基于概率圖的IMS固話詐騙識(shí)別模型的構(gòu)建及應(yīng)用分析

中圖分類號(hào)：TN929.53；TP393.4 文獻(xiàn)標(biāo)志碼：B 文章編碼：1672-7274（2025）05-0067-03

Abstract：This paper presents an IMS landline fraud identification modelbased on probabilistic graphs.It utilizes communication social networks and combines Markov RandomFields （MRF）andLoopy Belief Propagation （LBP） algorithms.Bydynamicallyanalyzing users'callbehaviors and socialrelationships，the model achievesaccurate fraud detection.Practicalapplications demonstratethatthe modelsignificantly improves the eficiencyofIMSlandline fraud management，addressing issuessuchashigh 1positiveratesandhighlaborcosts，therebyprovidingcrucialsupport forlaw enforcement agencies and operators in effectively combating fraud.

Keywords：probabilistic graphs;IMS landline fraud identification;Markov RandomFields; loopy belief propagation; communication social networks

近年來(lái)，電信網(wǎng)絡(luò)詐騙呈現(xiàn)出多樣化和復(fù)雜化的特點(diǎn)，傳統(tǒng)的反詐騙手段已難以滿足快速、精準(zhǔn)的識(shí)別需求[1]。隨著技術(shù)的發(fā)展，不法分子開(kāi)始利用IMS固話實(shí)施詐騙行為，形成新的犯罪模式。為有效識(shí)別此類行為，遏制詐騙趨勢(shì)，本研究結(jié)合通信社交網(wǎng)絡(luò)分析和概率圖理論，提出了一種基于概率圖的IMS固話詐騙識(shí)別模型。該模型通過(guò)對(duì)通話行為、用戶屬性以及社交關(guān)系進(jìn)行概率計(jì)算和分類推斷，實(shí)現(xiàn)了詐騙行為的自動(dòng)化識(shí)別和處置。

1 基于概率圖的IMS固話詐騙識(shí)別模型的構(gòu)建

1.1模型構(gòu)建思路

此次研究構(gòu)建的模型是“靈瓏”反欺詐系統(tǒng)用戶寬表和用戶通話詳單，采用馬爾可夫隨機(jī)場(chǎng)（MRF）構(gòu)建的概率圖模型。構(gòu)建完成后，模型通過(guò)循環(huán)置信傳播（LBP）算法計(jì)算用戶的詐騙行為概率，判斷用戶存在詐騙行為的可能性，從而完成識(shí)別任務(wù)。模型的具體構(gòu)建主要參照?qǐng)D1所示的思路進(jìn)行。

1.2模型構(gòu)建的步驟

基于圖1所示的思路，此次的模型主要通過(guò)以下幾步得以構(gòu)建。

1.2.1構(gòu)建通信社交網(wǎng)絡(luò)

以馬爾可夫隨機(jī)場(chǎng)為核心設(shè)計(jì)社交網(wǎng)絡(luò)的邏輯結(jié)構(gòu)。在社交網(wǎng)絡(luò) G（V，E） 中，每個(gè)節(jié)點(diǎn)V表示一個(gè)用戶，若用戶間存在通話記錄，則在對(duì)應(yīng)的兩個(gè)節(jié)點(diǎn)之間建立連接E。每個(gè)用戶節(jié)點(diǎn)具有自身的屬性特征，本次模型選取的主要屬性包括（最近7天數(shù)據(jù)）：主叫通話次數(shù)、主叫聯(lián)系人數(shù)量、主叫占比、主叫離散率以及通話時(shí)長(zhǎng)。

1.2.2確定節(jié)點(diǎn)先驗(yàn)概率

根據(jù)公安機(jī)關(guān)每日通報(bào)的涉詐用戶清單及“靈瓏”系統(tǒng)白名單，設(shè)計(jì)社交網(wǎng)絡(luò)中用戶節(jié)點(diǎn) 為正常用戶的先驗(yàn)概率 具體規(guī)則如下：

① 對(duì)于通報(bào)的涉詐用戶，其先驗(yàn)概率設(shè)置為0（即 P_r（x_u=1）=0. ）°

② 對(duì)于白名單用戶，其先驗(yàn)概率設(shè)置為1（即 P_r（x_u=1）=1， 。

③ 對(duì)于其他用戶，先驗(yàn)概率根據(jù)其屬性特征 c_u 通過(guò)式（1）邏輯回歸進(jìn)行計(jì)算得出。

式中， c_u 為用戶 u 的屬性特征向量； 為屬性特征的平均值; b 為邏輯回歸中的偏置項(xiàng)（常數(shù)），用來(lái)調(diào)整模型的預(yù)測(cè)值。

④ 對(duì)于開(kāi)卡時(shí)間低于一周的用戶節(jié)點(diǎn)，其先驗(yàn)概率統(tǒng)一設(shè)置為 P_r（x_u=1）=0.5.

1.2.3計(jì)算勢(shì)函數(shù)

在通信社交網(wǎng)絡(luò)中，為更新用戶節(jié)點(diǎn)先驗(yàn)概率，需要計(jì)算與鄰居節(jié)點(diǎn)的相互關(guān)系。這主要通過(guò)對(duì)用戶之間的相似度進(jìn)行量化來(lái)實(shí)現(xiàn)。其中，相似度使用最近一天的短期通話特征通過(guò)Pearson相似度進(jìn)行計(jì)算，計(jì)算公式為

式中， r_u，i 是用戶與聯(lián)系人的通話特征； 是用戶 u 的通話特征的平均值； r_v，i 是用戶 u 的通話特征； 為用戶v通話特征平均值。

1.2.4更新置信概率迭代

使用循環(huán)置信傳播算法在馬爾可夫隨機(jī)場(chǎng)中進(jìn)行消息的傳播，通過(guò)節(jié)點(diǎn)間的交互更新概率分布，最終實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的概率收斂。具體實(shí)現(xiàn)為：消息通過(guò)鄰居節(jié)點(diǎn)傳播影響其他節(jié)點(diǎn)的概率分布；通過(guò)不斷迭代傳播，最終使每個(gè)用戶節(jié)點(diǎn)的概率分布趨于穩(wěn)定，達(dá)到近似收斂狀態(tài)。循環(huán)置信傳播算法的收斂條件為指定閾值 ρ=10^-4 ，當(dāng)兩次消息迭代變化小于閾值時(shí)，認(rèn)為該消息已不再變化，模型達(dá)到收斂。消息更新規(guī)則為

式中， m_vu（x_u） 為從節(jié)點(diǎn) V 到節(jié)點(diǎn) 發(fā)送的消息； P_r（x_v） 為節(jié)點(diǎn) ? 的先驗(yàn)概率； L（v） 為節(jié)點(diǎn)v的鄰居集合。置信度計(jì)算（后驗(yàn)概率）為

式中， z_u 為節(jié)點(diǎn) Π_U 的歸一化常數(shù)。

1.2.5計(jì)算用戶詐騙概率

根據(jù)節(jié)點(diǎn)的后驗(yàn)概率，按照式（5）計(jì)算用戶詐騙概率。然后，結(jié)合準(zhǔn)確率和覆蓋率調(diào)整分類決策的閾值，最終生成疑似詐騙用戶清單，并由系統(tǒng)自動(dòng)處置。

用戶詐騙概率 Π=1-P_r（x_u）

2 基于概率圖的IMS固話詐騙識(shí)別模型的應(yīng)用

2.1在提升詐騙識(shí)別精準(zhǔn)度方面的應(yīng)用

IMS固話詐騙的精準(zhǔn)識(shí)別一直是電信網(wǎng)絡(luò)反詐工作的難點(diǎn)，詐騙分子通過(guò)偽造通話記錄和隱匿身份規(guī)避傳統(tǒng)反詐手段。傳統(tǒng)方法通常依賴單一特征，如通話頻次或時(shí)長(zhǎng)，但這種方式容易被詐騙分子通過(guò)偽造行為繞過(guò)，導(dǎo)致誤報(bào)率高且識(shí)別效果不理想[2]。基于概率圖的IMS固話詐騙識(shí)別模型在此背景下提供了一種更全面的解決方案。通過(guò)構(gòu)建通信社交網(wǎng)絡(luò)，模型將每位用戶視為一個(gè)節(jié)點(diǎn)，以通話記錄作為節(jié)點(diǎn)之間的邊，并結(jié)合用戶的多維屬性（如主叫次數(shù)、通話離散度、通話時(shí)長(zhǎng)等）計(jì)算詐騙概率。尤其是利用馬爾可夫隨機(jī)場(chǎng)（MRF）和循環(huán)置信傳播（LBP）算法，模型能夠動(dòng)態(tài)調(diào)整節(jié)點(diǎn)的概率分布，使得高風(fēng)險(xiǎn)用戶的識(shí)別更加精準(zhǔn)。在實(shí)際應(yīng)用中，該模型在某地市累計(jì)識(shí)別出2806戶涉詐用戶，其中詐騙概率大于0.85的高風(fēng)險(xiǎn)用戶準(zhǔn)確率超過(guò) 90% 。這不僅大幅降低了誤報(bào)率，還顯著提升了對(duì)隱藏較深的詐騙行為的識(shí)別能力，為反詐治理提供了更可靠的技術(shù)支持。

2.2在動(dòng)態(tài)監(jiān)控與快速響應(yīng)方面的應(yīng)用

IMS固話詐騙具有隨機(jī)性強(qiáng)、變化迅速的特點(diǎn)，傳統(tǒng)周期性靜態(tài)分析的方法難以捕捉實(shí)時(shí)變化的數(shù)據(jù)，容易錯(cuò)過(guò)最佳處置時(shí)機(jī)[3]。基于概率圖的模型利用實(shí)時(shí)數(shù)據(jù)更新機(jī)制，針對(duì)用戶的最新通話行為和社交網(wǎng)絡(luò)特征進(jìn)行動(dòng)態(tài)分析。在“靈瓏”反欺詐系統(tǒng)的支持下，模型每天從用戶寬表和通話詳單中提取數(shù)據(jù)，通過(guò)勢(shì)函數(shù)計(jì)算和消息傳播算法，快速生成高風(fēng)險(xiǎn)用戶清單。一旦檢測(cè)到詐騙概率較高的用戶，系統(tǒng)會(huì)自動(dòng)觸發(fā)警報(bào)，同時(shí)限制該用戶的通話權(quán)限，及時(shí)阻斷可能發(fā)生的詐騙行為。這種快速響應(yīng)的能力在實(shí)際應(yīng)用中表現(xiàn)尤為突出。例如，某地區(qū)通過(guò)模型識(shí)別并阻斷了多起詐騙行為，詐騙概率大于0.9的用戶被有效攔截，成功遏制了詐騙案件的發(fā)生。這種動(dòng)態(tài)監(jiān)控和快速響應(yīng)機(jī)制不僅提高了詐騙治理的及時(shí)性，也顯著增強(qiáng)了對(duì)新型詐騙手段的應(yīng)對(duì)能力。

2.3在降低反詐工作成本方面的應(yīng)用

電信反詐工作面臨著海量數(shù)據(jù)和復(fù)雜案件的雙重壓力，人工處理方式不僅耗時(shí)耗力，還可能因主觀判斷造成誤報(bào)或漏報(bào)[4。基于概率圖的IMS固話詐騙識(shí)別模型通過(guò)自動(dòng)化流程實(shí)現(xiàn)了詐騙行為的精準(zhǔn)判定。模型能夠從“靈瓏”系統(tǒng)直接獲取原始數(shù)據(jù)，自動(dòng)完成數(shù)據(jù)清洗、特征提取和詐騙概率計(jì)算，并輸出詐騙清單至處置模塊。通過(guò)對(duì)比分析發(fā)現(xiàn)，相比傳統(tǒng)的人工分析方式，模型大幅降低了人工介入的需求，詐騙識(shí)別效率提升了約 60% ，人力投入減少了一半以上。此外，通過(guò)高效處理大規(guī)模數(shù)據(jù)，模型顯著優(yōu)化了反詐資源的配置，使更多精力能夠集中用于復(fù)雜案件的深入偵查。這種技術(shù)驅(qū)動(dòng)的自動(dòng)化方式，不僅提高了反詐工作的覆蓋范圍，還降低了治理成本，為資源有限的地區(qū)提供了高效可行的反詐解決方案。

2.4在助力公安機(jī)關(guān)精準(zhǔn)打擊固化詐騙方面的應(yīng)用

固話詐騙犯罪鏈條復(fù)雜，傳統(tǒng)偵查方式往往因線索泛化而難以精準(zhǔn)鎖定目標(biāo)，造成執(zhí)法效率低下。基于概率圖的模型在深度分析用戶通話行為和通信關(guān)系的基礎(chǔ)上，為公安機(jī)關(guān)提供了精準(zhǔn)的涉詐用戶清單及其社交網(wǎng)絡(luò)特征。模型能夠有效鎖定高風(fēng)險(xiǎn)用戶，并通過(guò)關(guān)聯(lián)分析揭示潛在的團(tuán)伙結(jié)構(gòu)，協(xié)助執(zhí)法部門(mén)快速定位詐騙源頭和窩點(diǎn)。在實(shí)際應(yīng)用中，模型生成的高風(fēng)險(xiǎn)清單成為案件偵破的重要依據(jù)，有效縮短了偵查時(shí)間和案件處理周期。同時(shí)，模型能夠進(jìn)一步分析復(fù)雜案件中的關(guān)鍵節(jié)點(diǎn)，為全面瓦解詐騙網(wǎng)絡(luò)提供技術(shù)支撐。這種精準(zhǔn)化的能力顯著提升了詐騙治理的整體效果，并強(qiáng)化了公眾對(duì)反詐工作的信任與支持。

2.5在支持固話詐騙治理長(zhǎng)效化方面的應(yīng)用

固話詐騙治理面臨著犯罪手段多樣化、變化快速的挑戰(zhàn)，傳統(tǒng)固定規(guī)則方法難以滿足動(dòng)態(tài)適應(yīng)的需求[5]。基于概率圖的模型通過(guò)動(dòng)態(tài)優(yōu)化勢(shì)函數(shù)參數(shù)和詐騙概率判定邏輯，構(gòu)建了一套可持續(xù)發(fā)展的治理機(jī)制[。模型結(jié)合最新的詐騙行為數(shù)據(jù)，不斷調(diào)整判定規(guī)則和權(quán)重分布，以適應(yīng)新型詐騙模式和區(qū)域性特點(diǎn)。通過(guò)靈活的參數(shù)調(diào)整和優(yōu)化，模型能夠在不同場(chǎng)景下高效適用，實(shí)現(xiàn)了固話詐騙治理的動(dòng)態(tài)響應(yīng)能力。同時(shí)，模型的推廣應(yīng)用顯現(xiàn)出較強(qiáng)的適應(yīng)性和普適性，為不同地區(qū)的詐騙治理提供了技術(shù)支持。這種動(dòng)態(tài)調(diào)整和長(zhǎng)效化的機(jī)制，不僅滿足了當(dāng)前的治理需求，也為未來(lái)詐騙手段的防范提供了穩(wěn)定的技術(shù)基礎(chǔ)，確保治理能力始終處于領(lǐng)先水平。

3 結(jié)束語(yǔ)

基于概率圖的IMS固話詐騙識(shí)別模型在構(gòu)建和應(yīng)用中充分展示了其在詐騙識(shí)別領(lǐng)域的技術(shù)優(yōu)勢(shì)。通過(guò)構(gòu)建通信社交網(wǎng)絡(luò)并結(jié)合馬爾可夫隨機(jī)場(chǎng)和循環(huán)置信傳播算法，該模型實(shí)現(xiàn)了對(duì)固話用戶詐騙行為的精準(zhǔn)判定。模型不僅能夠動(dòng)態(tài)分析用戶通話特征，還將社交關(guān)系納入考慮，從而顯著提升了詐騙識(shí)別的準(zhǔn)確率和效率。在應(yīng)用中，該模型有效解決了傳統(tǒng)方法依賴單一特征導(dǎo)致誤報(bào)率高、反應(yīng)滯后的問(wèn)題，為詐騙治理提供了自動(dòng)化、智能化的解決方案。此外，通過(guò)實(shí)時(shí)數(shù)據(jù)處理和動(dòng)態(tài)閾值調(diào)整，模型在提升詐騙治理及時(shí)性和降低人工成本方面也表現(xiàn)出顯著成效。

參考文獻(xiàn)

[1]薛森元.基于圖神經(jīng)網(wǎng)絡(luò)的電信反詐平臺(tái)研究與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2023.

[2]夏琳，程亮杰.新型詐騙易感人群異常特征識(shí)別模型與精準(zhǔn)預(yù)防應(yīng)用研究[J].公安研究，2024（3）：59-70.

[3]胡勉寧，李欣，李明鋒，等.面向詐騙短信息識(shí)別的融合多策略數(shù)據(jù)增強(qiáng)技術(shù)研究[J].信息網(wǎng)絡(luò)安全，2022，22（10）：121-128.

[4]肖文琴.基于BP神經(jīng)網(wǎng)絡(luò)的電信詐騙識(shí)別研究[D].武漢：華中師范大學(xué)，2022.

[5]高雅詩(shī).電信用戶行為的概率圖分類方法研究與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2021.

[6]劉梟，王曉國(guó).基于概率圖的銀行電信詐騙檢測(cè)方法[J].計(jì)算機(jī)科學(xué)，2018，45（7）：122-128，134.