Анализ проблематики распознавания мошеннических звонков по звуковым волнам

Рыбка Н.С., Анохина И.Ю.

Донецкий национальный технический университет

Введение

В эпоху цифровизации и активного развития информационных технологий, проблема обеспечения информационной безопасности приобретает особую актуальность. Одним из наиболее распространенных видов мошенничества является телефонное мошенничество, где злоумышленники, используя различные социальные инженерные техники, пытаются получить конфиденциальную информацию от пользователей [1]. Разработка нейросетевого приложения для определения мошенников по звонам становится не только актуальной задачей, но и необходимым инструментом в борьбе с этим видом преступлений.

Целью данной работы является разработка интеллектуального модуля по распознаванию мошеннических звонков на базе звуковых волн.

Для достижения поставленной цели необходимо произвести обзор предметной области.

В работе были поставлены следующие задачи:

1. Провести анализ существующих методов детекции мошеннических звонков
2. Рассмотреть обоснование подхода к решению задачи с применением ИИ
3. Рассмотреть преимущества и вызовы применения ИИ в детекции мошеннических звонков

Анализ существующих методов детекции мошеннических звонков

Для эффективного выявления мошеннических звонков используется широкий спектр методов, основанных как на анализе речи, так и на применении алгоритмов машинного обучения. Эти подходы включают как простые методы, такие как деревья решений и градиентный бустинг, так и более сложные нейронные сети, такие как LSTM и BERT, которые способны учитывать тонкие языковые и паралингвистические признаки. Включение таких моделей позволяет значительно улучшить точность классификации звонков, поскольку они могут выявлять скрытые паттерны в данных, которые трудно обнаружить традиционными методами [2].

Алгоритмы анализа речи могут учитывать лексические и паралингвистические параметры, такие как медиану скорости речи, длительность пауз и частоту использования определённых конструкций. Глагольные номинализации могут указывать на попытку создать впечатление формальности, а местоимения в третьем лице во множественном числе – на стремление дистанцироваться от ответственности. Отрицательные эмоции в речи также часто сопровождают попытки давления на собеседника.

На рисунке 1 представлено дерево решений, используемое для детекции мошенничества в телефонных звонках. Оно строится на анализе указанных лингвистических признаков речи.

Рисунок 1 – Дерево решений для обнаружения мошенничества

Дерево решений разделяется на ветви истинных и ложных на основе определённых критериев. В процессе принятия решения рассматриваются различные факторы, которые помогают выявить подозрительное поведение собеседника, что может указывать на мошенничество. Ветви дерева приводят к конечным результатам, где «v:0» указывает на отсутствие мошенничества, «v:1» – на его наличие. Таким образом, модель принимает решение о мошенничестве или его отсутствии, анализируя данные лингвистические особенности.

Для классификации речевых данных можно также использовать архитектуры, включающие сети LSTM, которые эффективно анализируют временные зависимости и особенности речи в звонках (см. рис. 2). Эти сети позволяют выявлять закономерности, которые связаны с особенностями речи в мошеннических звонках.

Рисунок 2 – Классификация аудиоданных с помощью LSTM

На основе извлеченных признаков, таких как мел-частотные кепстральные коэффициенты (МЧКК), их производные (Дельта МЧКК и Делта-дельта МЧКК), а также высокочастотные кепстральные коэффициенты (ВЧКК), формируются векторные признаки для обучения, валидации и тестирования модели. Эти признаки позволяют модели лучше понимать спектральные и временные характеристики речи. Обучение сети LSTM включает несколько этапов проверки и оптимизации модели, что позволяет достичь высокой точности в классификации аудиоданных, связанных с определением мошеннических звонков.

Обоснование подхода к решению задачи с применением ИИ

Мошенники постоянно адаптируют свои стратегии, создавая новые способы обмана, что делает традиционные методы, такие как простые алгоритмы или статические модели, недостаточными для их эффективного обнаружения [3]. Эти алгоритмы часто не способны оперативно реагировать на изменения в подходах мошенников, поскольку они требуют предварительного программирования и не могут обучаться на новых данных. В отличие от них, ИИ-системы, в частности нейросети, обладают высокой гибкостью, позволяя обучать модель на новых данных, что делает систему способной адаптироваться в реальном времени к изменяющимся методам мошенничества.

Нейросети, особенно глубокие нейронные сети, идеально подходят для обработки сложных структур данных, таких как спектрограммы и звуковые волны. В отличие от традиционных алгоритмов, которые могут ограничиваться анализом простых признаков (например, уровня громкости или длительности пауз), нейросети могут выявлять скрытые аномалии в речи, такие как изменения в тембре, интонации или другие нелинейные паттерны. Это особенно важно при обнаружении мошенничества, где такие детали могут быть ключевыми для распознавания намерений собеседника. Эти методы позволяют более точно выявлять признаки манипуляции или давления, которые традиционные подходы могут не заметить.

Перед использованием ИИ в распознавании мошенничества по звуковым волнам необходимо учитывать ряд факторов, таких как тип данных, сложность обработки, точность распознавания и адаптивность методов. Важно понимать, что традиционные алгоритмы, такие как деревья решений или градиентный бустинг, хотя и могут работать с табличными данными, не обладают способностью эффективно анализировать аудиофайлы и учитываться динамичные изменения в речи. Для работы с аудиофайлами требуются специализированные подходы, такие как нейросети, включая CNN, LSTM и трансформеры вроде BERT, которые способны обрабатывать временные зависимости и аудиоформаты.

Преимущества и вызовы применения ИИ в детекции мошеннических звонков

Применение искусственного интеллекта (ИИ) в распознавании мошеннических звонков обеспечивает несколько важных преимуществ, особенно с учётом адаптации мошенников к меняющимся условиям. ИИ-системы, в частности нейронные сети, могут обучаться на новых данных, что позволяет системе мгновенно реагировать на изменения в методах мошенничества. Это особенно важно в условиях быстрого развития технологий и постоянного совершенствования мошеннических схем.

Использование ИИ имеет ряд преимуществ, такие как [4]:

1. ИИ-системы, основанные на нейросетях, таких как LSTM и CNN, способны учитывать временные зависимости в речи, такие как интонационные и темповые изменения, что критично для выявления мошеннических паттернов в разговоре. В отличие от традиционных методов, которые работают с фиксированными признаками, такие подходы могут адаптироваться к новым акцентам, темпам речи и манерам общения мошенников.
2. Современные алгоритмы машинного обучения могут анализировать данные на уровне, который недоступен традиционным методам. Например, использование моделей NLP позволяет выявлять сложные текстовые паттерны, присущие мошенническим звонкам, а нейронные сети анализируют такие тонкости, как эмоциональные оттенки и паралингвистические признаки, что значительно повышает точность и снижает количество ложных срабатываний.
3. В отличие от классических методов, ИИ-системы могут обрабатывать звонки в реальном времени, анализируя их на больших объёмах данных. Это позволяет быстро выявлять подозрительные звонки среди миллионов обычных разговоров, что является важным в условиях массового использования телефонии и интернета.
4. В дополнение к текстовому анализу, нейронные сети, такие как CNN и LSTM, применяются для анализа аудиофайлов. Эти модели способны не только классифицировать звонки, но и выявлять тональные особенности, которые могут быть индикаторами мошенничества, например, повышенную агрессию или манипуляции с интонацией.

Тем не менее, использование ИИ в этой сфере также сталкивается с рядом вызовов [5]:

1. Для обеспечения высокой точности работы системы требуется значительное количество аннотированных данных для обучения моделей.
2. В отличие от табличных данных, работа с аудио требует специализированных алгоритмов и высокой вычислительной мощности.
3. Системы могут быть уязвимы к манипуляциям, если мошенники используют методы, чтобы «обмануть» ИИ, например, путём изменения голоса с помощью синтезаторов или других технологий.

Подходы ИИ в распознавании мошеннических звонков позволяют значительно повысить точность и скорость анализа, однако для эффективной работы таких систем требуется наличие продвинутых технологий и большой базы данных. Современные нейросети, такие как LSTM и CNN, могут анализировать большое количество данных за короткое время, выявляя сложные паттерны в речи и тексте. Однако их успешная работа зависит от качественных данных для обучения и регулярных обновлений, чтобы учитывать изменения в тактиках мошенников. Это требует мощной вычислительной инфраструктуры и усилий по сбору разнообразных и актуальных данных, что увеличивает затраты и сложность реализации таких систем.

Выводы

Современные методы детекции мошеннических звонков, использующие искусственный интеллект, значительно повышают эффективность распознавания мошеннических схем. Применение алгоритмов машинного обучения, таких как деревья решений, градиентный бустинг, а также нейросетевых технологий, включая LSTM и трансформеры, позволяет учитывать, как лексические и паралингвистические особенности речи, так и временные зависимости в аудиофайлах. Это способствует точному выявлению мошенничества, даже когда оно адаптируется к изменяющимся условиям.

Особое внимание уделено способности ИИ-систем адаптироваться к новым данным и изменениям в методах мошенников, что является существенным преимуществом перед традиционными подходами. Однако, несмотря на высокую эффективность и адаптивность таких систем, их внедрение сопряжено с определёнными вызовами, такими как потребность в большом объёме аннотированных данных и высокой вычислительной мощности. Важно учитывать эти аспекты при разработке и эксплуатации ИИ-систем, чтобы они могли эффективно работать в реальном времени, минимизируя ложные срабатывания и повышая точность детекции мошеннических звонков.

Литература

1. Андреас, Мюллер Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: моногр. / Мюллер Андреас. – М.: Альфа-книга, 2017. – 697 c.
2. Барский, А.Б. Логические нейронные сети / А.Б. Барский. – М.: Бином. Лаборатория знаний / Интернет-Университет Информационных Технологий (ИНТУИТ), 2017. – 336 c.
3. Домингос, П. Верховный алгоритм. Как машинное обучение изменит наш мир / П. Домингос. – Москва: Манн, Иванов и Фербер, 2016. – 190 c.
4. Домингос, Педро Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос. – Москва: Гостехиздат, 2015. – 989 c.
5. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия – Телеком; Издание 2-е, стер., 2002. – 382 c.