用于预防电信诈骗的装置和方法与流程

本发明涉及机器学习技术领域，更具体地涉及一种预防电信诈骗的装置和方法。

背景技术：

机器学习(Machine Learning，ML)是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

电信诈骗作为近几年新兴的一种诈骗方式，人为预防往往需要有一定的科学素养和较高的警觉意识，其层出不穷的新手段往往令人防不胜防。

技术实现要素：

有鉴于此，本发明的目的在于提供一种用于预防电信诈骗的装置和方法，对接收到的信息进行智能分析和判断，以期降低电信诈骗的作案成功率。

为实现上述目的，作为本发明的一个方面，本发明提供了一种用于预防电信诈骗的装置，包括：信息接收模块，用于对接收和存储外部信息；特征分析模块，用于通过机器学习，判断所述外部信息是否具有与电信诈骗相关的特征；以及决策模块，用于综合所述特征分析模块中得到的判断信息，分析所述外部信息是否构成电信诈骗。

优选的，所述特征分析模块包括至少一个特征分析子模块，所述特征分析子模块包括神经网络加速器和人工神经网络，判断接收到的信息是否具有与电性诈骗相关的特征。

优选的，所述特征分析模块包括语音分析子模块、图像分析子模块和/或文字分析子模块。

优选的，所述信息接收模块包括：接收单元，用于接收外部信息；和储存单元，用于储存所接收的外部信息。

优选的，所述决策模块配置为连接至人工神经网络，并且所述决策模块与每一个特征分析子模块连接，用于根据特征分析子模块的输入，输出得到最终是否为电信诈骗的判断。

根据本发明的另一方面，提供一种用于预防电信诈骗的方法，包括步骤：

S1：接收和储存外部信息；

S2：通过机器学习，判断所述外部信息是否具有与电信诈骗相关的特征；以及

S3：综合步骤S2的所述判断，分析所述外部信息是否构成电信诈骗。

优选的，步骤S2中通过至少一个特征分析子模块判断接收到的信息是否具有与电性诈骗相关的特征，并且每个特征分析子模块配置为通过神经网络加速器和人工神经网络进行判断。

优选的，步骤S2中，所述特征包括语音、图像和文字，对应的所述至少一个特征分析子模块包括语音子模块、图像子模块和文字子模块。

优选的，步骤S3中，通过神经网络加速器和人工神经网络综合步骤S2的判断，分析外部信息是否构成电信诈骗。

通过上述技术方案可知，本发明的有益效果在于：

(1)本发明的装置通过对机器学习等理论的应用，实现了对接收到的信息是否为电信诈骗或其可信度的智能判断，提高了判断效率和判断结果的准确性；

(2)本发明的每个特征分析子模块通过人工神经网络负责某一个特征的判断，并将判断结果传递给决策模块，提高判断的准确性和科学性；

(3)本发明通过在决策模块中也采用人工神经网络，通过神经网络这种自适应的学习系统，对分析结果进行最优的整合。

附图说明

图1为根据本发明一实施例的用于预防电信诈骗的装置的整体结构示例框图；

图2为根据本发明一实施例的用于应用图1装置预防电信诈骗的运算流程图。

具体实施方式

在本说明书中，下述用于描述本发明原理的各种实施例只是说明，不应该以任何方式解释为限制发明的范围。参照附图的下述描述用于帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。下述描述包括多种具体细节来帮助理解，但这些细节应认为仅仅是示例性的。因此，本领域普通技术人员应认识到，在不背离本发明的范围和精神的情况下，可以对本文中描述的实施例进行多种改变和修改。此外，为了清楚和简洁起见，省略了公知功能和结构的描述。此外，贯穿附图，相同参考数字用于相似功能和操作。

根据本发明的基本构思，提供一种用于预防电信诈骗的装置，包括：

信息接收模块，用于对接收和存储外部信息；

特征分析模块，用于通过机器学习，判断所述外部信息是否具有与电信诈骗相关的特征；以及

决策模块，用于综合所述特征分析模块中得到的判断信息，分析所述外部信息是否构成电信诈骗。

作为优选，所述特征分析模块包括至少一个特征分析子模块，所述特征分析子模块包括神经网络加速器和人工神经网络，判断接收到的信息是否具有与电性诈骗相关的特征。

作为优选，所述特征分析模块包括语音分析子模块、图像分析子模块和/或文字分析子模块。

作为优选，所述信息接收模块包括：接收单元，用于接收外部信息；和储存单元，用于储存所接收的外部信息。

作为优选，所述决策模块配置为连接至人工神经网络，并且所述决策模块与每一个特征分析子模块连接，用于根据特征分析子模块的输入，输出得到最终是否为电信诈骗的判断。

基于同一发明构思，本发明实施例还提供一种用于预防电信诈骗的方法，包括步骤：

S1：接收和储存外部信息；

S2：通过机器学习，判断所述外部信息是否具有与电信诈骗相关的特征；以及

S3：综合步骤S2的所述判断，分析所述外部信息是否构成电信诈骗。

其中，在步骤S2中通过至少一个特征分析子模块判断接收到的信息是否具有与电性诈骗相关的特征，并且每个特征分析子模块配置为通过神经网络加速器和人工神经网络进行判断。

另外，在步骤S2中，所述特征包括语音、图像和文字，对应的所述至少一个特征分析子模块包括语音子模块、图像子模块和文字子模块。

而且，在步骤S3中，通过神经网络加速器和人工神经网络综合步骤S2的判断，分析外部信息是否构成电信诈骗。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。通过以下详细描述，本发明的其它方面、优势和突出特征对于本领域技术人员将变得显而易见。

具体实施例：

根据本发明实施例实现的用于预防电信诈骗的装置，可以对接收的电子信息进行智能分析和判断，用以降低电信诈骗的作案成功率。

通过对人工神经网络相关理论的应用，在每个特征分析子模块中，使用专用的神经网络加速器及合适类型的人工神经网络(如CNN(卷积神经网络)、RNN(循环神经网络)等)，判断信息是否具有相应的特征；然后在决策模块中，依然采用人工神经网络的方法，将每个特征分析子模块的结果作为神经网络的输入，输出得到对该信息是否为电信诈骗的最终判断。

图1为根据本发明一实施例的用于预防电信诈骗的装置的整体结构示例框图。如图1所示，该装置包括信息接收模块A、特征分析模块B和决策模块C，其中特征分析模块B分为各个特征分析子模块1到n，n为特征分析子模块的个数。所有模块均可通过硬件电路实现。

其中，信息接收模块A可以包括接收单元和缓存单元。接收单元和缓存单元分别用于接收和存储外部的待判断信息(也即外部信息)，其包括声音、文字和图像等。该模块可以将数据传递给特征分析模块B。

特征分析模块B分为特征分析子模块1到n。在该模块中，使用GPU(Graphics Processing Unit，图形处理器)或专用神经网络加速器(对应硬件)及合适类型的人工神经网络(如CNN、RNN等)(对应软件)，判断接收到的信息是否具有与电信诈骗相关的各个特征——如该语音信息中的声音是人类发声还是机器发声，是否出现了疑似诈骗者音频的某些波形；图像信息中的图片有无IND(intruding data，侵入数据)，用以判别图像是否经过修图软件的处理；文字信息中的语句是否包含某些特定字词等等。每个特征分析子模块负责某一个特征的判断，并将判断结果传递给决策模块C。

需要说明的是特征分析子模块实用的判断算法不仅限于人工神经网络，使用的硬件也不仅限于神经网络加速器，比如用普通的GPU也可以实现本发明。

决策模块C中，也可以应用人工神经网络，将每一个从特征分析子模块中得到的结果作为输入分量(具有相应的特征，该分量为1，否则为0)，输出得到最终是否为电信诈骗的判断(是电信诈骗，输出为1，否则为0)。该模块本质是将特征分析模块B中得到的各个判断结果，通过神经网络这种自适应的学习系统，进行最优的整合。

在本实施例中，决策模块C中的算法本质上是做一个加权平均值。特征分析模块B中已经用神经网络或其他机器学习的方法得到了在某个细节或者某个方面的判断，即各个特征分析子模块得到的结果。决策模块C是对这些结果做一个综合的考虑，即给每个方面的判断都分配一个权重，(权重大的结果对最终判断的影响就大)，然后做加权平均，最后拿这个加权平均值和预设的阈值比较，根据比较结果来最终得到是否为电信诈骗的结论。其核心在于——分配权重。所以，可以将这些权重和人工神经网络的权值对应起来，各个特征分析子模块得到的结果作为输入，最终判断对应输出。根据带标签的训练数据，训练这个神经网络，得到权值，即得到这些权重。采用人工神经网络的优点在于其自适应性，可以根据训练数据，逐步自主调节参数。采用神经网络得到权重一是比较方便，二是精度能得到保障。

图2为根据本发明一实施例的用于应用图1所述装置预防电信诈骗的运算流程图。

步骤S1，信息接收模块A中，接收单元从外部接收待判别信息，其包括声音、文字和图像等，并将原始信息存储于缓存单元中；

步骤S2，信息接收模块A的缓存单元将数据传递给各个特征分析子模块1到n，n为特征分析子模块的个数，取值为自然数，各个特征分析子模块通过GPU或专用神经网络加速器及人工神经网络，判断该信息是否具有相应的特征，并将其判断结果传递给决策模块C；

步骤S3，决策模块C应用人工神经网络整合从特征分析模块B中得到的结果，最终判断该信息是否为电信诈骗。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。