Automated Spam Call Traceback: Two Efficiency Enhancement Approaches
Notice bibliographique
Résumé
Spam calls have been a persistent issue, leading to significant economic and social harm. Spam call traceback is a crucial measure to combat spam calls by identifying fraudsters and holding problematic providers accountable. An automated spam call traceback method, i.e., Jager, was proposed to address low efficiency issues of manual traceback. However, apart from complex cryptographic operations, it requires traceback authority (TA) to generate a call label for every call, and all the call detail records (CDRs) are required to be stored at a central server. These generates very high and unnecessary traffic and computation loads. In this paper, we first investigate a simple automated spam call traceback method, namely distributed CDR sharing (DCS).With this method the carriers grant access of their local CDRs to an automated call traceback center (ACTC). The ACTC only accesses the CDRs for reported spam calls via secure APIs. The call path can be automatically reconstructed to locate the spam call origins. As non-cooperative carriers (such as legacy and malicious carriers) may break the traceback automation, we propose an enhanced automated spam call tracing (ASCT) method to address the issue. ASCT uses locally stored chained CDR blocks for mutual verification between carriers. Only when non-cooperative carriers are encountered, copies of CDRs are send to a central CDR server to help mitigate the impact of the non-cooperative carriers. The proposed methods are evaluated and compared to the manual and Jager methods. Experiment results show that the proposed methods are very efficient and scalable, while achieving a similar level of security performance to that of the manual method. Under the condition of all cooperative carriers, full call tracing automation can be achieved without generating any traffic to the central CDR server.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».