2026年9月底，印度最大移动运营商Bharti Airtel公布了一组数据：其部署在网络侧的AI骚扰识别系统上线两年，累计识别984亿通骚扰电话、44亿条骚扰短信。这套系统无需用户装App、对所有用户免费，日均分析24亿通呼叫和15亿条短信，并被GSMA收进了官方反诈案例库。本文回答三个问题：反诈为什么必须从手机App回到网络侧？网侧AI反诈的技术流水线长什么样、误报怎么治？以及全球运营商在这条路上各自打出了什么牌。
先看背景。GSMA在其反诈案例库里援引的行业统计显示：全球每年骚扰电话超过3000亿通，AI语音诈骗案件量暴涨250%，全球银行业欺诈损失高达1.4万亿美元。印度是重灾区——据印度网络犯罪协调中心（I4C）数据，仅2024年前9个月就登记了170万起网络犯罪投诉，损失超过12亿美元；安全机构CloudSEK预测2025年将达250万起、损失24亿美元。
面对这个量级，传统的“三板斧”明显不够用了：
第一板斧：终端App黑名单。 只保护装了App的用户，老人、孩子恰恰是最容易受骗、也最不可能主动装防护软件的人群。而且黑名单的粒度是“号码”——号码对黑产来说是弹药，消耗掉就换，黑名单永远慢一拍。
第二板斧：用户事后标记。 标记本身有价值，但它是事后行为，等第一个受害者打完标记，骗子早就用同一批号码呼出上万通了。
第三板斧：实名制与注册管控。 印度有全球最严的短信注册体系（DLT分布式账本登记），中国有断卡行动和“一证通查”，这些措施抬高了黑产成本，但挡不住猫池、SIM农场和改号软件。
问题的根源在于：黑名单看到的是号码，而网络看到的可以是行为。 号码可以无限轮换，但行为指纹很难伪装——一个号码呼出频次畸高、主叫远多于被叫、平均通话只有几秒、SIM卡三天一换、位置在多个邦之间跳跃，这些特征组合起来，换一百个号码也甩不掉。
这就是网侧AI反诈的逻辑起点，也是这轮AI+通信落地中，少数真正跑出了规模和数据闭环的方向。
主轴案例看Airtel。2024年9月25日，Airtel宣布上线印度首个基于网络、AI驱动的骚扰识别系统，覆盖其全部移动用户（含Bharti Hexacom），免费、自动生效、无需安装任何App。
按Airtel官方新闻稿和GSMA案例库的表述，系统是“双层防护”：第一层在网络上实时分析主叫/发信方的使用模式、呼叫/短信频次、通话时长等参数，与已知骚扰模式交叉比对；第二层结合用户自身的使用场景，对可疑来电和短信给出实时提醒。上线后不久，Airtel又加了对可疑国际来话的专项提醒——国际落地话务是诈骗的重灾区，这个细节很懂行。
这套系统的处理规模，GSMA案例库给出的数字是：每天处理超过1万亿条数据记录，日均分析24亿通以上呼叫、15亿条以上短信；标记4%的呼叫和1.5%的短信为骚扰；日均阻断约117万个骚扰源；92%的用户收到过诈骗预警。
两年成绩单：据《经济时报》电信版2026年9月26日报道，系统累计识别984亿通骚扰电话、44亿条骚扰短信。平均下来，每天识别超过1.3亿通。还有一个值得注意的曲线：据《金融快报》2026年8月初报道，当时累计数字是867亿通——两组公开数据相除可推算出，最近约两个月的检出速度比两年月均水平高出五成左右。也就是说，黑产的呼叫量不是在收敛，而是在加速，AI系统是在一场持续提速的军备竞赛里跑出来的。
把关键数据汇总成一张表：
| 指标 | 数据 | 来源 |
|---|---|---|
| 上线时间 | 2024年9月25日 | Airtel官方新闻稿 |
| 日分析话务量 | 24亿+通呼叫、15亿+条短信 | GSMA案例库 |
| 日处理数据记录 | 超1万亿条 | GSMA案例库 |
| 骚扰标记比例 | 4%呼叫、1.5%短信 | GSMA案例库 |
| 预警覆盖 | 92%用户收到过诈骗提醒 | GSMA案例库 |
| 日均阻断骚扰源 | 约117万个 | GSMA案例库 |
| 两年累计识别 | 984亿通骚扰电话、44亿条骚扰短信 | ET Telecom（2026-09） |
| 资费 | 全体用户免费 | Airtel官方新闻稿 |
2025年8月，GSMA把这套方案正式收进官方反诈案例库，与它并列的还有中国移动的SIM卡/设备更换欺诈防控案例——行业组织开始把“网侧AI反诈”当作可复制的标准打法来推广。
上面的数字是结果，工程上的实现是一条流水线。我按核心网的视角把它拆成四层——以下机制描述综合自GSMA案例库公开的行为特征清单，架构分层与实现细节是我的行业解读，具体以各厂家官方文档为准。
第一层：信令面采集。 原料来自IMS域的呼叫信令与话单（VoLTE的INVITE/对话记录）、短信中心的收发记录，以及国际来话落地的信令。这一层的关键是“全量、实时”——1万亿条记录/日的量级，意味着这是典型的流式计算架构，而不是离线批处理。
第二层：特征计算。 GSMA公开的行为特征包括：呼叫/短信速率（velocity）、主被叫比例、SIM卡与终端更换频度、地理分布异常、机器人外呼（robocall）指标。这些特征好的地方在于全是网络侧自有数据，不依赖内容识别——不需要听通话内容，也不碰用户隐私红线，这在合规上是巨大优势。
第三层：信誉库与评分模型。 特征喂给模型，给每个号码打出动态信誉分。注意这不是静态黑名单，而是“行为征信”：同一个号码，今天正常使用、明天突然被猫池征用，分数会立刻变化。能做到这一点，靠的是全网号码的行为基线数据——这是运营商独有的护城河，终端厂商和第三方安全公司拿不到。
第四层：分级处置与反馈闭环。 高置信骚扰直接阻断；疑似骚扰在用户手机上标记提醒；低风险放行但留痕。用户侧的标记、投诉再回流为训练样本，形成闭环。AI客服、网优助手这些方向之所以落地慢，很大程度是缺闭环；反诈恰好有通信行业最完美的闭环——处置效果当天就能从检出量、投诉量里看到。
整条流水线画出来是这样的：
flowchart TD
A["信令面采集<br/>IMS与短信中心话单"] --> B["流式特征计算<br/>频次与主被叫占比"]
B --> C["行为画像引擎"]
C --> D["全网号码信誉库"]
D --> E["AI评分模型"]
E --> F{"分级处置"}
F -->|高置信骚扰| G["阻断呼叫"]
F -->|疑似骚扰| H["标记提醒用户"]
F -->|低风险| I["放行并留痕"]
G --> J["用户标记与投诉"]
H --> J
J --> K["样本回流再训练"]
K --> C
还有一个工程问题值得一提：时延预算。评分如果挂在呼叫建立路径上，每一次INVITE都要等模型出结果，稍有抖动就会拖长拨号音前的静默期。实际的通行做法是评分离线/旁路预计算、把信誉分前置到被叫查询环节，而不是在呼叫建立的临界路径上现场推理。这类系统的“快”，是架构设计出来的，不是模型硬算出来的。
网侧反诈最容易被外行低估的，是误报治理。算一笔账：按4%的呼叫标记率、日均24亿通呼叫，被标记的呼叫每天近亿通。只要误报率差一个百分点，被冤枉的正常商家、诊所、外卖员、HR就是百万量级。历史上不是没有翻过车——误拦一次大规模企业外呼，第二天就是舆情和监管问询。
Airtel选择“标记提醒为主、直接阻断为辅”的分级策略，我认为这正是误报压力下的工程理性：
从运维视角看，这类系统上线后的核心KPI就三个：检出率（召回）、误报率（精确率）、处置时延。三者在资源有限的现实里互相牵制，运营团队要做的不是把某个指标推到极致，而是在月度级别的迭代节奏里维持三角平衡。另外，这类系统天然要求故障时fail-open——判断系统挂了应该放行而不是全网拒呼，这和通信网“保畅通优先”的传统一脉相承，跟防火墙的fail-closed哲学正好相反。设计评审时这一点必须写死在方案里。
网侧AI反诈是防守，英国运营商O2（Virgin Media O2）则展示了另一面：进攻。
2024年11月14日，O2公布了反诈团队的“新成员”——AI老奶奶Daisy，头衔是“骗子关系主管”（Head of Scammer Relations）。她是一个拟真的对话式AI，由O2与广告公司VCCP旗下AI创意机构faith共同打造，形象基于一位VCCP员工的真实亲属，语音模型用人类语音模式和脱敏数据训练。骗子的电话打进来，Daisy用絮絮叨叨的家长里短陪着聊，假装一步步配合转账操作，把骗子拖在电话线上。据Marketing Week报道，已有超过1000名骗子在Daisy身上浪费了时间；到2025年1月，O2公布Daisy已与骗子通话数百小时，并从这些通话里总结出了最新的诈骗话术趋势。
这个打法的聪明之处在于改变了成本结构。骗子的时间是稀缺资源：一小时耗在Daisy身上，就少一小时骗真人。蜜罐把“防守成本”转化成了“消耗敌方弹药”。配合O2已有的7726举报通道（用户把可疑来电/短信转发过去即可），形成“网络识别+用户举报+蜜罐反制”的组合拳。O2委托的调查显示，每五个英国人中就有一个（22%）每周都会遭遇诈骗企图——需求端压力可见一斑。
对国内读者，这个案例还有一层借鉴意义：Daisy的对话模型并不神秘，难的是把大模型接进语音线路、做到实时应答且不穿帮——这本质上是一次“大模型+IMS语音承载”的工程集成，跟如今AI进通话（语音翻译、来电摘要）用的是同一套底层能力。
把全球主要打法摆在一起看，差异相当清晰：
| 路线 | 代表 | 作用点 | 核心机制 | 短板 |
|---|---|---|---|---|
| 网内行为AI | Airtel（印度） | 网络侧实时 | 行为特征+号码信誉库+分级处置 | 依赖网内数据，OTT话务看不到 |
| 号码认证协议 | STIR/SHAKEN（美国） | 运营商间信令 | SIP身份签名，A/B/C三级认证 | 只治改号，治不了网内猫池 |
| 用户订阅型识别 | Scam Shield等（美国） | 网络+终端 | "Scam Likely"标记，用户可自选拦截等级 | 依赖用户主动开启 |
| 蜜罐反制 | Daisy（O2，英国） | 专号应答 | 大模型对话消耗骗子时间 | 规模有限，偏威慑与话术情报 |
| 政企全链条治理 | 中国 | 网络+警企联动 | 12381预警短信、96110劝阻专线、断卡行动 | 对OTT侧诈骗同样存在盲区 |
几点评述。美国的STIR/SHAKEN是FCC强推的“身份认证”路线，2021年6月底起对IP话音网络强制实施，它解决的是主叫号码伪造（CLI spoofing），但对“号码是真的、行为是恶意的”无能为力——印度的实践恰好补上了“行为征信”这半张拼图。两条路线正交，将来大概率是叠加关系：信令层验身份，行为层评信誉。
中国的路线更偏全链条：从实名制、断卡行动，到工信部的12381涉诈预警短信系统（2021年上线）和公安系统的96110劝阻专线，运营商的反诈大数据平台在其中承担识别和预警职能，警企联动是特色。GSMA案例库里，中国移动的SIM卡/设备更换欺诈防控案例与Airtel案例并列收录，说明“网侧行为反诈”这件事中国的运营商同样在做，只是组织形式不同。
值得所有人警惕的共同盲区是：GSMA在案例库里明确指出，大量诈骗正在从电信网转移到不受监管的OTT通信应用上。运营商的AI看得见自己网里的每一通呼叫，却看不见WhatsApp里的那一句“喂”。反诈正在变成跨生态问题，这已经不是任何一家运营商能独立解决的了。
第一，这类系统的核心竞争力是特征工程和数据闭环，不是模型本身。 主被叫比、SIM更换频度、地理异常这些特征，哪家都能想到；真正拉开差距的是全网级的行为基线数据质量和样本回流速度。评估供应商方案时，别只问用什么模型，要问数据闭环怎么建、误报样本多久能回流进训练集。
第二，处置策略比识别精度更决定生死。 984亿通的战绩背后，是“提醒为主、阻断为辅”的克制。宁可召回率低一点，也不要在误报上炸雷——用户对“被冤枉”的记忆远长于对“被保护”的感激。
第三，评分要出呼叫建立的临界路径。 把AI评分做成旁路预计算+信誉分前置查询，别让用户在拨号音前等模型推理。这是话音网老规矩：任何增值逻辑都不得拖累基本呼叫。
第四，反诈是AI+通信落地里闭环最完整的场景，值得迁移经验。 处置效果当天可见、样本天然回流、KPI清晰（检出率/误报率/时延）——这套“在线学习+分级处置”的框架，套到告警治理、异常检测上同样成立。很多AIOps项目失败在“只报警、不闭环”，反诈给出了标准答案。
AI进入通信行业两年，网优助手、AI客服讲了很多故事，真正交出硬数据的落地，反诈算一个：两年984亿通，日均117万个骚扰源被阻断，92%的用户被触达过预警。它成功的原因不玄乎——网络侧有别人拿不到的数据，处置有当天可见的闭环，误报有分级策略兜底。接下来这场仗的关键变量有两个：AI语音克隆让诈骗成本继续下探，OTT转移让运营商的视野出现盲区。网内AI反诈只是第一回合，跨生态的协同防御，才是下一张考卷。
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。