[发明专利]一种用于识别诈骗短信的深度学习算法

说明书

技术领域

本发明涉及信息安全领域，尤其是涉及一种用于识别诈骗短信的深度学习算法。

背景技术

手机已经是人们生活起居必备的工具，在这种情况下利用短信诈骗的事情数不胜数，而且还有进一步扩大的势头。

目前针对诈骗短信，国内知名安全手机厂商基本都是利用数据库进行简单的对比，或者是采用了简单的机器学习算法来识别诈骗短信，基本上没有采用深度学习的方法来识别诈骗短信，而目前的手机防诈骗算法简单，并不能有效的保护用户。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种具有高拓展性、算法模块化、更能挖掘潜在特征的用于识别诈骗短信的深度学习算法。

本发明提供了一种用于识别诈骗短信的深度学习算法，包括深度学习模块、交互模块、预处理模块和比较模块，所述交互模块将获取的短信发送至所述预处理模块，所述预处理模块提取短信的特征向量，所述深度学习模块根据样本集形成深度学习模型，所述比较模块比较短信的特征向量与所述深度学习模型，所述比较模块将比较结果发送至所述交互模块，所述交互模块将比较结果反馈给使用者，所述短信包括短信文本和/或URL。

进一步地，所述深度学习模型包括短信文本深度学习模型和/或URL深度学习模型。

进一步地，所述短信文本深度学习模型的形成过程包括所述预处理模块提取短信的短信文本为特征向量，所述深度学习模块将短信文本特征向量导入DBN中形成短信文本深度学习模型。

进一步地，所述URL深度学习模型的形成过程包括所述预处理模块提取短信的URL为特征向量，所述深度学习模块将URL特征向量导入DBN中形成URL深度学习模型。

进一步地，所述预处理模块提取短信的特征向量包括短信文本特征向量和/或URL特征向量。

进一步地，所述短信文本特征向量的形成方式为，所述预处理模块将短信文本分离，将分离得到的所述短信文本导入Woed2vec中导出得到短信文本特征向量。

进一步地，所述URL特征向量的形成方式为，所述预处理模块将URL分离，将分离得到的URL利用提取规则得到URL特征向量。

进一步地，所述比较模块比较短信的特征向量与所述深度学习模型，包括比较短信文本特征向量与短信文本深度学习模型和/或URL特征向量与URL深度学习模型。

进一步地，比较短信文本特征向量与短信文本深度学习模型时，将所述短信文本特征向量导入所述深度学习模块的短信文本深度学习分类器，分类之后的结果与所述深度学习模块设定的阈值比较，并反馈结果给交互模块。

进一步地，比较URL特征向量与URL深度学习模型时，将所述URL特征向量导入所述深度学习模块的URL深度学习分类器，分类之后的结果与所述深度学习模块设定的阈值比较，并反馈结果给交互模块。

与现有技术相比，本发明的有益效果是：本发明具有高可拓展性，通过将算法模块化，对各部分神经网络模块化处理；算法可靠性，采用深度学习算法，自动学习语句特征，相比浅层算法更能挖掘潜在特征。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明一种优选实施例的模块示意图；

图2是本发明一种优选实施例的短信文本深度学习模型生成流程示意图；

图3是本发明一种优选实施例的URL深度学习模型生成流程示意图；

图4是本发明一种优选实施例的短信文本特征向量与短信文本深度学习模型比较流程示意图；

图5是本发明一种优选实施例的URL特征向量与URL深度学习模型比较流程示意图。

具体实施方式

以下结合附图对本发明涉及的一种用于识别诈骗短信的深度学习算法的优选实施例做了详细描述，但本发明并不仅限于该实施例。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节。

实施例1：

如图1所示，本发明提供了一种用于识别诈骗短信的深度学习算法，包括深度学习模块、交互模块、预处理模块和比较模块，交互模块将获取的短信发送至预处理模块，预处理模块提取短信的特征向量，深度学习模块根据样本集形成深度学习模型，比较模块比较短信的特征向量与深度学习模型，比较模块将比较结果发送至交互模块，交互模块将比较结果反馈给使用者，短信包括短信文本和/或URL。

深度学习模型包括短信文本深度学习模型和/或URL深度学习模型。