|
|
|
|
Es gibt einige naheliegende Indikatoren für den Missbrauch einer Telefonkennung, wie z. B. geleichzeitiges telefonieren oder Telefonate in kurzem zeitlichem Abstand von weit auseinanderliegenden Orten aus (" Geschwindigkeitsindikatoren"). Solche Indikatoren sind als hinreichende Bedingungen verhältnismäßig zuverlässig, treten aber nur auf, wenn eine Kennung (von beiden Telefonen aus) viel und zu ähnlichen Tages- bzw. Wochenzeiten genutzt wird. (Sie treten also nicht notwendigerweise bei Missbrauch auf.) In vielen Fällen, in denen sich die Nutzung nicht überlappt, ist es deshalb nur schwer möglich, ohne Kenntnis des Verhaltens der Nutzenden Missbräuche zu erkennen.
Direktes Anweden eines der bisher besprochenen Lernalgorithmen auf alle Datensätze verspricht also nur für die wenigen hinreichenden Bedingungen des Missbrauchs erfolgreich zu sein. Wenn es darum geht, Missbrauch daran zu erkennen, dass sich das Nutzungsverhalten ändert, kann man nicht erwarten, dass sie sonderlich erfolgreich sind, da verschiedene Nutzende natürlich sehr unterschiedliches Verhalten zeigen können. Zudem sollten falsche Alarme vermieden werden, wenn die legalen Nutzenden ihr Verhalten ändern. Es muss also darum gehen, das Verhalten der einzelnen Nutzenden so gut zu charakterisieren (z. B. durch Profile), dass Abweichungen, die durch Missbrauch verursacht sind, bemerkt werden können, andererseits sollte die automatische Erkennung nicht so empfindlich sein, dass sie bei "normalen" Verhaltensänderungen bereits einen Missbrauch meldet.
Wollte man die Datensätze für jede einzelne Kennung als separate Beispielmenge eines Lernproblems betrachten, bräuchte man für jede Kennung auch Missbrauchsdaten, die ja aber gerade nicht vorliegen, solange der Missbrauch von den Nutzenden nicht erkannt wurde. Wenn er erkannt wurde, wird die automatische Erkennung allenfalls für den nächsten Missbrauch benötigt... Es müssen also ander Wege beschritten werden, um die Merkmale des Nutzerverhaltens in die Lernaufgabe einzubringen.
|
|
|
|