-
公开(公告)号：CN111709472A
公开(公告)日：2020-09-25
申请号：CN202010543099.5
申请日：2020-06-15
Applicant: 国家计算机网络与信息安全管理中心 , 杭州东信北邮信息技术有限公司
Abstract: 一种动态融合规则到诈骗行为识别模型的方法，包括：由全量通话记录生成电信通联网络：G＝{V，E，Y}，并据此构建识别诈骗行为的时空图；读取诈骗行为识别规则表中的每条规则，计算每个用户对应于每条规则的转换值；将每个用户对应于规则的转换值构成每个用户的通话特征指标向量，每个用户的通话特征指标向量即是时空图中每个用户的节点特征；构建、并训练诈骗行为识别模型，然后将待识别用户的节点特征输入至诈骗行为识别模型，并根据模型输出判断待识别用户是否是可疑诈骗行为号码。本发明属于信息技术领域，能实现规则和模型的动态融合，从而实时检测、并准确识别各种诈骗行为。
-
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。
-
公开(公告)号：CN109359126A
公开(公告)日：2019-02-19
申请号：CN201811009136.3
申请日：2018-08-30
Applicant: 国家计算机网络与信息安全管理中心 , 天津市国瑞数码安全系统股份有限公司
IPC: G06F16/242 , G06F16/2453
Abstract: 本发明属于数据查询技术领域，具体而言，涉及一种基于业务用户习惯的智能学习查询模型的构建方法，包括如下步骤：S1、从数据源中获取业务用户的数据查询记录；S2、根据步骤S1中得到的所述数据查询记录，进行数据查询习惯分析；S3、根据步骤S2中得到的数据查询习惯分析结果构建查询模型。本发明还提供了一种基于业务用户习惯的智能学习查询系统。本发明通过对业务用户的数据查询习惯进行分析，针对分析结果制定数据查询方案，构建查询模型，能够提前将业务用户关注的数据推送给业务用户，具有查询时间短、用户体验效果好的特点。
-
公开(公告)号：CN109274836A
公开(公告)日：2019-01-25
申请号：CN201811287123.2
申请日：2018-10-31
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明公开了一种大规模数据流中电信欺诈风险识别方法，属于数据挖掘与机器学习和商务智能等领域。从呼叫记录数据库中筛选高风险被叫用户和主叫用户作为分析对象，构建欺诈被叫索引数据库，提取各个索引对应的显著特征；采用二级级联分类模型，得到每个被叫号码的攻击风险值；保留每个高风险被叫号码最近的滑动窗口异常得分的最大值，作为各自的序列风险值；构造被叫号码与主叫号码的通联关系二部图，计算每个被叫号码的通联风险值；借助逻辑回归模型，对每个被叫号码的攻击风险、序列风险和通联风险进行融合，得出每个被叫号码各自的综合风险值。本发明最终的综合风险值具有较高的稳定性和可解释性，实现较高的分类和检测效率。
-
公开(公告)号：CN108882242A
公开(公告)日：2018-11-23
申请号：CN201810589825.X
申请日：2018-06-08
Applicant: 国家计算机网络与信息安全管理中心 , 讯飞智元信息科技有限公司
Abstract: 本发明公开了基于声纹识别和意图理解技术的反诈骗系统的自学习方法，其特征在于，具体包括如下步骤：步骤SS1：建立诈骗人声纹模型库和诈骗人意图模型库；步骤SS2：诈骗人声纹模型库更新步骤；步骤SS3：诈骗人意图模型库更新步骤。本发明利用声纹预警数据自动为意图理解模型积累训练用诈骗文本；利用意图理解预警数据自动添加诈骗人声纹模型库，两种技术手段互相补充，有效解决数据积累期间新诈骗人的漏警和意图理解模型训练文本人工积累的问题。
-
Patent Agency Ranking
公开(公告)号：CN108847956A
公开(公告)日：2018-11-20
申请号：CN201810432615.X
申请日：2018-05-08
Applicant: 国家计算机网络与信息安全管理中心 , 杭州东信北邮信息技术有限公司 , 长安通信科技有限责任公司
Abstract: 一种电信网安全业务VNF的多维智能扩缩容方法和系统,包括：VDU将正在使用的虚拟机业务指标上报至VNFM；VNFM计算VDU虚拟机的当前业务指标平均占用率和业务冗余指标，判断是否需要对VDU虚拟机进行扩容或缩容操作，如果是，则继续下一步；VNFM构建一个模拟虚拟机组，将VDU正使用虚拟机加入到模拟虚拟机组，然后在模拟虚拟机组中逐一增加空闲虚拟机或删除正使用虚拟机：计算VDU虚拟机的模拟业务指标平均占用率，再判断是否需要对VDU虚拟机进行不调整或扩容操作，如果是，则模拟虚拟机组中的虚拟机即下一时刻分配给VDU的虚拟资源。本发明属于通信领域，能为各类电信网安全业务准确提供符合运行需求的虚拟资源。
-
公开(公告)号：CN108460772A
公开(公告)日：2018-08-28
申请号：CN201810150076.0
申请日：2018-02-13
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提供了一种基于卷积神经网络的广告骚扰传真图像检测系统及方法，包括关键字区域提取模块，所述关键字区域提取模块用于确定待检测传真图像的关键字可疑区域；神经网络置信度分析模块，所述神经网络置信度分析模块与所述关键字区域提取模块相连，所述神经网络置信度分析模块用于对所述关键字可疑区域的文字进行识别，实现传真图像的分类。本发明通过关键字区域提取模块对关键字可疑区域进行提取，自动化运行，工作效率高；通过神经网络置信度分析模块对关键字可疑区域的文字进行识别，实现广告骚扰传真的分类判断，节约时间，管控能力强，使得本发明具有工作效率高，管控能力强的特点。
-
公开(公告)号：CN105187403B
公开(公告)日：2018-06-12
申请号：CN201510498610.3
申请日：2015-08-13
Applicant: 国家计算机网络与信息安全管理中心
IPC: H04L29/06
Abstract: 本发明提出一种面向软件定义网络的网络安全性测试方法，包括针对目标软件定义网络的安全性测试框架、安全性测试策略、分类安全性测试方法、项目安全性测试方法和安全性测试步骤。其中，测试框架包括将目标软件定义网络划分为数据、控制、应用和管理四个网络平面，分别对各个网络平面的各个网元、链路以及各个网络平面之间的接口展开安全性测试；测试策略包括对安全性测试框架中的各个单元进行测试的选择和流程编制方法；分类安全性测试方法依据各个单元的类别特点开展不同类型的安全性测试；项目安全性测试方法实现具体的针对目标网元、链路或接口的安全性测试，测试流程定义了完整的针对目标软件定义网络的安全性测试过程和步骤。
-
公开(公告)号：CN104660834A
公开(公告)日：2015-05-27
申请号：CN201510126670.2
申请日：2015-03-23
Applicant: 中国人民解放军信息工程大学 , 国家计算机网络与信息安全管理中心
IPC: H04M3/42
Abstract: 本申请提供了一种垃圾电话防护方法及装置，从通信网络的信令关口，获取进入通信网络的信令，从信令中确定疑似垃圾电话的信令，通过对疑似垃圾电话的信令进行呼叫改址，将其转接到垃圾电话处理端，由垃圾电话处理端对垃圾电话进行处理并将非垃圾电话的信令转接至被叫目的方，因此，能够实现避免垃圾电话进行通信网络的目的，并且，因为通过信令进行操作，所以，不影响通信网络的正常通信过程。
-
公开(公告)号：CN113205801B
公开(公告)日：2024-03-19
申请号：CN202110498059.8
申请日：2021-05-08
Applicant: 国家计算机网络与信息安全管理中心 , 清华大学
Abstract: 本申请涉及一种恶意语音样本的确定方法、装置、计算机设备和存储介质。该方法包括：获取初始语音样本集；根据预设的多种恶意类别对初始语音样本集进行分类，得到多种恶意类别中每种恶意类别对应的语音样本子集；根据每种恶意类别对应的语音样本子集中的语音样本信息，计算每种恶意类别对应的语音样本子集的恶意度；将恶意度满足预设恶意度条件的恶意类别对应的语音样本子集中的语音样本，确定为恶意语音样本。本方法基于语音样本子集的恶意类别以及恶意度可自动确定恶意语音样本，有利于提高恶意语音样本的确定效率。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.063 seconds)
