
大数据支持反诈骗进入全民时代
近年来国家对电信网络诈骗的打击力度越来越大。尤其是2015年开始,公安部、工信部、最高法等23个部门和单位,联合建立组成打击治理电信网络新型违法犯罪工作部际联席会议制度,开启了联合防治新阶段。
2016年以腾讯为代表的互联网企业发起“守护者计划”,集产业之力、结合技术手段对电信诈骗进行预防和打击;2017年《网络安全法》等法律法规开始实施,从立法角度加大对个人信息保护力度,并对诈骗分子的惩治提供了依据。
8月4日,腾讯“守护者计划”发布了《2017年第二季度电信网络诈骗大数据报告》(下称《报告》),数据显示,今年二季度,电信网络诈骗造成经济损失近50亿元,其中单笔案件最高金额达700万元。
这些只是针对报案数据的统计,据调研,被骗之后64%的人选择隐忍,所以实际损失金额要高于上面的数字。一个季度的时间,诈骗电话拨打近3亿次,收到诈骗短信人数达671万人,在这个社会性“毒瘤”面前,每个人都不能置身事外,即使我们没有被骗,我们的亲人和朋友呢?
更值得注意的是,《报告》结合2017年上半年八大典型案例,分析了电信网络诈骗的新趋势:一是团队化,成员之间分工协作,职能涵盖开发制作、运营推广、诈骗实施等不同环节。二是技术化,黑客攻击、AI破解、游戏辅助工具病毒勒索等,诈骗分子的作案手段越来越高超。三是潮流化,微信公众号、网络直播、《王者荣耀》游戏都成为诈骗分子的作案领域。
相对于传统诈骗,新趋势下,作案隐蔽更强、破坏更大、破案更难,需要公安机关联合运营商、互联网公司等联合治理,更需要基于AI、云计算、大数据等先进技术进行分析和判断,再进行全网打击。
基于大数据的全民反诈骗时代到来
《报告》还显示,“在诈骗电话、短信双双减少的情况下,第二季度诈骗电话标记次数1940万次,环比增加19.9%。可见,用户防电信网络诈骗意识正逐步增强。”
个人标注诈骗电话的简单动作,就能够反诈骗?实际上,无论是诈骗电话、短信还是通过钓鱼网址、外挂软件等,只要电信诈骗分子实施诈骗行为,必然会留下作案和痕迹,而这些都将成为大数据的一部分,将成为他们被抓捕的线索和有利证据。
数据越多,大数据分析技术越强,对于电信诈骗的预防、发现和打击越有利。这不仅要求公安机关、运营商、银行等联合起来,将大数据集中,形成合力。更需要越来越多的人对诈骗电话、短信、网址进行标记,以及对一些诈骗行为进行反馈,甚至针对诈骗问题的咨询,都可以成为反诈骗的大数据。
腾讯手机管家等安全软件允许用户标记诈骗电话号码,用户标记后的恶意电话号码会汇集到腾讯安全云库。当其他用户接听被标记的诈骗电话时,腾讯手机管家会提醒“XXXXXXX诈骗电话,已被XX人标记”,帮助用户精准识别,以免上当受骗。据了解,腾讯安全云库每天对8000万电话号码进行识别,每天拦截3000万次欺诈骚扰电话、4000万垃圾信息,实现行业领先的98%的骚扰拦截率。
当每个人都参与到其中,每一次行动的数据都是亿级的,这些数据将发挥更多的价值,对于反诈骗将会更有效。每个人的力量是弱小的,但是在大数据技术的加持下,千万上亿的个人力量,将成为对犯罪分子最大的威慑。
联合打击电信网络诈骗模式解决了诸多大案要案,能够治标;全民防诈骗意识提升,每个人随手反诈骗,才能够治本。“你一个随手的举动,可能就会拯救到无数人群,包括你的家人、朋友。”此前在8月2日举办的“2017守护者计划”线下活动中,一些行业人士现场发出呼呼。无论是出于对社会的责任之意,还是出于对家人的守护之心,我们每个人都需要做一个行动派,共同反电信网络诈骗。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10