WO2020134523A1 - 用户的识别方法及装置 - Google Patents

用户的识别方法及装置 Download PDF

Info

Publication number
WO2020134523A1
WO2020134523A1 PCT/CN2019/114068 CN2019114068W WO2020134523A1 WO 2020134523 A1 WO2020134523 A1 WO 2020134523A1 CN 2019114068 W CN2019114068 W CN 2019114068W WO 2020134523 A1 WO2020134523 A1 WO 2020134523A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
nwdaf
identified
network
fraudulent
Prior art date
Application number
PCT/CN2019/114068
Other languages
English (en)
French (fr)
Inventor
王修中
李俊
王超
陆钱春
曹敏
Original Assignee
中兴通讯股份有限公司
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 to CN201811643621.6 priority Critical
Priority to CN201811643621.6A priority patent/CN111385420A/zh
Application filed by 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Publication of WO2020134523A1 publication Critical patent/WO2020134523A1/zh

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04MTELEPHONIC COMMUNICATION
    • H04M3/00Automatic or semi-automatic exchanges
    • H04M3/42Systems providing special services or facilities to subscribers
    • H04M3/436Arrangements for screening incoming calls, i.e. evaluating the characteristics of a call before deciding whether to answer it
    • H04M3/4365Arrangements for screening incoming calls, i.e. evaluating the characteristics of a call before deciding whether to answer it based on information specified by the calling party, e.g. priority or subject
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • G06N3/084Back-propagation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04MTELEPHONIC COMMUNICATION
    • H04M3/00Automatic or semi-automatic exchanges
    • H04M3/42Systems providing special services or facilities to subscribers
    • H04M3/436Arrangements for screening incoming calls, i.e. evaluating the characteristics of a call before deciding whether to answer it
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04MTELEPHONIC COMMUNICATION
    • H04M2203/00Aspects of automatic or semi-automatic exchanges
    • H04M2203/60Aspects of automatic or semi-automatic exchanges related to security aspects in telephonic communication systems
    • H04M2203/6027Fraud preventions

Abstract

本公开提供了一种用户的识别方法和装置。该方法包括:在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。通过本公开,摆脱了目前欺诈用户判定的简陋、单一、不能实时与网元互通的缺点,同时由于能够自主学习,因此精准度会随着学习过程得到显著的提高。

Description

用户的识别方法及装置 技术领域
本公开涉及通信领域,具体而言,涉及一种用户的识别方法及装置。
背景技术
在电信网络中,电话欺诈是一个长期存在的顽疾,国内外都存在。电话诈骗主要通过电话、短信发送地毯式诈骗信息,有时会通过换号等方式规避执法部门检查。电话欺诈主要有如下危害:一是占用宝贵的网络资源;二是对用户来说是一种骚扰,对正常的工作和生活是一种打断;三是电话诈骗规模逐渐增大后,对监管部门的信誉和运营商的品牌来说,是一种损失,消费者会认为监管部门和运营商不作为。
运营商已经采取了一些技术手段来规避这种现象,但是收效甚微。主要原因在于当前采取的检测方法和处理手段比较单一,很容易被规避。这些方法主要存在如下技术问题:
事后分析。现有的技术都是基于对话单(CDR,Call detail Record)的分析,如检索报告中的CN108093405,CN102567788。话单是在用户的通话已经完成之后,通过采集接口机从计费网关(CG,Charging Gateway)或者实时计费系统(OCS,Online Charging System)采集的。
基于号码。现有的技术,不管是否采用智能算法,都是基于对号码的分析,因为第三方系统无法和核心网的HSS(Home Subscription Server,归属订阅服务器)/HLR(Home Location Register,归属位置寄存器)打通,无法获取用户的开户/订阅信息。这种情况下,就算能判断出某个号码是诈骗号码,但是诈骗者也能通过简单的换号规避。
模型简单。目前检索报告中的US9729727、CN108093405,CN102567788其实采用的都是聚类算法,算法的结果是很确定的0或1,也就是是诈骗或者不是诈骗。但实际情况下,还有一些号码是介于两者之 间的,这部分用户当前无法判断出来。
发明内容
本公开实施例提供了一种用户的识别方法及装置,以至少解决相关技术中对于欺诈用户识别方法落后单一所导致的用户体验差的问题。
根据本公开的一个实施例,提供了一种用户的识别方法,包括:在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
根据本公开的另一个实施例,提供了一种用户的识别装置,包括:处理模块,设置为在号码呼叫时,查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;计算模块,设置为获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;确定模块,设置为通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
根据本公开的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本公开的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本公开,通过在网络侧当中对已经识别的用户进行神经网络学习,并来校验待识别的用户,因此,不仅可以解决欺诈用户识别方法落后单一所导致的用户体验差的问题,摆脱了目前欺诈用户判定的简陋、单一、不能实时与网元互通的缺点,同时由于能够自主学习,因此精准度会随着学习过程得到显著的提高。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是根据本公开实施例的一种用户的识别方法的流程图;
图2是根据本公开实施例的一种测算结果的输出显示图;
图3是根据本公开实施例的一种语音信息收集的流程图;
图4是根据本公开实施例的一种用户的识别装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本公开。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
在本实施例中提供了一种用户的识别方法,图1是根据本公开实施例的一种用户的识别方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
步骤S104,所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
步骤S106,所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
可选地,所述NWDAF通过如下的方式查询所述用户身份标识:所述 NWDAF向统一数据模块UDM发送查询请求,其中,所述查询请求中携带有所述呼叫数据;所述NWDAF接收所述UDM根据所述呼叫数据查找到的所述用户身份标识。
可选地,所述特征值至少包括以下其中之一:呼叫次数、呼叫频次、被叫离散性、换号频率,短时长通话占比、亲疏性。
可选地,所述被叫离散性通过如下公式进行计算:
Figure PCTCN2019114068-appb-000001
其中,x i表示所述用户的用户参数,
Figure PCTCN2019114068-appb-000002
表示该用户参数的均值,n表示所述用户参数的数目,其中,所述用户参数至少包括以下其中之一:地理位置参数,群组参数,号码的归属地址,号码的归属运营商信息。
可选地,所述亲疏性通过如下公式进行计算:
Figure PCTCN2019114068-appb-000003
其中,x t表示呼叫常用联系人的通话,x f表示呼叫陌生联系人的通话。
可选地,所述NWDAF将每个用户的所述特征值进行神经网络训练后获取权重矩阵,包括:所述NWDAF根据所述已识别的用户的特征值对应的预测测算结果和实际测算结果,确定所述权重矩阵。
可选地,所述NWDAF根据所述已识别用户的特征值的预测测算结果和实际测算结果,确定所述权重矩阵,包括:所述NWDAF计算所述预测测算结果和实际测算结果的平方差,确定误差函数;所述NWDAF通过所述误差函数对已识别用户的特征值进行求导,并获取权重值。
此外,需要说明的是,为了方便计算,在上述过程当中需要进行归一化处理,使得预测测算结果和实际测算结果,还有已识别用户的特征值的取值范围位于0-1之间的闭合区间内。
具体而言,其中数据训练的过程请如下所示:
定义F为签约用户的特征数据,定义W为权重系数,定义Y为用户的欺诈可能性。于是有
F·W=Y          式1
其中,F=(f 1,f 2,...,f n),W=(w 1,w 2,...,w n) T
采用神经网络模型来训练权重系数矩阵W,设置神经网络的隐藏层深度为d,于是有
Figure PCTCN2019114068-appb-000004
通过正向计算得到预测测算结果,并定义误差系数δ为预测测算结果Y与实际测算结果Y'的差值平方,于是有:
δ=||(X·W+b)-Y'|| 2      式3
其中,b为偏置项,Y=X·W+b,其中X为已识别的用户的特征值的输入值。误差函数δ是输入变量X的二次函数,对X求导,可计算得到系数矩阵W中的参数值。计算过程中对输入参数X做归一化处理,使得输入变量X和输出变量Y的取值范围在[0,1]的闭合区间内。
定义欺诈用户判定系数为Δ,于是有
Figure PCTCN2019114068-appb-000005
可选地,确定所述待识别的用户是否为欺诈用户,包括:所述NWDAF根据所述待识别的用户的特征值中包含的信息构造输入矩阵;所述NWDAF将所述输入矩阵与所述权重矩阵相乘后,对相乘结果进行求和平均计算,获取测量平均值;所述NWDAF根据所述测量平均值确定所述待识别用户的欺诈用户可能性。
可选地,所述NWDAF判断所述测量平均值与所述欺诈值之间的差值是否落入在预设的差值阈值之内;在判断结果为是的情况下,所述NWDAF确定所述用户为欺诈用户;在判断结果为否的情况下,所述NWDAF确定所述用户为正常用户。
具体而言,虽然NWDAF的主要目的在于确定待识别用户的欺诈可能性。但是在某些实施例中下,NWDAF还能够根据该欺诈可能性给出一个确定的结果。即是否为欺诈用户。例如,数值0.5意味着绝对的欺诈用户,即欺诈阈值,同时只要满足0.4-0.6的范围可以视为欺诈用户。那么如果当NWDAF确定的测量平均值为0.3的话,由于与欺诈阈值0.5之间的差值大于0.1,因此该用户可以被NWDAF视为是正常用户,并通知与该NWDAF进行通信的网元。而如果测量平均值为0.42的话,由于与欺诈阈值0.5之间的差值小雨0.1,因此该用户可以被NWDAF视为是欺诈用户,并通知与该NWDAF进行通信的网元。
图2是根据本公开实施例的一种测算结果的输出显示图。如图2所示,越靠近欺诈用户所在的直线的用户,其存在欺诈的可能性就更大。而越远离欺诈用户的直线,其存在欺诈的可能性就更小。同时虚线代表的是预设的差值,即落入在虚线以内的用户为欺诈用户的可能性极大,NWDAF或者与NWFAD进行通信的网元可以直接视为欺诈用户。
当然这也不是绝对的。后续如果通过第三方或者其他应用程序告知某个被认为是正常用户是欺诈用户或者某个欺诈用户为正常用户的话,NWDAF则会将该特例进行继续学习,即,将其纳入到神经网络学习当中。故而可以对权重矩阵进行更好的完善,使得误判断的次数降低,提高辨识的准确度。
具体而言,为了更好的理解,还提供了如下的举例进行说明:
为简化篇幅,以训练特征值只有3个为例:
假设每个用户都有3个特征参数,分别为被叫离散性,亲疏性,通话时长。在某一时间段内,采集3个用户的通话次数分别为:
用户1:通话3次
Figure PCTCN2019114068-appb-000006
用户2:通话6次
Figure PCTCN2019114068-appb-000007
共6行
用户3:通话20次
Figure PCTCN2019114068-appb-000008
共20行
令式4中的权重矩阵W隐藏层深度为3,矩阵中的所有权重系数初始值为1,于是有:
Figure PCTCN2019114068-appb-000009
代入式1中,采用式3的反向传播方式计算权重矩阵W中的权重系数值。计算结果为:
Figure PCTCN2019114068-appb-000010
下面使用再用这几个用户进行测算,用户1,2,3的输入矩阵X与权重矩阵W相乘,计算得到结果分别为:
Figure PCTCN2019114068-appb-000011
Figure PCTCN2019114068-appb-000012
Figure PCTCN2019114068-appb-000013
其中,用户3的计算结果接近阈值(不同国家地区,不同的运营商该值可能不同)0.5,所以用户3的欺诈性最大。用户1和用户2欺诈可能性较小。
可选地,在NWDAF查询所述号码的对应的用户身份标识之前,所述方法还包括:所述NWDAF接收从预设网元订阅的所述号码的语音信息。
可选地,在所述预设网元为NSSF时,所述NWDAF接收订阅的语音切片信息;在所述预设网元为SMF或者IMS时,所述NWDAF接收订阅的语音属性信息;在所述预设网元为UPF时,所述NWDAF接收VoIP数据属性信息;其中,所述语音属性信息或所述VoIP数据属性信息中至少包括以下其中之一:主被叫标识、时间长度、主被叫类型、主被叫归属网络、主被叫归属地。
图3是根据本公开实施例的一种语音信息收集的流程图,如图3所示,包括:
步骤S1:NWDAF向NSSF(Network Service Selection Function,切片选择网元)订阅语音相关的切片;
步骤S2:NSSF通知NDDAF当前所有的语音切片,包含但不限于: 切片类型、切片ID、切片中包含网元等;
步骤S3:当有新的语音切片或者现有切片发生变化时,NSSF通知NWDAF;
步骤S4:NWDAF向相关切片中的SMF/IMS(IP Multimedia Subsystem,IP多媒体子系统)订阅语音类详细信息;
步骤S5,S6:NWDAF向用户面网元(UPF)订阅特定DPI,也就是基于VoIP的DPI详细信息;
步骤S7:用户会话结束。IMS上报语音详细信息,上报形式为CHR或CDR(Call Detail Record,呼叫详单)。内容包含但不限于:主叫、时长、被叫标识、主被叫类型、主被叫归属网络、主被叫归属地等;
步骤S8:可选地,若用户发起的是VoIP,用户面网元(如UPF)根据DPI过滤器,识别VoIP;
需要说明的是,DPI识别VoIP的方法:如果码流采用RTP(Realtime Transport Protocol,实时传输协议)协议,则根据协议的“有效载荷类型”头部取值判断,取值为PCM(Pulse Code Modulation)、自适应增量调试、线性预测编码等为语音编码;如果码流采用TCP协议,则不同的应用会有微小的差异,比如微信在报文净荷开始处会定义“业务类型”字段,确定是语音还是视频等。
步骤S9:可选地,用户面网元将VoIP详细信息上报到NWDAF,上报形式为CDR(Call Detail Record,呼叫详单)或者CHR。内容包含但不限于:主叫、时长、被叫标识、主被叫类型、主被叫归属网络、主被叫归属地等;
步骤S10:可选地,4G EPC上报语音DPI详细信息,方式和内容同UPF;
可选地,在确定所述用户是否为欺诈用户之后,所述方法还包括:所述NWDAF向SMF发送会话创建请求,其中,所述会话创建请求中包括:所述用户是否为欺诈用户的指示信息。
需要指出的是,NWDAF可以主动的在会话创建请求时携带该指示信息。也可以是在SMF发送查询请求后,向SMF返回该指示信息。
需要指出的是,SMF在接收到NWDAF发送的指示消息后,能够对欺诈用户进行相应的会话控制管理。例如,限制移动性,降低SLA(Service Level Agreement。服务等级协议),限制起呼,限制呼叫,禁号等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本公开各个实施例所述的方法。
实施例2
在本实施例中还提供了一种用户的识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本公开实施例的一种用户的识别装置的结构框图,如图4所示,该装置包括:
处理模块42,设置为在号码呼叫时,查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
计算模块44,设置为获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
确定模块46,设置为通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本公开的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
S2,所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
S3,所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本公开的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
S2,所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
S3,所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本公开的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本公开不限制于任何特定的硬件和软件结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
工业实用性
基于本公开的技术方案,通过在网络侧当中对已经识别的用户进行神经网络学习,并来校验待识别的用户,因此,不仅可以解决欺诈用户识别方法落后单一所导致的用户体验差的问题,摆脱了目前欺诈用户判定的简陋、单一、不能实时与网元互通的缺点,同时由于能够自主学习,因此精准度会随着学习过程得到显著的提高。

Claims (15)

  1. 一种用户的识别方法,包括:
    在号码呼叫时,网络数据分析实体NWDAF查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
    所述NWDAF获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
    所述NWDAF通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
  2. 根据权利要求1所述的方法,其中,所述NWDAF通过如下的方式查询所述用户身份标识:
    所述NWDAF向统一数据模块UDM发送查询请求,其中,所述查询请求中携带有所述号码的呼叫数据;
    所述NWDAF接收所述UDM根据所述号码的呼叫数据查找到的所述用户身份标识。
  3. 根据权利要求1所述的方法,其中,所述特征值至少包括以下其中之一:呼叫次数、呼叫频次、被叫离散性、换号频率,短时长通话占比、亲疏性。
  4. 根据权利要求3所述的方法,其中,所述被叫离散性通过如下公式进行计算:
    Figure PCTCN2019114068-appb-100001
    其中,x i表示所述用户的用户参数,
    Figure PCTCN2019114068-appb-100002
    表示该用户参数的均值,n表示所述用户参数的数目,其中,所述用户参数的类型至少包括以下其中之一:地理位置参数,群组参数,号码的归属地址,号码的归属运营商信息。
  5. 根据权利要求3所述的方法,其中,所述亲疏性通过如下公式进行计算:
    Figure PCTCN2019114068-appb-100003
    其中,x t表示呼叫常用联系人的通话,x f表示呼叫陌生联系人的通话。
  6. 根据权利要求1所述的方法,其中,所述NWDAF将每个用户的所述特征值进行神经网络训练后获取权重矩阵,包括:
    所述NWDAF根据所述已识别的用户的特征值对应的预测测算结果和实际测算结果,确定所述权重矩阵。
  7. 根据权利要求6所述的方法,其中,所述NWDAF根据所述已识别用户的特征值的预测测算结果和实际测算结果,确定所述权重矩阵,包括:
    所述NWDAF计算所述预测测算结果和实际测算结果的平方差,确定误差函数;
    所述NWDAF通过所述误差函数对已识别用户的特征值进行求导,并获取权重值;
    根据所述权重值,所述NWDAF构造所述权重矩阵。
  8. 根据权利要求6或7所述的方法,其中,确定所述待识别的用户的欺诈用户可能性,包括:
    所述NWDAF根据所述待识别的用户的特征值中包含的信息构造输入矩阵;
    所述NWDAF将所述输入矩阵与所述权重矩阵相乘后,对相乘结 果进行求和平均计算,获取测量平均值;
    所述NWDAF根据所述测量平均值确定所述待识别用户的欺诈用户可能性。
  9. 根据权利要求8所述的方法,其中,所述方法还包括:
    所述NWDAF判断所述测量平均值与欺诈阈值之间的差值是否落入在预设的差值之内;
    在判断结果为是的情况下,所述NWDAF判断所述用户为欺诈用户;
    在判断结果为否的情况下,所述NWDAF判断所述用户为正常用户。
  10. 根据权利要求1所述的方法,其中,在NWDAF查询所述号码的对应的用户身份标识之前,所述方法还包括:
    所述NWDAF接收从预设网元订阅的所述号码的语音呼叫信息。
  11. 根据权利要求10所述的方法,其中,
    在所述预设网元为网络服务选择网元NSSF时,所述NWDAF接收订阅的语音切片信息;
    在所述预设网元为会话管理网元SMF或者IP多媒体子系统IMS时,所述NWDAF接收订阅的语音属性信息;
    在所述预设网元为用户面网元UPF时,所述NWDAF接收VoIP数据属性信息;
    其中,所述语音属性信息或所述VoIP属性信息中至少包括以下其中之一:主被叫标识、时间长度、主被叫类型、主被叫归属网络、 主被叫归属地。
  12. 根据权利要求1所述的方法,其中,在确定所述用户是否为欺诈用户之后,所述方法还包括:
    在查询所述待识别用户的身份标识之前,所述NWDAF接收SMF发送的欺诈用户查询请求;
    所述NWDAF将所述欺诈用户可能性返回至所述SMF进行会话控制管理。
  13. 一种用户的识别装置,包括:
    处理模块,设置为在号码呼叫时,查询所述号码对应的待识别用户的身份标识,并将具有所述身份标识的呼叫数据进行归并;
    计算模块,设置为获取通过对已识别用户的特征值进行神经网络训练后得到的权重矩阵;
    确定模块,设置为通过所述权重矩阵对所述待识别用户的特征值进行测算,根据测算结果确定所述待识别用户的欺诈用户可能性。
  14. 一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至12任一项中所述的方法。
  15. 一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至12任一项中所述的方法。
PCT/CN2019/114068 2018-12-29 2019-10-29 用户的识别方法及装置 WO2020134523A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811643621.6 2018-12-29
CN201811643621.6A CN111385420A (zh) 2018-12-29 2018-12-29 用户的识别方法及装置

Publications (1)

Publication Number Publication Date
WO2020134523A1 true WO2020134523A1 (zh) 2020-07-02

Family

ID=71127446

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/114068 WO2020134523A1 (zh) 2018-12-29 2019-10-29 用户的识别方法及装置

Country Status (2)

Country Link
CN (1) CN111385420A (zh)
WO (1) WO2020134523A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107889111A (zh) * 2016-09-30 2018-04-06 北京金山安全软件有限公司 基于深层类神经网络的骚扰电话识别方法和装置
CN107944557A (zh) * 2017-12-13 2018-04-20 广州市景心科技股份有限公司 一种骚扰电话的识别方法
CN108449482A (zh) * 2018-02-09 2018-08-24 北京泰迪熊移动科技有限公司 号码识别的方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107889111A (zh) * 2016-09-30 2018-04-06 北京金山安全软件有限公司 基于深层类神经网络的骚扰电话识别方法和装置
CN107944557A (zh) * 2017-12-13 2018-04-20 广州市景心科技股份有限公司 一种骚扰电话的识别方法
CN108449482A (zh) * 2018-02-09 2018-08-24 北京泰迪熊移动科技有限公司 号码识别的方法和系统

Also Published As

Publication number Publication date
CN111385420A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
US10469670B2 (en) Method and system for preventing illicit use of a telephony platform
CN106993104B (zh) 来电处理方法、装置及终端
US10091349B1 (en) Fraud detection system and method
JP2009022042A (ja) 処理ベースのネットワークにおける不正手段の自動的な取り扱い
US20150146541A1 (en) Adaptive signaling for network performance measurement, access, and control
WO2020134523A1 (zh) 用户的识别方法及装置
Chaisamran et al. Trust-based voip spam detection based on calling behaviors and human relationships
US20190349788A1 (en) A Method Of Enabling Improved Efficiency In A First Communications Network, Network Entity, Network Device, Computer Programs And Computer Program Products
CN107809737A (zh) 一种确定基站的网络流量的方法和装置
CN110113748A (zh) 骚扰电话监控方法、装置
Azad et al. Mitigating spit with social strength
US10033612B2 (en) Adaptive signaling for network performance measurement, access, and control
Alsadi et al. Study to use neo4j to analysis and detection sim-box fraud
CN107231494A (zh) 一种用户通信特征的获取方法、存储介质及电子设备
CN105808568B (zh) 一种上下文分布式推理方法和装置
JP2007053679A (ja) トラヒック量予測システムおよびトラヒック量予測方法
CN108574623A (zh) 一种恶意用户确定及阻止垃圾信息的方法及装置
CN104079627B (zh) 发送展示信息的方法和装置
US10965807B2 (en) Systems and methods for anomaly or fraud detection
CN106101387A (zh) 一种分析陌生电话熟悉度的方法及系统
CN108259681A (zh) 基于保险业务的电话交互方法和装置
US11063972B2 (en) Method and system for preventing illicit use of a telephony platform
da Costa Next Generation Machine Learning Based Real Time Fraud Detection
Kehelwala Real-time fraud detection in telecommunication network using call pattern analysis
EP3633964A1 (en) Method for assisting a callee with a reputation score of a caller

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: 19904758

Country of ref document: EP

Kind code of ref document: A1