|
DOI: 10.14489/vkit.2025.02.pp.039-045
Санталов А. А., Клячкин В. Н.
БИНАРНАЯ КЛАССИФИКАЦИЯ ТЕЛЕКОММУНИКАЦИОННОГО ТРАФИКА С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ МОДУЛЯ МОНИТОРИНГА СИСТЕМЫ БОРЬБЫ С МОШЕННИЧЕСТВОМ
(c. 39-45)
Аннотация. Описан подход к выявлению мошеннических звонков нейронной сетью по сконструированным статистическим признакам звонков международного телекоммуникационного трафика транзитного оператора связи. Поставлена задача разработки модуля мониторинга для системы борьбы с мошенничеством, способного противостоять широкому спектру типов атак и осуществляющего бинарную классификацию звонков на мошеннические и обычные. Такой модуль должен использовать для анализа доступный объем данных из всех имеющихся источников, в реальном времени проводить статистический анализ набора номеров абонентов для конструирования признаков в целях классификации по этим признакам звонков. Обнаружение мошенничества в режиме реального времени позволит эффективно предотвращать различные типы мошеннических действий, прежде чем они причинят значительный экономический и репутационный ущерб оператору связи. Проведен обзор литературы, рассмотрен накопленный опыт разработки систем борьбы с мошенничеством в сфере телекоммуникаций, а также учтены особенности работы транзитного оператора связи. Разработана и обучена нейронная сеть с прямой связью для модуля мониторинга системы борьбы с мошенничеством. Проведен анализ полученных результатов, в том числе при сравнении с результатами исследований других авторов, рассмотрены причины ошибок первого и второго родов. Предложены направления дальнейших исследований для повышения эффективности работы модуля мониторинга.
Ключевые слова: нейронная сеть с прямой связью; бинарная классификация; телекоммуникации; мошеннический трафик; антифрод-система.
Santalov А. A., Klyachkin V. N.
BINARY CLASSIFICATION OF TELECOMMUNICATION TRAFFIC USING A NEURAL NET-WORK OF MONITORING MODULE OF ANTI-FRAUD SYSTEM
(pp. 39-45)
Abstract. The article describes an approach to detecting fraudulent calls using a neural network based on constructed statistical features of international telecommunication traffic calls. The research aimed to develop a monitoring module for an anti-fraud system, capable of countering a broad spectrum of attack types and solving the problem of binary classification of calls into fraudulent and legitimate. This module should use the entire available data volume from all existing sources for analysis, perform real-time statistical analysis of a set of calls to construct features, and classify calls based on these features. Realtime fraud detection will efficiently prevent various types of fraudulent activities before they can cause significant economic and reputational damage to the telecom operator. A literature review was conducted, the accumulated expertise in developing fraud prevention systems within the telecommunications sector was considered, the specific operations of a transit communication operator were taken into account. A feedforward neural network for the monitoring module of the anti-fraud system was developed and trained. The analysis of the obtained results and a comparison with the results of other authors' research were conducted, and the reasons for type I and type II errors were considered. Directions for further research were proposed to enhance the effectiveness of the monitoring module.
Keywords: Feedforward neural network; Binary classification; Telecommunications; Fraudulent traffic; Anti-fraud system.
А. А. Санталов, В. Н. Клячкин (Ульяновский государственный технический университет, Ульяновск, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
А. A. Santalov, V. N. Klyachkin (Ulyanovsk State Technical University, Ulyanovsk, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Communications Fraud Control Association (CFCA): сайт. Telecommunications fraud increased 12 % in 2023, equating to an estimated $38.95 billion lost to fraud [Электронный ресурс]. URL: https://web.archive.org/web/20231128152350/ https://cfca.org/telecommunications-fraud-increased-12-in-2023-equating-to-an-estimated-38-95-billion-lost-to-fraud/ (дата обращения: 28.08.2024).
2. SEON: сайт. Telecommunications Fraud Detection and Prevention [Электронный ресурс]. URL: https://web.archive.org/web/20231121132859/ https://seon.io/resources/telecommunications-fraud-detection-and-prevention/ (дата обращения: 28.08.2024).
3. Красоткин М. А., Шибайкин С. Д. Алгоритмы борьбы с мошенничеством в телекоммуникационных системах // Материалы XXII научно-практической конференции молодых ученых, аспирантов и студентов Национального исследовательского Мордовского государственного университета имени Н. П. Огарева. В 3-х ч. Ч. 1. Саранск, Россия. 25 сентября 2018 года. Саранск: Национальный исследовательский Мордовский государственный университет им. Н. П. Огарева, 2019. С. 148–151.
4. Болдырев С. Н. Применение нейронных сетей для борьбы с телекоммуникационным мошенничеством // Вестник российских университетов. Математика. 2010. № 2. С. 715–718.
5. Нгуен Т. А., Щербаков М. В., Чан В. Ф., Кравец А. Г. Разработка метода проактивного обнаружения мошенничества потребителей услуг телекоммуникационной компании // Прикаспийский журнал: управление и высокие технологии. 2016. №4 (36). С. 43–52.
6. Wahid A., Msahli M., Bifet A., Memmi G. NFA: A neural factorization autoencoder based online telephony fraud detection // Digital Communications and Networks. 2023. V. 10, No. 1. P. 158–167. DOI: 10.1016/j.dcan.2023.03.002
7. Anomalies detection in social services data in the sphere of digital economy / P. V. Khripunov, E. Y. Minaev, V. I. Protsenko et al. // Journal of Physics: Conference Series. 2019. V. 1368. No. 5. P. 052045. DOI: 10.1088/1742-6596/1368/5/052045
8. Li S. L. Data mining of corporate financial fraud based on neural network model // Computer Optics. 2020. V. 44. No. 4. P. 665–670. DOI: 10.18287/2412-6179-CO-656
9. Utilizing a machine learning algorithm to choose a significant traffic identification system / R. Natarajan, C. P. Ranjith, M. S. K. Mohideen et al. // International Journal of Information Management Data Insights. 2024. V. 4. No. 1. P. 100218. DOI: 10.1016/j.jjimei.2024.100218
10. SMS spam detection using relevance vector machine / Sh. Pudasaini, A. Shakya, S. P. Pandey et al. // Procedia Computer Science. 2023. V. 230. P. 337–346. DOI: 10.1016/j.procs.2023.12.089
11. SMSPROTECT: An automatic smishing detection mobile application / O. N. Akande, O. Gbenle, O. C. Abikoye et al. // ICT Express. 2023. V. 9. No. 2. P. 168–176. DOI: 10.1016/j.icte.2022.05.009
12. Официальный телеграмканал Федеральной службы по надзору в сфере связи, информационных технологий и массовых коммуникаций [Электронный ресурс]. URL: https://web.archive.org/web/20240211225916/https://t.me/s/rkn_tg/868 (дата обращения: 28.08.2024).
13. Клячкин В. Н., Крашенинников В. Р., Куайскова Ю. Е. Прогнозирование и диагностика стабильности функционирования технических объектов. М.: РУСАЙНС, 2020. 200 с.
14. Санталов А. А. Особенности построения контрольных карт для обнаружения фрода при передаче голосового трафика // Автоматизация процессов управления. 2024. №2 (76). С. 117–123. DOI: 10.35752/1991-2927_2024_2_76_117
15. Клячкин В. Н. Модели и методы статистического контроля многопараметрического технологического процесса. М.: ФИЗМАТЛИТ, 2011. 196 с.
16. Санталов А. А. Алгоритм автоматической блокировки диапазонов мошеннических и спамовых телефонных номеров // Вестник Ульяновского государственного технического университета. 2023. №1 (101). С. 41–45.
1. Communications Fraud Control Association (CFCA): website. Telecommunications fraud increased 12 % in 2023, equating to an estimated $38.95 billion lost to fraud. Retrieved from https://web.archive.org/web/20231128152350/ https://cfca.org/telecommunications-fraud-increased-12-in-2023-equating-to-an-estimated-38-95-billion-lost-to-fraud/ (Accessed: 28.08.2024).
2. SEON: website. Telecommunications Fraud Detection and Prevention. Retrieved from https://web.archive.org/web/20231121132859/ https://seon.io/resources/telecommunications-fraud-detection-and-prevention/ (Accessed: 28.08.2024).
3. Krasotkin M. A., Shibaykin S. D. (2019). Algorithms for combating fraud in telecommunication systems. Materials of the XXII scientific-practical conference of young scientists, graduate students and students of the National Research Mordovian State University named after N. P. Ogarev. In 3 parts. Part 1, 148 – 151. Saransk: Natsional'niy issledovatel'skiy Mordovskiy gosudarstvenniy universitet im. N. P. Ogareva. [in Russian language]
4. Boldyrev S. N. (2010). Application of neural networks to combat telecommunications fraud. Vestnik rossiyskih universitetov. Matematika, (2), 715–718. [in Russian language]
5. Nguen T. A., Shcherbakov M. V., Chan V. F., Kravets A. G. (2016). Development of a method for proactive fraud detection of consumers of telecommunications company services. Prikaspiyskiy zhurnal: upravlenie i vysokie tekhnologii, 36(4), 43 – 52. [in Russian language]
6. Wahid A., Msahli M., Bifet A., Memmi G. (2023). NFA: A neural factorization autoencoder based online telephony fraud detection. Digital Communications and Networks, 10(1), 158 – 167. DOI: 10.1016/j.dcan.2023.03.002
7. Khripunov P. V., Minaev E. Y., Protsenko V. I. et al. (2019). Anomalies detection in social services data in the sphere of digital economy. Journal of Physics: Conference Series, 1368(5). DOI: 10.1088/1742-6596/1368/5/052045
8. Li S. L. (2020). Data mining of corporate financial fraud based on neural network model. Computer Optics, 44(4), 665 – 670. DOI: 10.18287/2412-6179-CO-656
9. Natarajan R., Ranjith C. P., Mohideen M. S. K. et al. (2024). Utilizing a machine learning algorithm to choose a significant traffic identification system. International Journal of Information Management Data Insights, 4(1). DOI: 10.1016/j.jjimei.2024.100218
10. Pudasaini Sh., Shakya A., Pandey S. P. et al. (2023). SMS spam detection using relevance vector machine. Procedia Computer Science, 230, 337 – 346. DOI: 10.1016/j.procs.2023.12.089
11. Akande O. N., Gbenle O., Abikoye O. C. et al. (2023). SMSPROTECT: An automatic smishing detection mobile application. ICT Express, 9(2), 168 – 176. DOI: 10.1016/j.icte.2022.05.009
12. Official telegram channel of the Federal Service for Supervision of Communications, Information Technologies and Mass Communications. Retrieved from https://web.archive.org/web/20240211225916/https://t.me/s/rkn_tg/868 (Accessed: 28.08.2024). [in Russian language]
13. Klyachkin V. N., Krasheninnikov V. R., Kuvayskova Yu. E. (2020). Forecasting and diagnostics of the stability of the functioning of technical objects. Moscow: RUSAYNS. [in Russian language]
14. Santalov A. A. (2024). Features of constructing control charts for detecting fraud when transmitting voice traffic. Avtomatizatsiya protsessov upravleniya, 76(2), 117 – 123. [in Russian language] DOI: 10.35752/1991-2927_2024_2_76_117
15. Klyachkin V. N. (2011). Models and methods of statistical control of a multiparameter technological process. Moscow: FIZMATLIT. [in Russian language]
16. Santalov A. A. (2023). Algorithm for automatically blocking ranges of fraudulent and spam phone numbers. Vestnik Ul'yanovskogo gosudarstvennogo tekhnicheskogo universiteta, 101(1), 41 – 45. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2025.02.pp.039-045
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2025.02.pp.039-045
and fill out the form
.
|
Архив номеров
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»