리게 배열된 전체 다각형을 이미지화 알고리즘을 이용하여 이미지화하여 학습 이미지를 생성한다(S160).
불법 전화 검출 장치(500)는 불법 전화 검출 모델을 통해 학습 이미지가 불법 전화와 관련된 것으로 학습한다(S170). 이 경우, 생성된 학습 이미지는 서비스 이용 정보 및 서비스 세부 정보 외에도 누적 발신 수 정보 또는 누적 착신 수 정보 중 적어도 하나를 포함하는 불법 전화 패턴 정보를 포함하므로, 임계 시간 동안 수집된 불법 전화와 관련된 패턴을 추가로 학습할 수 있다.
이후, 불법 전화 검출 장치(500)는 신규 학습 이미지가 생성된 경우, 신규 학습 이미지를 불법 전화 검출 모델에 입력하여 신규 학습 이미지가 불법 전화와 관련되었는지 결정하고, 신규 학습 이미지가 불법 전화와 관련된 경우 신규 학습 이미지와 관련된 가입자 단말을 차단할 수 있다.
본 발명에 따르면, 실시간으로 불법 전화를 탐지 및 차단함으로써, 불법 전화로 인한 과금 피해를 원천적으로 방지할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (14)

  1. 불법 전화 검출 장치로서,
    가입자 단말이 VoIP(Voice over Internet Protocol) 서비스를 이용함에 따라 생성하는 로우 패킷(Raw packet)을 상기 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 상기 로우 패킷과 관련된 CDR 데이터(Call Detail Record Data)를 과금 서버로부터 수집하는 데이터 수집부,
    상기 CDR 데이터로부터 추출한 서비스 이용 정보 및 상기 로우 패킷으로부터 추출한 서비스 세부 정보를 이용하여 학습 데이터를 생성하고, 상기 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성하는 전처리부, 그리고
    불법 전화 검출 모델을 통해, 상기 학습 이미지로부터 적어도 하나 이상의 특징들을 추출하고, 상기 특징들을 이용하여 상기 학습 이미지가 불법 전화와 관련되었는지 학습하는 학습부
    를 포함하는 불법 전화 검출 장치.
  2. 제1항에서,
    상기 서비스 이용 정보는
    검출 시각 정보, 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 포함하고,
    상기 서비스 세부 정보는
    착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보 중 적어도 하나를 포함하는 불법 전화 검출 장치.
  3. 제1항에서,
    상기 전처리부는
    상기 서비스 이용 정보에 포함된 정보, 상기 서비스 세부 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 상기 학습 데이터를 생성하는 불법 전화 검출 장치.
  4. 제3항에서,
    상기 전처리부는
    상기 테이블에 정렬된 정보들의 바이트 크기를 기준으로 상기 정보들을 각각 시각화한 단위 다각형들을 생성하고, 상기 단위 다각형들을 상기 테이블에 정렬된 순서로 배열하여 상기 학습 이미지를 생성하는 불법 전화 검출 장치.
  5. 제4항에서,
    상기 단위 다각형들은
    상기 정보들 각각의 바이트 크기에 비례하는 길이를 마주보는 임의의 양 변의 길이로 갖는 직사각형으로 이루어지며, 상기 학습 이미지 상에서 엇갈리도록 수직 방향으로 상기 테이블에 정렬된 순서로 배열되는 불법 전화 검출 장치.
  6. 제1항에서,
    신규 학습 이미지가 생성된 경우, 상기 신규 학습 이미지를 상기 불법 전화 검출 모델에 입력하여 상기 신규 학습 이미지가 불법 전화와 관련되었는지 결정하는 불법 전화 탐지부
    를 더 포함하는 불법 전화 검출 장치.
  7. 제6항에서,
    상기 신규 학습 이미지가 불법 전화와 관련된 경우 상기 신규 학습 이미지와 관련된 가입자 단말을 차단하는 조치부
    를 더 포함하는 불법 전화 검출 장치.
  8. 불법 전화 검출 장치가 불법 전화 검출 모델을 학습시키는 방법으로서,
    기 탐지된 불법 전화에 의해 생성된 로우 패킷을 불법 전화와 관련된 가입자 단말 또는 통화 교환기 중 적어도 하나로부터 수집하고, 상기 로우 패킷과 관련된 CDR 데이터를 과금 서버로부터 수집하는 단계,
    상기 CDR 데이터로부터 서비스 이용 정보를 추출하고, 상기 로우 패킷으로부터 서비스 세부 정보를 추출하는 단계,
    상기 서비스 이용 정보 및 상기 서비스 세부 정보에 포함된 정보들을 이용하여 불법 전화 패턴 정보를 결정하는 단계,
    상기 서비스 이용 정보, 상기 서비스 세부 정보 및 상기 불법 전화 패턴 정보를 이용하여 학습 데이터를 생성하는 단계,
    상기 학습 데이터를 기 설정된 이미지화 규칙에 따라 이미지로 변환하여 학습 이미지를 생성하는 단계, 그리고
    불법 전화 검출 모델을 통해 상기 학습 이미지가 불법 전화와 관련된 것으로 학습하는 단계
    를 포함하는 모델 학습 방법.
  9. 제8항에서,
    상기 서비스 이용 정보는
    검출 시각 정보, 발신 번호 정보 또는 착신 번호 정보 중 적어도 하나를 포함하고,
    상기 서비스 세부 정보는
    착신 국가 정보, 소스 IP 정보, IP 국가 정보, 단말 식별자 정보 중 적어도 하나를 포함하고,
    상기 불법 전화 패턴 정보는
    누적 발신 수 정보 또는 누적 착신 수 정보 중 적어도 하나를 포함하는 모델 학습 방법.
  10. 제8항에서,
    상기 불법 전화 패턴 정보를 결정하는 단계는
    상기 서비스 이용 정보에 포함된 발신 번호 정보를 이용하여, 임계 시간 동안 상기 가입자 단말에서 발신한 누적 발신 수 정보를 결정하는 단계,
    상기 서비스 이용 정보에 포함된 착신 번호 정보를 이용하여, 상기 임계 시간 동안 상기 가입자 단말에서 착신한 누적 착신 수 정보를 결정하는 단계, 그리고
    상기 누적 발신 수 정보 또는 상기 누적 착신 수 정보 중 적어도 하나를 불법 전화와 관련된 것으로 태깅하는 단계
    를 포함하는 모델 학습 방법.
  11. 제8항에서,
    상기 학습 데이터를 생성하는 단계는
    상기 서비스 이용 정보에 포함된 정보, 상기 서비스 세부 정보에 포함된 정보, 상기 불법 전화 패턴 정보에 포함된 정보 순으로 테이블에 순차적으로 정렬하여 상기 학습 데이터를 생성하는 모델 학습 방법.
  12. 제11항에서,
    상기 학습 이미지를 생성하는 단계는
    상기 테이블에 정렬된 정보들의 바이트 크기를 기준으로 상기 테이블에 정렬된 정보들을 각각 시각화한 단위 다각형들을 생성하는 단계, 그리고
    상기 단위 다각형들을 상기 테이블에 정렬된 순서로 배열하여 상기 학습 이미지를 생성하는 단계
    를 포함하는 모델 학습 방법.
  13. 제12항에서,
    상기 단위 다각형들은
    상기 테이블에 정렬된 정보들의 바이트 크기에 비례하는 길이를 마주보는 임의의 양 변의 길이로 갖는 직사각형 형태로 이루어지며, 상기 학습 이미지 상에서 엇갈리도록 수직 방향으로 순차적으로 배열되는 모델 학습 방법.
  14. 제8항에서,
    신규 학습 이미지가 생성된 경우, 상기 신규 학습 이미지를 상기 불법 전화 검출 모델에 입력하여 상기 신규 학습 이미지가 불법 전화와 관련되었는지 결정하는 단계, 그리고
    상기 신규 학습 이미지가 불법 전화와 관련된 경우 상기 신규 학습 이미지와 관련된 가입자 단말을 차단하는 단계
    를 더 포함하는 모델 학습 방법.
PCT/KR2019/002966 2018-06-20 2019-03-14 불법 전화 검출을 위한 장치 및 방법 WO2019245131A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP19821679.8A EP3813347B1 (en) 2018-06-20 2019-03-14 Apparatus and method for detecting illegal call
US17/125,339 US11323560B2 (en) 2018-06-20 2020-12-17 Apparatus and method for detecting illegal call

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR10-2018-0071042 2018-06-20
KR20180071042 2018-06-20
KR10-2018-0087377 2018-07-26
KR20180087377 2018-07-26
KR1020180144892A KR102135242B1 (ko) 2018-06-20 2018-11-21 불법 전화 검출을 위한 장치 및 방법
KR10-2018-0144892 2018-11-21

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/125,339 Continuation US11323560B2 (en) 2018-06-20 2020-12-17 Apparatus and method for detecting illegal call

Publications (1)

Publication Number Publication Date
WO2019245131A1 true WO2019245131A1 (ko) 2019-12-26

Family

ID=68984174

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002966 WO2019245131A1 (ko) 2018-06-20 2019-03-14 불법 전화 검출을 위한 장치 및 방법

Country Status (3)

Country Link
US (1) US11323560B2 (ko)
EP (1) EP3813347B1 (ko)
WO (1) WO2019245131A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090079330A (ko) * 2008-01-17 2009-07-22 한남대학교 산학협력단 에스브이엠 침입 탐지 시스템 및 그 동작 방법
KR20120010372A (ko) * 2010-07-26 2012-02-03 에스케이 텔레콤주식회사 국제전화 불법호 자동검출 시스템 및 그 방법
KR101506982B1 (ko) * 2013-12-11 2015-03-30 (주)엔컴 데이터망에서의 불법 호 검출 및 차단 시스템 및 방법
KR20160141613A (ko) * 2015-06-01 2016-12-09 주식회사 케이티 불법 트래픽 검출 장치 및 그 방법
US20170111515A1 (en) * 2015-10-14 2017-04-20 Pindrop Security, Inc. Call detail record analysis to identify fraudulent activity

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU711818B2 (en) * 1996-03-29 1999-10-21 Azure Solutions Limited Fraud monitoring in a telecommunications network
US6163604A (en) * 1998-04-03 2000-12-19 Lucent Technologies Automated fraud management in transaction-based networks
IL132915A (en) * 1999-11-14 2004-05-12 Networks Assoc Tech Inc Method for secure function execution by calling address validation
US8200577B2 (en) * 2001-03-20 2012-06-12 Verizon Business Global Llc Systems and methods for retrieving and modifying data records for rating and billing purposes
JP2006025374A (ja) * 2004-07-09 2006-01-26 Fujitsu Ltd ワイヤレス通信不正使用検証システム
US8804926B2 (en) * 2007-06-21 2014-08-12 Motorola Mobility Llc Communicating modem or multimedia terminal adapter status to a handset for a cordless telephone
JP5477379B2 (ja) * 2009-04-30 2014-04-23 日本電気株式会社 不正呼検出装置、不正呼検出方法、及び不正呼検出用プログラム
WO2014107141A1 (en) * 2013-01-03 2014-07-10 Sestek Ses Ve Iletişim Bilgisayar Teknolojileri Sanayii Ve Ticaret Anonim Şirketi Speech analytics system and methodology with accurate statistics
US20150032449A1 (en) 2013-07-26 2015-01-29 Nuance Communications, Inc. Method and Apparatus for Using Convolutional Neural Networks in Speech Recognition
KR101492733B1 (ko) 2013-10-02 2015-02-12 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 인터넷 전화 서비스에서의 과금 우회 공격 탐지 방법
JP6568821B2 (ja) * 2016-04-18 2019-08-28 京セラ株式会社 携帯電子機器、セキュリティ制御方法及びセキュリティ制御プログラム
US10284720B2 (en) * 2016-11-01 2019-05-07 Transaction Network Services, Inc. Systems and methods for automatically conducting risk assessments for telephony communications
US9729727B1 (en) 2016-11-18 2017-08-08 Ibasis, Inc. Fraud detection on a communication network
US11176188B2 (en) 2017-01-11 2021-11-16 Siemens Healthcare Gmbh Visualization framework based on document representation learning
US10554821B1 (en) * 2018-11-09 2020-02-04 Noble Systems Corporation Identifying and processing neighbor spoofed telephone calls in a VoIP-based telecommunications network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090079330A (ko) * 2008-01-17 2009-07-22 한남대학교 산학협력단 에스브이엠 침입 탐지 시스템 및 그 동작 방법
KR20120010372A (ko) * 2010-07-26 2012-02-03 에스케이 텔레콤주식회사 국제전화 불법호 자동검출 시스템 및 그 방법
KR101506982B1 (ko) * 2013-12-11 2015-03-30 (주)엔컴 데이터망에서의 불법 호 검출 및 차단 시스템 및 방법
KR20160141613A (ko) * 2015-06-01 2016-12-09 주식회사 케이티 불법 트래픽 검출 장치 및 그 방법
US20170111515A1 (en) * 2015-10-14 2017-04-20 Pindrop Security, Inc. Call detail record analysis to identify fraudulent activity

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3813347A4 *

Also Published As

Publication number Publication date
US20210105357A1 (en) 2021-04-08
EP3813347B1 (en) 2023-02-08
EP3813347A1 (en) 2021-04-28
EP3813347A4 (en) 2022-03-02
US11323560B2 (en) 2022-05-03

Similar Documents

Publication Publication Date Title
US7123710B2 (en) Method and systems for intelligent signaling router-based surveillance
US6549613B1 (en) Method and apparatus for intercept of wireline communications
CN101437032B (zh) 基于sip协议的voip语音质量监测系统及检测方法
US20070160036A1 (en) Method and system for servicing enhanced 911 calls
CN1195245A (zh) 一种通信控制器
WO2016195261A1 (ko) 불법 트래픽 검출 장치 및 그 방법
US20150237076A1 (en) Internet based telephone line
WO2003032614A1 (en) Method and apparatus for teleconferencing
CN101247404A (zh) 一种媒体流检测的方法和装置
WO2019245131A1 (ko) 불법 전화 검출을 위한 장치 및 방법
WO2021033851A1 (ko) 기계 학습에 기반한 불법호 검출 시스템 및 그 제어방법
CN107395905A (zh) 一种信令串接媒体重定向的防诈骗电话接入系统及方法
WO2016098997A1 (en) Apparatus, system and method for detecting abnormal volte registration message in 4g mobile network
US7903806B1 (en) Expert call analyzer and next generation telephony network configuration system
WO2015083927A1 (en) Apparatus and method for detecting abnormal sdp message in 4g mobile networks
US20040160896A1 (en) Method and apparatus for adaptive capture of voice over packet (VoP) data
WO2012148088A2 (ko) 착신 단말기의 패킷데이터 송수신 기능 탑재 여부를 데이터베이스로 구비하여 필요에 따라 데이터망 또는 전화통신망을 선택적으로 연결 가능한 통신 시스템 및 그 운용방법
KR102135242B1 (ko) 불법 전화 검출을 위한 장치 및 방법
WO2022065541A1 (ko) 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법
WO2015163563A1 (ko) 패턴 매칭을 이용한 불법 인터넷 국제 발신호 차단 장치 및 불법 인터넷 국제 발신호 차단 방법
KR20030035237A (ko) 게이트키퍼 디렉트 모드에서의 과금 부과 방법
CN1195366C (zh) 改善互联网电话交换机连选性能的方法
WO2015083925A1 (en) Apparatus and method for detecting abnormal sip refer message in 4g mobile networks
CN100539617C (zh) 检测电话用户在同一网关/网关控制器设备的方法
CN100334865C (zh) 用户到交换系统的包基连接的减敏化方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19821679

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019821679

Country of ref document: EP

Effective date: 20210120