Разработка интеллектуального приложения по распознаванию мошеннических звонков

Болтнев А.В.

Нижнекамский химико-технологический институт

Введение

В условиях активной цифровизации вопрос информационной безопасности становится особенно важным. Телефонное мошенничество, где злоумышленники используют техники социальных манипуляций для получения конфиденциальной информации, представляет собой одну из самых распространенных угроз [1]. Разработка нейросетевого приложения для выявления мошенников по звонкам становится актуальной задачей и необходимым инструментом для борьбы с этой проблемой. Цель исследования заключается в создании и тестировании нейросетевого приложения, способного распознавать потенциально мошеннические звонки на основе анализа поведенческих характеристик звонящих.

Задачи исследования включают:

1. Анализ проблемы телефонного мошенничества;
2. Обзор существующих решений и архитектур нейронных сетей;
3. Сбор базы данных и проектирование архитектуры нейронной сети;
4. Разработка, обучение и тестирование приложения.

Актуальность работы обусловлена ростом случаев мошенничества и необходимостью создания эффективных средств защиты. Объектом исследования являются процессы определения мошеннических звонков, а предметом — алгоритмы машинного обучения и нейронные сети для их распознавания.

Создание этого приложения является важным шагом к повышению уровня информационной безопасности и защите пользователей в современном обществе.

1 Постановка задачи

С увеличением случаев телефонного мошенничества возникает необходимость в разработке системы, способной эффективно выявлять мошеннические звонки с использованием нейронных сетей. Телефонное мошенничество представляет собой серьезную угрозу для пользователей, так как злоумышленники применяют различные методы манипуляции, чтобы обмануть жертв и получить доступ к их конфиденциальным данным.

Современные технологии и методы искусственного интеллекта, в частности нейронные сети, могут стать мощным инструментом для решения этой проблемы. Нейронные сети способны анализировать большие объемы данных и выявлять закономерности, которые могут указывать на мошеннические действия. Однако для достижения высокой точности и надежности распознавания необходимо учитывать множество факторов, таких как поведенческие характеристики звонящих, контекст звонков и особенности телефонных номеров.

В рамках данного раздела будет сформулирована основная задача исследования: разработка нейросетевой модели, которая сможет эффективно классифицировать звонки как мошеннические или законные на основе анализа собранных данных. Также будет рассмотрена необходимость создания базы данных звонков, что позволит обучить модель и повысить точность ее работы.

Таким образом, задача заключается в создании системы, которая не только позволит выявлять мошеннические звонки, но и будет адаптироваться к новым методам мошенничества, обеспечивая тем самым защиту пользователей в реальном времени.

2 Обзор предметной области

2.1 Проблематика

Телефонное мошенничество продолжает расти, создавая риски для граждан и бизнеса. По данным различных исследований, число случаев телефонного мошенничества увеличивается с каждым годом, что вызывает серьезные опасения у пользователей и правоохранительных органов [2]. Мошенники используют разнообразные методы, такие как фальшивые звонки от «сотрудников банка», предложения о выигрыше призов и угрозы, связанные с долгами, чтобы запугать и ввести в заблуждение жертв. Эти практики не только наносят финансовый ущерб, но и подрывают доверие к телефонной связи и финансовым институтам.

Сложность борьбы с телефонным мошенничеством заключается в его анонимности и многообразии приемов, используемых злоумышленниками. Мошенники могут легко изменять свои тактики, что делает традиционные методы обнаружения недостаточно эффективными. Кроме того, недостаток осведомленности среди населения о методам мошенничества лишь усугубляет проблему, поскольку многие пользователи не знают, как защитить себя от подобных угроз.

В связи с этим возникает необходимость в разработке технологий, способных быстро идентифицировать мошеннические звонки и предоставлять пользователям необходимую информацию для принятия обоснованных решений. Использование искусственного интеллекта и нейронных сетей в этой области может значительно повысить эффективность обнаружения и уменьшить влияние мошенничества на общество.

2.2 Актуальность

Разработка систем распознавания мошеннических звонков поможет снизить количество жертв и повысить доверие к телефонным коммуникациям [3]. В условиях постоянно увеличивающегося числа мошеннических схем, защита пользователей от этих угроз становится приоритетной задачей. Эффективные системы распознавания, основанные на нейронных сетях, способны анализировать поведенческие паттерны звонящих и выявлять признаки мошенничества, что значительно увеличивает вероятность предотвращения финансовых потерь.

Актуальность данного направления исследований также обусловлена тем, что телефонные звонки остаются одним из самых распространенных способов мошенничества. Даже с ростом цифровых технологий и онлайн-коммуникаций, злоумышленники продолжают активно использовать телефонные звонки для обмана. Внедрение передовых технологий, таких как машинное обучение, не только позволяет оперативно обрабатывать информацию о звонках, но и адаптироваться к новым методам мошенников.

Кроме того, повышение уровня осведомленности пользователей о методах мошенничества и использование интеллектуальных систем защиты может значительно улучшить общее состояние информационной безопасности. Это, в свою очередь, способствует укреплению доверия к телефонным услугам и финанасовым институтам, что крайне важно для устойчивого функционирования экономики и общества в целом. Таким образом, создание эффективных систем распознавания мошеннических звонков является важным шагом к повышению безопасности и защищенности пользователей.

3 Подготовка нейронной сети

3.1 Архитектура

Спроектирована многослойная нейронная сеть (МНП) для распознавания мошеннических звонков. Архитектура сети включает несколько уровней, каждый из которых выполняет специфические функции обработки информации. Первые слои сети отвечают за извлечение признаков из входных данных, таких как аудиозаписи звонков, текстовые транскрипции и метаданные (номер звонящего, время звонка и т.д.) [4]. Эти слои используют свертки и активационные функции, что позволяет выделять ключевые характеристики, указывающие на вероятность мошенничества.

На промежуточных слоях происходит углубленная обработка извлеченных признаков с использованием методов регуляризации, таких как Dropout, что предотвращает переобучение модели. Эти слои помогают сети лучше обобщать данные и выявлять сложные паттерны, которые могут указывать на мошеннические действия.

В заключительном слое осуществляется классификация звонков на законные и мошеннические. Для этого используется функция активации, такая как Softmax, которая позволяет оценить вероятность того, что звонок является мошенническим. Модель обучается на размеченных данных, что позволяет ей адаптироваться к новым ситуациям и улучшать качество распознавания со временем. Результат построения архитектуры нейронной сети, приведена на рисунке (рис. 1).

Рисунок 1 – Архитектура нейронной сети

Общая архитектура сети нацелена на достижение высокой точности распознавания, а также на возможность масштабирования и дообучения системы с учетом новых данных. Такой подход обеспечивает надежность и эффективность системы в условиях постоянно меняющегося ландшафта телефонного мошенничества.

3.1 Сбор данных

Собрана база данных, содержащая как мошеннические, так и легитимные звонки, что позволяет обеспечить сбалансированное обучение нейронной сети. Данные были получены из различных источников, включая телекоммуникационные компании, службы безопасности и общественные базы данных, что гарантирует разнообразие сценариев и типов мошенничества. Каждый звонок в базе данных размечен по следующим критериям:

• знакомый номер;
• звонок в мессенджере;
• запрос личной информации;
• обещание большой прибыли без риска;
• требование немедленных действий;
• отсутствие официального представительства;
• использование эмоционального давления;
• просьба перевести деньги на другой счет;
• результат.

Общая структура базы данных обеспечивает возможность глубокого анализа и выявления ключевых признаков, характерных для мошеннических звонков, что в свою очередь способствует повышению точности и надежности модели. Проводился процесс очистки данных для удаления шумов и аномалий, что дополнительно улучшает качество обучающего набора.

Собранные данные будут использоваться для обучения, валидации и тестирования нейронной сети, что обеспечит ее способность эффективно распознавать как известные, так и новые схемы мошенничества. На рисунке 2 представлен вид хранения данных для нейронной сети.

Рисунок 2 – Данные для нейронной сети

4 Разработка программного обеспечения

4.1 Инструменты.

Для создания нейронной сети использовались следующие инструменты и технологии [5]:

1. Python: Язык программирования, который является основным для разработки машинного обучения и научных вычислений. Python предоставляет обширный набор библиотек и фреймворков, упрощающих процесс разработки и реализации алгоритмов.
2. Java: Использовался для разработки вспомогательных компонентов системы, таких как обработка данных и взаимодействие с базами данных. Java обеспечивает высокую производительность и масштабируемость, что делает её подходящей для разработки серверной части приложения.
3. TensorFlow: Это мощный фреймворк для машинного обучения, разработанный Google. TensorFlow предоставляет удобные инструменты для построения и обучения нейронных сетей, а также для выполнения комплексных математических операций, необходимых для обработки больших объемов данных.
4. Keras: Высокоуровневый API для работы с нейронными сетями, который работает поверх TensorFlow. Keras облегчает создание и настройку моделей благодаря простому и интуитивно понятному интерфейсу. Он позволяет быстро экспериментировать с архитектурами сети, что важно на этапе прототипирования.
5. Использование этих инструментов в комбинации позволило создать эффективную и надежную систему для распознавания мошеннических звонков. Python и Keras обеспечивают гибкость и простоту в разработке, тогда как TensorFlow предоставляет мощные вычислительные возможности. Java дополняет архитектуру, обеспечивая стабильную работу серверной части и интеграцию с внешними системами.

4.2 Пользовательский интерфейс

Разработан удобный интерфейс для взаимодействия пользователей с системой, который обеспечивает простоту и интуитивность в использовании. Интерфейс был спроектирован с учетом потребностей конечных пользователей, что позволило создать понятную навигацию и доступ к основным функциям.

Приложение представляет собой главное окно, в котором размещены восемь чекбоксов с надписями, соответствующими критериям, помогающим идентифицировать потенциально мошеннические звонки: знакомый номер, звонок в мессенджере, запрос личной информации, обещание большой прибыли без риска, требование немедленных действий, отсутствие официального представительства, использование эмоционального давления и просьба перевести деньги на другой счет. Пользователь может отмечать соответствующие чекбоксы в зависимости от полученного звонка.

Ниже чекбоксов располагается кнопка, которая будет запускать классификацию на основе выбранных критериев. После нажатия кнопки пользователю будет предоставлен результат анализа, который поможет определить, является ли звонок мошенническим.

На рисунке 3 представлены результаты работоспособности программы.

Рисунок 3 – Положительный результат и отрицательный результат распознавания

Выводы

Разработка системы для идентификации потенциально мошеннических звонков представляет собой важный шаг в обеспечении безопасности пользователей и повышении их осведомленности о рисках, связанных с телефонными звонками. Созданный пользователями интерфейс, включающий восемь ключевых критериев для классификации входящих вызовов, обеспечивает простоту и удобство в использовании, позволяя пользователям быстро и эффективно оценивать риски.

Интеграция функционала с чекбоксами и кнопкой для запуска классификации делает процесс интерактивным и интуитивно понятным, что способствует более активному вовлечению пользователей в защиту себя от мошенничества. Адаптивный дизайн интерфейса гарантирует доступность приложения на различных устройствах, что еще больше расширяет его аудиторию.

Система не только помогает выявлять мошеннические звонки, но и повышает уровень доверия пользователей к технологиям, обеспечивая их защиту от финансовых потерь и эмоциональных стрессов. В дальнейшем планируется учитывать отзывы пользователей для улучшения функционала и расширения возможностей системы, что позволит адаптироваться к новым угрозам и повышать её эффективность.

Разработанная система представляет собой значимый инструмент в борьбе с телефонным мошенничеством и способствует созданию более безопасной среды для пользователей.

Литература

1. Соколинский Л.Б. Машинное обучение / Л.Б. Соколинский. – Лекция № 5: Softmax. Кафедра системного программирования ЮУрГУ. – 2018. – 19 с.
2. Хант Э. Искусственный интеллект / Э. Хант. – М.: Мир, 2018. – 560 c.
3. Васильев А.Н. Принципы и техника нейросетевого моделирования / А.Н. Васильев, Д.А. Тархов. – Москва: Наука, 2018. – 999 c.
4. Гелиг, А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / А.Х. Гелиг. – М.: Издательство СПбГУ, 2018. – 224 c.
5. Воронова Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: Учебное пособие / Л.И. Воронова, В.И. Вороновю. – МТУСИ. – М., 2018. – 83 с.