电信网络诈骗治理与人工智能应用研究报告（46页）

行业报告下载 2020年02月24日 08:05 管理员

基于大数据分析的电信网络诈骗防范治理技术应用以数据挖掘分析结果为驱动，整个过程包括“数据采集、数据处理、数据挖掘” 等多个环节。在数据采集和处理层面，主要有三种数据来源：在企业自有系统中沉淀的数据、在网上采集爬取的数据和从第三方购买的数据。这些数据经过智能化处理清洗后为后续开展数据分析和挖掘，识别电信网络诈骗行为，构建完备的技术防范体系奠定了数据基础。在数据挖掘层面，利用大数据的挖掘能力可以发现诈骗行为的典型规律，精准识别诈骗分子和诈骗行为，进而对电信网络诈骗进行准确预警。通过机器学习两种算法的互相结合，可以有效提升发现识别诈骗行为和团伙的技术能力。以涉诈互联网社交账户识别发现为例，根据诈骗行为在多维空间向量上距离相近的特征，通过构建以登录时间、浏览器类型、IP 地址、GPS 地址、昵称修改等为特征的多维空间向量，利用聚类算法可以将疑似诈骗行为或账户聚为一组并抽取该群组的共性信息生成训练数据。基于聚类算法生产的训练数据，分类算法能够在此基础进行模型训练并进一步发现共性样本群组之外的诈骗行为和账户。两种算法相辅相成，为诈骗风险预警提供高效的检测和研判能力。 3、基于模式识别的技术应用基于模式识别的电信网络诈骗防范治理技术聚焦已知诈骗行为的样本数据特征，通过分析归纳得到诈骗行为的多维度特征属性并形成涉诈资源模板库，结合自然语言处理、生物特征识别及大数据挖掘分析等技术，对目标对象进行相似度交叉比对分析，研判得出目标对象的涉诈风险，在诈骗电话、诈骗网站的判定识别领域有广泛应用。

知识图谱是一种基于图的数据结构，可以看作是由数据绘制出来的一张知识图。在防范治理应用中，知识图谱技术能够聚合关联多种数据源，针对监测目标分析识别其脉络、趋势以及特征，在关键诈骗信息搜索、账号涉诈风险评估、诈骗团伙研判、异常行为分析等方面具有重要应用。以银行卡全周期异常行为分析为例，通过知识图谱技术对全周期内的银行卡关联数据进行分析，并以图的方式进行数据融合及可视化，从而找到银行卡异常行为的内在关联，提升对诈骗资金流的打击效率。相比于人工核验，其效率提升 10 余倍，准确率约为 99.5%。结合电信网络诈骗治理实践，目前人工智能技术在诈骗电话检测、恶意网址拦截、诈骗文本识别、诈骗风险预警等场景下已经有深入的应用及探索。 1、诈骗电话检测电话诈骗是电信网络诈骗中的突出类型，诈骗数量较多，诈骗内容花样层出不穷，社会影响恶劣。及时尽早地感知、发现诈骗电话，是减少此类电信网络诈骗活动损失必不可少的方法。由于诈骗分子掌握大量用于诈骗的号码，传统的基于号码的阻断策略容易被绕过，及早发现诈骗电话的难度在不断增大。人工智能时代，利用大数据分析、模式识别等技术可以对海量通信数据进行预处理和数据融合分析研判，从而进行全天候全方位诈骗电话检测，能够有效增强针对电话诈骗的防御和反制能力。