-
公开(公告)号：CN109587350A
公开(公告)日：2019-04-05
申请号：CN201811373658.1
申请日：2018-11-16
Applicant: 国家计算机网络与信息安全管理中心
IPC: H04M3/22 , H04W12/12 , H04W16/22 , G06F16/2458
Abstract: 本发明公开了一种基于滑动时间窗口聚合的电信诈骗电话的序列异常检测方法，属于数据挖掘与机器学习和商务智能领域。首先构造训练用户数据集，回溯被叫用户全部通话记录，形成各被叫用户通话序列。利用cos相似度函数，计算序列结构相似度和统计特征相似度并进行线性组合，得到加和相似度。然后通过K-Means聚类模型得到K类用户，构成独立的序列训练数据集，通过滑动时间窗口，形成K个训练集。最后在每个训练集上训练iForest模型，得到K个异常检测模型。每个被叫用户通过对应的异常检测模型识别异常，当最大值高于阈值h时，该被叫用户是高风险的被叫用户。每过固定时间段更新K-Means模型和异常检测模型。本发明缓解了数据稀疏性问题，发现基于群组的异常特征。
-
Patent Agency Ranking
公开(公告)号：CN110059889B
公开(公告)日：2021-05-28
申请号：CN201910344174.2
申请日：2019-04-26
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提供了基于无监督学习的诈骗呼叫序列检测方法，包括：构造主叫呼叫序列和呼叫二部图；在呼叫二部图中进行随机游走过程，推断各主叫号码对应节点的低维嵌入表示向量；获取各被叫号码的唯一标识，以主叫号码对应节点的低维嵌入表示向量以及第M个被叫号码对应的唯一标识为神经网络的输入，以第M+1个被叫号码对应的唯一标识为输出，训练获得神经网络预测模型；获取待检测主叫呼叫序列中主叫号码对应节点的低维嵌入表示向量以及各被叫号码对应的唯一标识，并输入所述神经网络预测模型，若得到的预测唯一标识与实际唯一标识的误差大于设定阈值，则判断主叫号码为诈骗号码。本发明中提出的方法容易实现并行化计算，可以实现较高的检测效率。
-
公开(公告)号：CN110059889A
公开(公告)日：2019-07-26
申请号：CN201910344174.2
申请日：2019-04-26
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提供了基于无监督学习的诈骗呼叫序列检测方法，包括：构造主叫呼叫序列和呼叫二部图；在呼叫二部图中进行随机游走过程，推断各主叫号码对应节点的低维嵌入表示向量；获取各被叫号码的唯一标识，以主叫号码对应节点的低维嵌入表示向量以及第M个被叫号码对应的唯一标识为神经网络的输入，以第M+1个被叫号码对应的唯一标识为输出，训练获得神经网络预测模型；获取待检测主叫呼叫序列中主叫号码对应节点的低维嵌入表示向量以及各被叫号码对应的唯一标识，并输入所述神经网络预测模型，若得到的预测唯一标识与实际唯一标识的误差大于设定阈值，则判断主叫号码为诈骗号码。本发明中提出的方法容易实现并行化计算，可以实现较高的检测效率。
-
公开(公告)号：CN109587350B
公开(公告)日：2021-06-22
申请号：CN201811373658.1
申请日：2018-11-16
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/2458 , H04W12/12 , H04M3/22
Abstract: 本发明公开了一种基于滑动时间窗口聚合的电信诈骗电话的序列异常检测方法，属于数据挖掘与机器学习和商务智能领域。首先构造训练用户数据集，回溯被叫用户全部通话记录，形成各被叫用户通话序列。利用cos相似度函数，计算序列结构相似度和统计特征相似度并进行线性组合，得到加和相似度。然后通过K‑Means聚类模型得到K类用户，构成独立的序列训练数据集，通过滑动时间窗口，形成K个训练集。最后在每个训练集上训练iForest模型，得到K个异常检测模型。每个被叫用户通过对应的异常检测模型识别异常，当最大值高于阈值h时，该被叫用户是高风险的被叫用户。每过固定时间段更新K‑Means模型和异常检测模型。本发明缓解了数据稀疏性问题，发现基于群组的异常特征。
-
公开(公告)号：CN109474756B
公开(公告)日：2020-09-22
申请号：CN201811367747.5
申请日：2018-11-16
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/2458 , H04M3/22 , H04W12/12
Abstract: 本发明公开了一种基于协同网络表示学习的电信异常检测方法，属于数据挖掘与机器学习领域。首先训练xgboost分类器，测试每条CDR数据的欺诈类别概率构成待检测的信令数据集。提取主被叫用户构成通联二部图P，根据评分从信令数据集中选取疑似欺诈的主叫节点生成种子节点集合Z，并将存在共同被叫邻居的任意两个主叫添加到协同网络集合G。通联二部图P扩展出待选的被叫节点集合B，并移除不满足条件的被叫用户，保留下来的被叫节点更新到集合B'中；扩展并更新种子节点集合Z'，去重合并更新协同网络G'，降维得到嵌入向量进行建模预测，取异常得分最大的N个作为检测结果输出。本发明保证了生成的协同网络的质量，提高计算速度，可以适应不同的数据特点。
-
公开(公告)号：CN109474756A
公开(公告)日：2019-03-15
申请号：CN201811367747.5
申请日：2018-11-16
Applicant: 国家计算机网络与信息安全管理中心
IPC: H04M3/22 , H04W12/12 , G06F16/2458
CPC classification number: H04M3/2281 , H04W12/12
Abstract: 本发明公开了一种基于协同网络表示学习的电信异常检测方法，属于数据挖掘与机器学习领域。首先训练xgboost分类器，测试每条CDR数据的欺诈类别概率构成待检测的信令数据集。提取主被叫用户构成通联二部图P，根据评分从信令数据集中选取疑似欺诈的主叫节点生成种子节点集合Z，并将存在共同被叫邻居的任意两个主叫添加到协同网络集合G。通联二部图P扩展出待选的被叫节点集合B，并移除不满足条件的被叫用户，保留下来的被叫节点更新到集合B'中；扩展并更新种子节点集合Z'，去重合并更新协同网络G'，降维得到嵌入向量进行建模预测，取异常得分最大的N个作为检测结果输出。本发明保证了生成的协同网络的质量，提高计算速度，可以适应不同的数据特点。
-
-
-
-
-
Search Results
6
records
(took 0.048 seconds)
