欺詐是蜂窩網(wǎng)絡市場中的一個大問題，而機器學習可能會是解決這個問題的一個全新方案。通信欺詐控制協(xié)會（CFCA）的2015年全球欺詐損失調(diào)查（2015 Global Fraud Loss Survey）顯示，對蜂窩網(wǎng)絡的欺詐性使用讓整個行業(yè)一年的損失大概是380億美元。

CFCA表示，欺詐者使用包括PBX黑客、訂閱欺詐、經(jīng)銷商欺詐、服務濫用和賬戶接管等方法盜竊服務供應商。

卡內(nèi)基.梅隆大學的電子及計算機工程系副研究教授及智能和高性能系統(tǒng)實驗室主任Ole J. Mengshoel表示，目前業(yè)內(nèi)的欺詐監(jiān)測方法依賴于預先設置量和頻率閥值的靜態(tài)規(guī)則。

Mengshoel撰寫了一篇關于該主題的研究論文，他在論文中寫道，“這意味著他們只能監(jiān)測符合已知特征的欺詐類型。”他表示，“欺詐專家不斷努力工作以發(fā)現(xiàn)新的欺詐類型，但是現(xiàn)代網(wǎng)絡攻擊發(fā)展的速度遠比分析人員編寫監(jiān)測欺詐規(guī)則的速度要快。”

自適應人工智能（AI）和機器學習能夠幫助彌補這些弱點，并減少蜂窩服務市場中的欺詐行為。

Mengshoel表示，“Facebook、谷歌和LinkedIn之類的創(chuàng)新者率先使用大數(shù)據(jù)和機器學習等方法來保護他們的訂閱用戶，并獲得洞察力。” Mengshoel表示，“新的機器學習方法建立在這樣一種看法之上：只有使用大規(guī)模采用機器學習才能夠?qū)崟r監(jiān)測出異常狀況。”

Mengshoel表示，監(jiān)管和非監(jiān)管機器學習的結(jié)合讓分析大量數(shù)據(jù)并向欺詐分析人員發(fā)出警報的時間縮短到了幾秒之內(nèi)。市場上已有的產(chǎn)品結(jié)合了大數(shù)據(jù)的深度包檢測、監(jiān)管和非監(jiān)管機器學習以實時完成針對欺詐、異常流量和其他網(wǎng)絡行為網(wǎng)絡分析。

Mengshoel表示，“它們實時的測試將成就那些能夠完成數(shù)據(jù)平面以及語音網(wǎng)絡的網(wǎng)絡分析的供應商。流量越來越多，因此也有越來越多的欺詐發(fā)生在數(shù)據(jù)平面上。”

卡內(nèi)基.梅隆大學和Argyle Data（一家為移動供應商提供大數(shù)據(jù)/機器學習分析技術的供應商）的研究報告介紹了如何利用實時異常監(jiān)測實現(xiàn)近乎實時的欺詐識別。

這份報告展示了當前的解決方案在解決數(shù)據(jù)平面上的問題是如何無能為力，以及為什么獲得數(shù)據(jù)使用特征的可見性在未來將是至關重要的。因為大量的數(shù)據(jù)流經(jīng)電信網(wǎng)絡，大數(shù)據(jù)分析的能力以及使用高級機器學習分析這些數(shù)據(jù)的能力至關重要。

在他們的研究中，Mengshoel和合著者David Staub——Argyle Data的一位數(shù)據(jù)科學家——驗證了一種監(jiān)管和非監(jiān)管的基于機器學習的方法，這種方法能夠自動學習如何根據(jù)使用數(shù)據(jù)區(qū)分正常和異常呼叫模式。

欺詐解決方案不會很快就出現(xiàn)。正如論文中所指出的那樣，對蜂窩網(wǎng)絡的欺詐或不可接受的使用對網(wǎng)絡用戶和運營商來說，都是越來越嚴重的威脅，而且欺詐方式還在不斷地發(fā)展變化。在這種環(huán)境下，該報告指出，需要一種復雜的、自適應的方法來識別犯罪活動。