臺灣博碩士論文加值系統

本論文針對行動電話詐欺作出定義，研究詐欺者利用行動電話詐欺行為之原因，探討詐欺者之詐欺行為對行動電話業者所產生之影響，並且將國內外詐欺類型使用技術性及非技術性加以歸類。
本論文提出利用人工智慧加以輔助分析偵測結果，並進而提出行動電話詐欺管理流程、管理策略之建議，期能幫助行動電話業者能夠妥善管理詐欺行為，降低電信詐欺所帶來的營業額損失及呆帳情形，讓欲以行動電話當成犯罪途徑的詐欺者有所警惕。
本研究的分析結果顯示，以預測機率越高的預測方法將可疑名單進行排序，會得到更好的預測結果。本研究進一步發現若將兩種預測方式加以結合排序，會得到比使用單一種預測方法更佳的預測結果。故本研究證明以人工智慧輔助排序，再由客服人員針對可疑用戶名單進行訪談，的確可大幅提升電信詐欺管理的效能及效率。
最後本論文提出人工智慧輔助之詐欺行為分析模式。若電信業者能找出更多不同的詐欺類型，篩選出相同類型的用戶，套用詐欺行為分析模式使用人工智慧輔助排序，再將排序過後的結果交由客服人員進行訪談確認，對於行動電話業者減少損失的程度將更為可觀。

The study made a definition on mobile phone fraud management. The study analyzed on the reasons why those fraudsters want to take advantage of mobile phone fraud and discussion the influence of these fraud actions for mobile phone operators. The study also classified the national and international fraud categories by the usage of technical and non-technical.

The study addressed that use artificial intelligence to assist the results analysis. Fur-thermore, it addressed the process of fraud management, the suggestions for manage-ment strategy. We hope the study can help mobile phone operators to deal properly with fraud actions and reduce the profit lost and bad debts. It can also help to alert those fraudsters who want to crime by the way of mobile phone.

The study analysis result showed that via sorting the suspect list with high probability forecast could get the accurate result. From the study results, we can also found that via sorting these two combined forecasts would get accurate forecast than single one. Therefore, the study can prove that sorting by artificial intelligence first, then we can ask customer service staffs to interview with those suspect users. With these two steps, mobile phone operators can improve the competence and efficiency in fraud manage-ment.

In conclusion, the study addressed that fraud action modes analysis via artificial intelli-gence. If mobile phone operators could find out more different fraud categories, sift out same user categories, and then sorting these categories together with fraud action analy-sis modes and artificial intelligence. Pass those results for customer services staffs for further interview. Following up by the above process, mobile phone operators would reduce their profit lost substantially.

中文摘要　．．．．．．．．．．．．．．．．．．．．． iii
英文摘要　．．．．．．．．．．．．．．．．．．．．． iv
誌謝辭　　．．．．．．．．．．．．．．．．．．．．． v
內容目錄　．．．．．．．．．．．．．．．．．．．．． vi
表目錄　　．．．．．．．．．．．．．．．．．．．．． viii
圖目錄　　．．．．．．．．．．．．．．．．．．．．． ix
第一章　　緒論．．．．．．．．．．．．．．．．．．． 1
　　第一節　　研究動機．．．．．．．．．．．．．．． 1
　　第二節　　研究目的．．．．．．．．．．．．．．． 2
　　第三節　　研究範圍．．．．．．．．．．．．．．． 5
　　第四節　　研究限制．．．．．．．．．．．．．．． 6
　　第五節　　論文架構．．．．．．．．．．．．．．． 6
第二章　　行動電話電信詐欺介紹．．．．．．．．．．． 7
　　第一節　　行動電話電信詐欺定義．．．．．．．．． 7
　　第二節　　行動電話電信詐欺者的利益．．．．．．． 8
　　第三節　　電信詐欺對行動電話業者的影響．．．．． 10
　　第四節　　行動電話詐欺類型．．．．．．．．．．． 11
第三章　　行動電話詐欺管理．．．．．．．．．．．．． 26
　　第一節　　行動電話詐欺管理策略．．．．．．．．． 27
　　第二節　　行動電話服務詐欺管理偵測方法．．．．． 29
　　第三節　　行動電話詐欺管理流程建議．．．．．．． 32
　　第四節　　資料挖掘之簡介．．．．．．．．．．．．． 38
第四章　　研究架構與資料分析．．．．．．．．．．．． 51
　　第一節　　研究架構．．．．．．．．．．．．．．． 51
　　第二節　　研究資料準備．．．．．．．．．．．．．．． 53
　　第三節　　實驗資料分析．．．．．．．．．．．．． 59
　　第四節　　人工智慧分析．．．．．．．．．．．．． 61
第五章　　結論及未來研究．．．．．．．．．．．．．． 83
　　第一節　　結論．．．．．．．．．．．．．．．．． 83
　　第二節　　未來研究．．．．．．．．．．．．．．． 86
參考文獻　．．．．．．．．．．．．．．．．．．．．． 88
附錄 1　　測試資料列表．．．．．．．．．．．．．．．
91
附錄 2　　驗證資料列表．．．．．．．．．．．．．．．
101
附錄 3　　以客戶編號排序之客服訪談順序．．．．．．．
107
附錄 4　　以決策樹預測結果與客戶編號排序之客服訪談順

　　　　　序．．．．．．．．．．．．．．．．．．．． 111
附錄 5　　以貝氏機率預測結果與客戶編號排序之客服訪談

　　　　　順序．．．．．．．．．．．．．．．．．．． 115
附錄 6　　以貝氏機率預測結果、決策樹與客戶編號排序之

　　　　　客服訪談順序．．．．．．．．．．．．．．． 119
附錄 7　　以客戶當月總金額排序之客服訪談順序．．．．
123
附錄 8　　以決策樹預測結果與客戶當月總金額排序之客服

　　　　　訪談順序．．．．．．．．．．．．．．．．． 127
附錄 9　　以貝氏機率預測結果與客戶當月總金額排序之客

　　　　　服訪談順序．．．．．．．．．．．．．．．． 131
附錄10　　以貝氏機率預測結果、決策樹預測結果與客戶當

　　　　　月總金額排序之客服訪談順序．．．．．．．． 135
附錄11　　以類神經網路預測結果與客戶當月總金額排序之

　　　　　客服訪談順序．．．．．．．．．．．．．．． 139
附錄12　　以類神經網路、貝氏機率、決策樹預測結果與客

　　　　　戶當月總金額排序之客服訪談順序．．．．．． 143

台灣固網：付費語音資訊服務(2006)，http://www.tfn.net.tw/ 4243.asp。
台灣微軟SQL Server 2005 線上叢書，Microsoft 貝氏機率分類演算法(2006)，http://msdn2.microsoft.com/zh-tw/ library/ms174806.aspx
電信經營業者的痛-電話盜撥(1998, November)，台灣通訊雜誌，92-95。
黃德輝(2002)，有線電話通話異常偵測系統之建置，國立中央大學。
鄭富山(2001)，應用資料探勘偵測電信資料異常之研究，輔仁大學。
秉昱科技(2001)，模糊邏輯與類神經模糊在商業和財政的應用(2版)，著者發行。
Compaq Solution for Fraud Management. (2001). Compaq Computer Corporation.
David West. (2000, July). Battle Tactics -Fighting Fraud with Common Sense, Telecom Business Magazine, http://www.equinoxis.com/battle-tactics.html.
Fawcett T. & Provost F.. (1997). Adaptive fraud detection, Data Mining and Knowledge Discovery, vol. 1(3), pp. 291-316,.
Fraud Primer. (2002, November). Cerebrus Solutions Limited, Issue 2.3, p. 6.
Håkan Kvarnström, Emilie Lundin, & Erland Jonsson. (2000, October). Combining fraud and intrusion detection - meeting new requirements, Proceedings of the fifth Nordic Workshop on Secure IT systems (NordSec2000), Reykjavik, Iceland.
Jiawei Han & Micheline Kamber. (2001). So, What Is Data Mining?, Data Mining – Concepts and Techniques, Morgan Kaufmann. pp. 5-8.
Michael Collins. (1999). Telecommunications Crime – Part 1, Computers & Security, pp. 577-586.
Michael Collins. (1999). Telecommunications Crime – Part 2, Computers & Security, pp. 683-692.
Michael Collins, (2000). Telecommunications Crime – Part 3, Computers & Security, pp. 141-148.
Michael H. Cahill, Diane Lambert, Jos´e C. Pinheiro, & Don X. Sun. (2002). Detecting Fraud In The Realworld, Handbook of Massive Data Sets (Massive Computing, 4), Kluwer Academic Publishers. pp. 911-929.
Results of Worldwide Telecom Fraud Survey. (2003, March). Communications Fraud Control Association. http://www.cfca.org/pressrelease/Fraud-Loss%20%20press%20release%203-03.doc.
Wong K.. (1996 November). Mobile Phone Fraud - Are GSM Networks Secure?. Computer Fraud and Security Bulletin, pp. 11-18.