2025年，CFCA（通信欺诈控制协会）发布的《全球欺诈损失调查报告》揭示了一组触目惊心的数据：全球电信欺诈损失规模已突破410亿美元，占全球电信总收入的2.2%以上。这意味着全球运营商每年因欺诈白白损失的收入，相当于一个中型国家的GDP。
欺诈类型也在快速进化：
| 欺诈类型 | 2025年占比 | 同比增速 | 典型损失（单次攻击） |
|---|---|---|---|
| IRSF（国际收入分成欺诈） | 28% | +15% | 50万-500万美元 |
| SIM Box绕过 | 22% | +8% | 100万-1000万美元/年 |
| Wangiri（一声响铃） | 14% | +22% | 每波20万-200万美元 |
| PBX黑客拨号 | 11% | -3% | 100万-3000万美元 |
| 深度伪造语音（AI克隆） | 9% | +67% | 单案可达数百万 |
| 订阅欺诈/身份盗用 | 8% | +12% | 50万-500万美元 |
| 其他（流量灌水、SMS钓鱼等） | 8% | +18% | 不等 |
更令人担忧的是，AI驱动的欺诈正在加速涌现。深度伪造语音克隆、AI自动生成钓鱼短信、大模型驱动的社交工程攻击等新型欺诈手段，2025年同比增速高达67%，成为增速最快的欺诈类型。
KPMG 2025年RAFM（收入保障与欺诈管理）调查报告指出，26%的运营商组织已开始将AI技术嵌入其RAFM流程，而2023年这一比例仅为9%。从"事后审计"到"实时阻断"，AI正在彻底重塑运营商的收入保障体系。
AI驱动的收入保障与反欺诈系统，其核心架构可概括为"四层闭环"：
flowchart TB
subgraph 数据采集层["数据采集层"]
A1[CDR/EDR话单流]
A2[信令数据 SS7/Diameter]
A3[BSS/OSS计费数据]
A4[网络流量元数据]
A5[用户行为日志]
end
subgraph AI推理引擎["AI推理引擎层"]
B1[异常检测模型<br/>Isolation Forest/AutoEncoder]
B2[图神经网络<br/>欺诈团伙识别]
B3[序列模型<br/>LSTM/Transformer时序分析]
B4[GenAI智能体<br/>自然语言欺诈解释]
B5[规则引擎<br/>专家规则+AI自适应]
end
subgraph 决策执行层["决策与执行层"]
C1[实时告警/阻断]
C2[批量案件调查]
C3[自动阻断SIM/号码]
C4[计费校正/收入追回]
end
subgraph 反馈闭环["反馈闭环层"]
D1[误报/漏报标注]
D2[模型在线更新]
D3[欺诈情报共享<br/>GSMA FIB]
end
数据采集层 --> AI推理引擎
AI推理引擎 --> 决策执行层
决策执行层 --> 反馈闭环
反馈闭环 --> AI推理引擎
style 数据采集层 fill:#e1f5fe
style AI推理引擎 fill:#fff3e0
style 决策执行层 fill:#e8f5e9
style 反馈闭环层 fill:#fce4ec
部署主体：AWS + 全球多家运营商（中东、亚太地区优先落地）
核心产品：AWS Telecom Revenue Assurance Framework，基于Amazon SageMaker、Amazon Neptune（图数据库）、Amazon Bedrock（GenAI）构建。
技术方案：
AWS的AI-RA框架采用三层架构： 1. 数据湖层：通过AWS Lake House整合CDR话单、信令、计费、CRM等多源数据，实现T+0到T+1的近实时数据摄取 2. AI/ML分析层：SageMaker上运行定制化的异常检测模型（AutoEncoder + XGBoost组合），结合Amazon Neptune图数据库进行欺诈团伙关系图谱分析 3. GenAI洞察层：Bedrock上的大模型自动生成自然语言的欺诈调查报告，将分析师的案例处理时间从小时级降至分钟级
关键技术突破： - 图神经网络（GNN）用于识别SIM Box欺诈网络中的"母卡-子卡"关联关系，将SIM Box检测准确率提升至94.7% - 时序异常检测模型可在15分钟内发现流量模式突变（传统规则引擎需要4-8小时） - GenAI自动生成的调查报告准确率达91%，分析师只需审核而非从零撰写
效果数据：
| 指标 | 传统方案 | AWS AI框架 | 提升幅度 |
|---|---|---|---|
| 欺诈检测平均时长 | 6-8小时 | 15-45分钟 | ↓ 85-90% |
| SIM Box检出率 | 65-70% | 94.7% | ↑ 35% |
| 误报率 | 15-20% | 4.2% | ↓ 75% |
| 收入追回周期 | 30-90天 | 5-7天 | ↓ 85% |
| 分析师效率（案件/天） | 8-12件 | 40-60件 | ↑ 400% |
落地案例：某中东地区领先运营商部署AWS AI-RA框架后，首年追回超过1200万美元的欺诈损失，ROI达到8:1。
部署主体：HCLTech + 某大型运营商（亚洲市场）
核心产品：HCLTech Revenue Intelligence — Fraud Management Solution
背景问题：该运营商面临的IRSF（国际收入分成欺诈）和SIM Box绕过欺诈持续恶化，传统基于规则的检测系统误报率高达18%，漏检率超过30%，每年损失约1800万美元。
技术方案：
HCLTech采用"AI+规则"双引擎架构： 1. 行为基线建模：利用机器学习为每个用户/号码建立正常行为基线，包括通话模式、时段分布、地理分布、时长分布等30+维度 2. 实时流式分析：基于Flink流处理框架，对CDR流进行亚秒级分析，在欺诈呼叫产生的前3分钟内触发告警 3. SIM Box指纹识别：通过信令层面的IMEI/IMSI关联分析+地理位置异常检测，识别SIM Box设备特征 4. 自适应学习：模型每周自动更新，根据新发现的欺诈样本调整检测阈值
效果数据：
| 指标 | 部署前 | 部署后6个月 | 提升幅度 |
|---|---|---|---|
| IRSF检测时间 | 4-6小时 | 36-54分钟 | ↓ 85% |
| SIM Box检出率 | 62% | 91% | ↑ 47% |
| 年化欺诈损失 | 1800万美元 | 860万美元 | ↓ 52% |
| 误报率 | 18% | 5.3% | ↓ 71% |
| 欺诈调查闭环时间 | 72小时 | 8小时 | ↓ 89% |
关键创新点：HCLTech的方案将IRSF和SIM Box检测整合为统一管线，避免了两个独立系统之间的情报割裂。当SIM Box检测模块发现可疑SIM群组时，自动关联IRSF分析模块，检查是否存在国际路由异常，实现"1+1>2"的协同检测效果。
部署主体：Subex（全球40+国家、75+运营商客户）+ 北非/东南亚运营商
核心产品：Subex HyperSense Revenue Assurance + Fraud Management Platform，2025年6月集成嵌入式GenAI能力
技术方案：
Subex在2025年6月发布里程碑式更新——将嵌入式GenAI集成到HyperSense平台的收入保障（RA）和欺诈管理（FM）模块中，核心能力包括：
部署案例：
2026年5月，Subex宣布与某北非运营商签署五年期合同，将其从传统RA/FM系统迁移至HyperSense平台。该运营商此前面临的核心痛点是： - 计费链路复杂（2G/3G/4G/5G多代网络并存），收入泄漏率高达3.8% - 欺诈类型日益多样化，传统规则引擎每季度需手动添加200+条新规则 - RA团队人力不足，每月仅能审计总话单量的15%
Subex HyperSense部署后： - 收入泄漏率从3.8%降至1.2%（6个月内） - 自动化审计覆盖率从15%提升至95% - 新型欺诈的识别速度从"需要数天人工分析"缩短至实时自动识别 - GenAI驱动的自然语言查询使分析师效率提升3-5倍
财务数据：Subex FY2026（截至2026年3月）财报显示，HyperSense平台贡献收入占比已达38%，EBITDA利润率改善至14.5%。Subex管理层在财报电话会议中透露："几乎所有RFP都要求AI用例，欺诈管理是排名第一的AI和GenAI用例。"
部署主体：华为 + 国内运营商（中国移动、中国电信等）
核心产品：华为AI通话反诈方案（AI Call Anti-Fraud Solution）
背景问题：2024年，中国电信网络诈骗案件占全国刑事案件的60%，涉案金额超千亿元人民币。传统反诈手段主要依赖"事前标记"（黑名单号码）和"事后追溯"（受害人报案），无法在通话过程中实时识别和阻断诈骗行为。
技术方案：
华为AI通话反诈方案的核心突破在于——在通话进行中，利用多模态大模型对通话内容进行实时语义分析，实现"事中阻断"：
效果数据：
| 指标 | 传统反诈方案 | 华为AI反诈方案 | 提升 |
|---|---|---|---|
| 诈骗识别时效 | 事后（小时-天级） | 事中（秒级） | 质变 |
| 诈骗电话识别率 | 45-55%（基于黑名单） | 87%（基于语义分析） | ↑ 58% |
| 误报率 | 8-12% | 2.1% | ↓ 78% |
| 可识别诈骗类型 | 覆盖已知号码库 | 覆盖11大类新型话术 | 量变 |
| 用户感知延迟 | 无（阻断不接通） | <200ms（分析延迟） | 可接受 |
对比传统方案的核心优势：传统黑名单方案仅能拦截已被标记的号码，对首次使用的诈骗号码完全无效。华为AI方案基于"行为+内容"双重判别，即使是全新号码，只要通话内容匹配诈骗话术模式，即可被实时识别。
部署主体：中国电信云南公司 + 华为昇腾算力底座
核心产品：反诈大模型（在"两亚数据中心"部署）
项目背景：云南地处西南边陲，与东南亚多国接壤，跨境电信诈骗高发。诈骗团伙常使用缅甸、老挝、柬埔寨等境外号码进行跨境拨打，涉及多语种（中文、缅语、泰语、越南语等），传统单一语种模型难以应对。
技术方案：
云南电信的反诈大模型是国产化AI的典型案例，其技术架构具有三大特色：
项目成果： - 荣获2025年"华彩杯"算力大赛西区赛道一等奖 - 该项目标志着全国产化AI算力在通信反诈领域的首次大规模生产级部署 - 多语种模型对跨境诈骗的识别准确率较传统方案提升3倍以上 - 项目成果已在云南全省推广，并作为标杆向其他边境省份复制
| 维度 | AWS AI-RA | HCLTech AI Fraud Shield | Subex HyperSense+GenAI | 华为AI通话反诈 | 云南电信反诈大模型 |
|---|---|---|---|---|---|
| 核心场景 | 收入保障+全类型欺诈 | IRSF+SIM Box专项 | 全栈RA/FM+预测性分析 | 实时通话反诈 | 跨境多语种反诈 |
| AI技术栈 | SageMaker+Neptune+Bedrock | ML行为基线+Flink流处理 | HyperSense MLOps+GenAI | 多模态大模型+ASR | 昇腾大模型+云边端 |
| 检测速度 | 15-45分钟 | 36-54分钟 | 近实时 | 秒级 | 分钟级 |
| 关键指标提升 | 检出率↑35% | 损失↓52% | 泄漏率↓68% | 识别率↑58% | 跨境识别↑300% |
| GenAI应用 | 自然语言报告 | 否 | 深度集成（核心卖点） | 多模态推理 | 多语种理解 |
| 部署模式 | 公有云SaaS | 混合云 | 本地/云部署 | 网络侧嵌入 | 私有化+云边端 |
| 算力平台 | AWS通用 | 通用GPU/CPU | 通用GPU | 华为鲲鹏/昇腾 | 华为昇腾（纯国产） |
| 目标市场 | 全球运营商 | 亚洲运营商 | 全球40+国家75+运营商 | 中国运营商 | 中国边境省份 |
| 典型ROI | 8:1 | 损失减半 | 泄漏率大幅下降 | 社会效益为主 | 国产化标杆 |
Subex 2025年6月的GenAI集成标志着行业拐点——GenAI不再只是生成报告的"写手"，而是直接参与欺诈检测决策。自然语言查询、自动根因分析、预测性泄漏检测这些能力的实现，意味着GenAI正在从"外围增强"进入"核心决策链"。
传统RA/FM系统往往将收入保障和欺诈管理视为两个独立问题。AWS、Subex等方案的趋势是将计费链路审计（Mediation→Rating→Billing→Collection）与欺诈检测打通，实现从网络到计费到收款的端到端监控。
华为和云南电信的案例揭示了一个重要方向：随着深度伪造语音、AI生成钓鱼内容等新型欺诈手段的出现，仅依赖CDR/信令数据已不够。未来的反欺诈系统必须整合语音分析、文本语义、图像识别等多模态能力，同时支持跨境多语种场景。
云南电信反诈大模型的意义超越技术本身——它证明了全国产化AI算力（华为昇腾）在通信关键业务场景的可行性和可靠性。在当前国际形势下，这一"样板间"对于推动更多运营商采用国产AI方案具有示范价值。
对于正在评估AI收入保障/反欺诈方案的运营商，建议参考以下决策框架：
Step 1：明确核心痛点。如果主要损失来自IRSF/SIM Box，优先考虑HCLTech等专项方案；如果是全链路收入泄漏，考虑Subex/AWS等全栈方案；如果是面向公众的诈骗防范，考虑华为/自研大模型方案。
Step 2：评估数据就绪度。AI方案的效果高度依赖数据质量。建议先完成BSS/OSS数据治理（统一CDR格式、补全信令字段、清洗历史数据），再启动AI项目。
Step 3：选择部署模式。公有云方案（AWS）适合快速验证；私有化方案（Subex、华为）适合数据敏感度高的大型运营商；混合方案兼顾灵活性和安全性。
Step 4：建立人机协同流程。AI系统不应完全替代人工，而是建立"AI初筛→分析师复核→自动处置"的三级流程，确保准确性和合规性。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。