【技术实现步骤摘要】
本专利技术涉及电信网络安全，更具体地说，本专利技术涉及基于大数据的反电信网络诈骗劝阻处理方法。
技术介绍
1、电信网络诈骗通常以冒充他人及仿冒、伪造各种合法外衣和形式的方式达到欺骗的目的，为了有效防范和应对电信网络诈骗，需要建立完善的反电信网络诈骗系统，准确且快速的识别到潜在的电信网络诈骗现象，并针对电信网络诈骗进行及时的劝阻，避免造成不必要的财产损失。
2、参考公开号为cn117455498a的专利申请公开了一种反电信网络诈骗智能劝阻系统及方法，其通过对预警数据进行分析和挖掘，得到潜在受害用户的电话号码，并根据风险等级进行呼叫控制；然后根据不同风险等级采取不同的处置策略，如向低风险等级的潜在受害用户发送预警短信，通过简单明了的文字提示用户可能面临的诈骗类型和防范措施；如向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，根据预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号输出给用户，并通过语音识别技术将其回复转换为文本信号输入到系统中，并对文本信号进行自然语言处理和情感分析，判断用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；如向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，根据用户的实际情况和需求，进行更加灵活和有效的对话和指导；然后根据不同处置策略生成处置结果，并将其反馈给国家反诈中心；
3、现有技术存在以下不足：
4、现有的反电信网络诈骗劝阻处理方法通过大数据库的直接
5、鉴于此，本专利技术提出基于大数据的反电信网络诈骗劝阻处理方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：基于大数据的反电信网络诈骗劝阻处理方法，应用于反诈服务器，包括：
2、s1：采集电信网络通信的历史训练数据，历史训练数据包括综合电诈数据和电诈状态值；
3、s2：基于历史训练数据，训练预测出电诈状态值的机器学习模型；
4、s3：采集实时电信网络通信的行为特征，并基于行为特征，判断是否进入反电信网络诈骗劝阻模式；
5、s4：采集实时的综合电诈数据，基于训练好的机器学习模型预测出实时的电诈状态值，并判断是否发出劝阻提示；
6、s5：将综合电诈数据与对应的安全值比较，标记出异常超限数据，并统计异常超限数据的数量；
7、s6：基于异常超限数据的数量，生成并执行劝阻指令。
8、进一步的，综合电诈数据包括敏感文本比重、通信异常度、账户资金流动度和通话时长值；
9、敏感文本比重的获取方法包括：
10、通过自然语言处理技术识别电信网络通信中的交流语言，获得待识别文本；
11、将待识别文本与反诈中心数据库内预存的敏感词逐一对比；
12、当待识别文本与预存的敏感词一致时，将待识别文本标记为敏感文本；
13、将第一次出现敏感文本的时刻记为起始时刻，当预设对比字数内不再出现敏感文本时，将最后一次出现敏感文本的时刻记为结束时刻；
14、统计起始时刻至结束时刻对应的时长内敏感文本的数量，获得i个敏感文本；
15、当i超过预设数量阈值时，将i个敏感文本的字数累加后，与待识别文本的总字数比较，获得敏感词比重；
16、敏感词比重的表达式为：
17、
18、式中，mgbz为敏感词比重，wbzl为待识别文字的总字数，zsmga为第a个敏感文本的字数。
19、进一步的，通信异常度的获取方法包括：
20、将当前时刻与用户进行电信网络通信的号码标记为目标号码；
21、通过通信服务数据库获取目标号码在当前时刻之前的通信记录，记为原始通信记录，并将原始通信记录划分为p个通信单元；
22、查询p个通信单元中目标号码与不同号码的通信状态，并统计通信状态为未接通的数量和通信状态为已接通的数量，分别获得p个第一数量值和p个第二数量值；
23、将p个第一数量值和p个第二数量值分别赋予不同权重因子后相加，并与预设通信周期对应的时长比较，获得p个子异常度；
24、子异常度的表达式为：
25、
26、式中，yczp为第p个子异常度，zqys为预设通信周期对应的时长，sl1p为第p个第一数量值，sl2p为第p个第二数量值，为权重因子；
27、将大于预设异常阈值的子异常度记为有效异常度，获得m个有效异常度，将m个有效异常度累加后求平均，获得通信异常度；
28、通信异常度的表达式为：
29、
30、式中，yctx为通信异常度，yczb为第b个有效异常度。
31、进一步的，账户资金流动度的获取方法包括：
32、将待识别文本中出现的第三方资金账户标记为目标账户；
33、查询目标账户中所有的交易数据，并识别交易数据中的资金提现地址、资金转出地址和开户地址；
34、将资金提现地址和资金转出地址与开户地址不一致的交易数据记为异常数据，并统计异常数据的数量；
35、将第一次出现异常数据的时刻记为异常起点，将最后一次出现异常数据的时刻记为异常终点；
36、将异常终点与异常起点作差比较后，获得异常持续时间；
37、异常持续时间的表达式为：
38、sjcx＝yczd-ycqd:
39、式中，sjcx为异常持续时间，yczd为异常终点，ycqd为异常起点；
40、将异常数据的数量与异常持续时间比较，获得账户资金流动度；
41、账户资金流动度的表达式为：
42、
43、式中，zjld为账户资金流动度，slyc为异常数据的数量。
44、进一步的，预测出电诈状态值的机器学习模型的训练方法包括：
45、将综合电诈数据转换为对应的一组特征向量，将特征向量作为机器学习模型的输入，并将每组综合电诈数据对应的电诈状态值作为机器学习模型的输出，以电诈状态值为预测目标，以最小化所有训练数据的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练。
46、进一步的，行为特征包括备注状态和字数长度；
47、是否进入反电信网络诈骗劝阻模式的判断方法包括：
48、将与目标号码进行电信网络通信的号码标记为用户号码，用户号码所在设备标本文档来自技高网...
【技术保护点】
1.基于大数据的反电信网络诈骗劝阻处理方法，应用于反诈服务器，其特征在于，包括：
2.根据权利要求1所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述综合电诈数据包括敏感文本比重、通信异常度、账户资金流动度和通话时长值；
3.根据权利要求2所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述通信异常度的获取方法包括：
4.根据权利要求3所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述账户资金流动度的获取方法包括：
5.根据权利要求4所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述预测出电诈状态值的机器学习模型的训练方法包括：
6.根据权利要求5所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述行为特征包括备注状态和字数长度；
7.根据权利要求6所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述电诈状态值包括正常通信和异常通信；
8.根据权利要求7所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述异常超限数据的标记
9.根据权利要求8所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述劝阻指令包括紧急劝阻指令和实时劝阻指令；
10.根据权利要求9所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述紧急劝阻指令和实时劝阻指令的执行方法包括：
...【技术特征摘要】
1.基于大数据的反电信网络诈骗劝阻处理方法，应用于反诈服务器，其特征在于，包括：
2.根据权利要求1所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述综合电诈数据包括敏感文本比重、通信异常度、账户资金流动度和通话时长值；
3.根据权利要求2所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述通信异常度的获取方法包括：
4.根据权利要求3所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述账户资金流动度的获取方法包括：
5.根据权利要求4所述的基于大数据的反电信网络诈骗劝阻处理方法，其特征在于，所述预测出电诈状态值的机器学习模型的训练方法包括：
<...【专利技术属性】
技术研发人员：任俊利，
申请(专利权)人：廊坊博联科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。