ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ВЫЯВЛЕНИЯ И БЛОКИРОВКИ МОШЕННИЧЕСТВА В СФЕРЕ ТЕЛЕКОММУНИКАЦИЙ
Том 4 № 8 (2026): Центральноазиатский журнал академических исследований 30-37
Аннотация
Статья посвящена анализу основных типов мошенничества, характерных для телекоммуникационной отрасли (IRSF, SIM-box, wangiri-звонки, подмена SIM-карты, CLI-спуфинг), и применению искусственного интеллекта и машинного обучения для их выявления и блокировки. Данные международных отраслевых организаций (CFCA, GLF) свидетельствуют, что в 2023 году глобальные потери операторов от мошенничества достигли 38,95 млрд долларов США, а по последним оценкам этот показатель вырос до 41,82 млрд долларов США. В работе выполнено сравнение показателей качества различных моделей: от правило-ориентированных систем, где полнота обнаружения не превышает 40%, до гибридных решений на базе Random Forest с точностью 92,3% и графовых нейронных сетей, обнаруживающих до 85% мошеннических сетей SIM-карт. Установлено, что переход от классических правил к моделям ИИ повышает полноту обнаружения на 45-50 процентных пунктов и одновременно сокращает долю ложных срабатываний в 3-6 раз. Заключительная часть статьи посвящена ключевым проблемам отрасли - дисбалансу данных, интерпретируемости моделей, адаптивности мошеннических схем - и перспективным направлениям дальнейших исследований.
Ключевые слова:
Библиографические ссылки
Communications Fraud Control Association. Global Fraud Loss Survey 2023. CFCA, 2024. URL: https://cfca.org/telecommunications-fraud-increased-12-in-2023-equating-to-an-estimated-38-95-billion-lost-to-fraud/
Koli D. H., Limbhare S. B., Nikum M. V. AI-Driven SIM Card Fraud Detection System // International Journal of Advanced Research in Computer and Communication Engineering (IJARCCE). 2025. Vol. 14, No. 10. P. 216-221. DOI: 10.17148/IJARCCE.2025.141033
National Anti-Fraud Platform. Technology for Secure Collaboration & Compliance: GLF Fraud Report 2024 statistics. AB Handshake, 2025. URL: https://abhandshake.com/community/telecom-fraud-prevention-solution/
TheStreet. The $41 Billion Telecom Fraud Secret. TheStreet, 2026. URL: https://www.thestreet.com/technology/the-41-billion-telecom-fraud-secret
Djomadji E. M. D., Basile K. I., Christian T. T., Djoko F. V. K., Sone M. E. Machine Learning-Based Approach for Identification of SIM Box Bypass Fraud in a Telecom Network Based on CDR Analysis: Case of a Fixed and Mobile Operator in Cameroon // Journal of Computer and Communications. 2023. Vol. 11, No. 2. DOI: 10.4236/jcc.2023.112010
Terzi D. S., Sağıroğlu Ş., Kılınç H. Telecom Fraud Detection with Big Data Analytics // International Journal of Data Science. 2021. Vol. 6, No. 3. P. 191. DOI: 10.1504/ijds.2021.121090
Krasić I., Čelar S. Telecom Fraud Detection with Machine Learning on Imbalanced Dataset // 2022 International Conference on Software, Telecommunications and Computer Networks (SoftCOM). IEEE, 2022. P. 1-6.
Yehya B. A., Salhab N. Telecommunications Fraud Machine Learning-based Detection // 2023 4th International Conference on Data Analytics for Business and Industry (ICDABI). IEEE, 2023. P. 656-661. DOI: 10.1109/ICDABI60145.2023.10629612
Subex. Telecom Fraud in 2026: Types, Emerging Risks & How AI-First Prevention Stops Revenue Leakage. Subex, 2026. URL: https://www.subex.com/article/telecom-fraud-in-2026-types-emerging-risks-how-ai-first-prevention-stops-revenue-leakage/
Banu V. Real-Time Fraud Detection in Telecom Charging Systems Using AI // International Journal of Emerging Trends in Computer Science and Information Technology (IJETCSIT). 2025. P. 571-582. DOI: 10.56472/ICCSAIML25-163
Kumo AI. SIM Fraud Detection: Telecom AI Use Case. Kumo AI, 2025. URL: https://kumo.ai/solutions/industries/telecom/fraud-detection/
Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5-32. DOI: 10.1023/A:1010933404324
География читателей
Загрузки
Опубликован
Выпуск
Раздел
Как цитировать
