京公网安备 11010802034615号
经营许可证编号:京B2-20210330
网络骗子地图背后:大数据更加接地气
春节的气氛越来越浓了,微信与支付宝间热热闹闹的红包大战虽然满是硝烟味,但也充满了浓浓的喜庆气息。另一边,是红彤彤的年货大促销,淘宝、京东等电商们抓紧这个难得的购物小高峰进行促销……
喜庆的过年气氛下也暗流涌动,每年春节前是治安的高危季,这个时期我到地铁站的时候总是下意识捂紧腰包,深怕被什么人盯上。在网上,也是诈骗频发,已经传出有的红包链接里面藏着钓鱼网站,有的低价促销链接通向的是诈骗网站。
昨天,有个朋友在微信上发来一个链接,点开一看大开眼界,竟然叫做《中国网络骗子地图》,360将对钓鱼网站和骚扰电话的拦截在神州大地上实时动态展现出来,非常直观。经过了解,原来是360将360安全卫士网盾对钓鱼网站实时拦截数据和手机卫士对诈骗短信、垃圾短信的拦截数据相结合,将安全大数据可视化的展现。
这堪称是中国首个网络骗子地图,一鲨认为,这是一件功德无量的事情。因为现在互联网和移动互联网这么普及,已经深入到我们生活的方方面面,无论购物、理财、购票等等都是在网上完成。这种情况下,网络诈骗对我们的伤害是很大的。最近这一年,光是用户信息泄露就频繁发生,用户的购物网站账户或者金融理财账户一旦被不法分子进入,损失巨大。
我一直认为,网络安全是全社会的事情,除了网络安全厂商之外,也需要包括用户、政府等所有相关方的共同努力。对于用户来说,现在因为网络安全软件的防护,很多诈骗被拦截,很多用户并未亲身感受到安全威胁,这种对安全不闻不问的情况反而更加可怕。网络骗子地图用非常形象化的方式,让人们了解到了网络安全的严峻形势,等于是对用户做了网络安全意识的教育。
例如,我在网络骗子地图上看到,2月9日截止到晚上10点,全国有超过2400万的钓鱼网站被拦截,有超过7100万骚扰电话被拦截。在钓鱼网站中,既有假金融理财,也有假淘宝、假京东,还有假网游、假中奖;在骚扰电话中,有诈骗电话,有广告推销,有响一声等类型。看着红点在全国不同地方交替出现,真的很触目惊心,也让我们提高警惕,加强安全意识。
我专门求教了大数据专家,据说,网络骗子地图这种将大数据可视化的方式并非易事。大数据可视化是运用技术手段,将机器语言进行翻译、梳理,展现出来,这不仅意味着需要较强的技术能力,也意味着数据量一定要大,这个网络骗子地图就是依托了360在5亿PC用户和7亿手机用户的安全大数据。
而且,大数据可视化意味着对诈骗的拦截是近乎实时级的,据了解,在去年双十一期间,360调配大量人力对那时候急剧上升的购物钓鱼网站进行拦截,当时识别拦截速度达到了分钟级。我听说有个好玩的事情,是说有的骗子刚刚做出钓鱼网站就立刻被360拦截,非常气愤,于是在钓鱼网址后面加上了qunimade360,这个我就不解释了,你懂得。
还有,这种大数据的可视化方式对于实际的网络安全也是有帮助的。它可以直观的看到哪些省份安全形势比较严重,可以看到哪些诈骗方式多发,由此可以在相应的地方进行加强。例如,今天在钓鱼网站上,广东、福建和广西是拦截次数最多的三个省份,这说明这三个省份的诈骗比较多发,为什么都是南方的省份呢?我记得看过一个报告,说去年钓鱼网站和骚扰电话都是广东最多,不知道是什么原因。对于360来说,可以调集资源对诈骗多发的省份进行强力拦截,其他省份不受影响,既能保证诈骗省份多发省份的上网安全,又不打扰其他省份上网。
大数据是这几年最热门的技术了,不过最大的问题是比较玄奥,不接地气。将大数据可视化的实时呈现出来,是大数据走下神坛,贴近用户的好事情。从360的网络骗子地图这个东西来看,大数据真的可以是非常贴地气的,也可以实实在在给用户带来帮助。
当然,大数据不仅仅是对过去的数据进行分析,以及对现在的数据进行呈现,最厉害的大数据应该是对未来的数据进行预测。比如,网络骗子地图如果能够对未来的诈骗地域、诈骗领域进行预测,对用户发出预警,就更加能保障用户的安全。
可以预计,未来会有越来越多的公司将大数据可视化,让大数据更加接地气,更加能为用户转化为价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20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