arXiv cs.CL· Ethan Traister, Dennis Tsang Ng, Siyu Zhang, Huaiyu Guo, Tommy Duong, Tyler Wu, Yuchen Zhou, Xingyu Shen, Jiaqi Wu, Simiao Ren·· 12 小时前AI 评分58
研究团队用主动语音智能体蜜罐采集 10,015 通真实诈骗与骚扰电话对话
A Corpus of Real Scam- and Spam-Call Conversations from an Active Voice-Agent Honeypot
AI 导读
研究团队发布由主动语音智能体蜜罐采集的真实诈骗与骚扰电话对话数据集，在 53 天内记录 10,015 通来电，其中 6,601 通含两轮以上对话，约 895 小时音频、328,869 条转写对话轮次，来自 5,665 个不同主叫号码。
正文 · AI 翻译
摘要：诈骗者与其目标之间的真实对话是研究电话诈骗时信息量最大的材料之一，但也是最稀缺的：被动蜜罐绝大多数只能捕获自动语音和挂断，大规模研究刻画的是通话元数据而非对话内容，而人工反诈骗诱骗无法规模化。我们提出了一个由主动语音代理蜜罐收集的真实诈骗通话对话数据集。专用号码被植入诈骗团伙采集线索的渠道；来电由低延迟对话代理接听，该代理采用可信的目标人设并维持互动，同时每通电话都被录音、转写并自动标注。在最初的 53 天窗口内，我们捕获了 10,015 通入站诈骗和垃圾电话（其中 6,601 通有两轮或以上对话）：约 895 小时音频和来自 5,665 个不同主叫号码的 328,869 个转写轮次。在整体分类器下，实质性通话主要是掠夺性但合法的线索生成（“垃圾”，约占五分之三），而约七分之一是彻头彻尾的“诈骗”（此快照中为 949 通）。每通电话都带有轮次级转写、三通道音频、每轮延迟遥测以及多层自动标签，包括经独立人工复核佐证的整体诈骗/垃圾/合法判定（二分类决定上 75% 一致）。我们描述了收集系统、记录结构以及语料真实性和标签质量的技术验证，包括代理仅在约 5% 的已接听通话中被识别为非人类。我们还对既有诈骗检测方法进行了基准测试，结果显示在已发表合成对话上训练的检测器在真实流量上精确率崩溃。
| 评论： | 9 页，7 幅图。数据描述符。配套分析论文即将发布 |
| 主题： | 密码学与安全（cs.CR）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.29528 [cs.CR] |
| （或 arXiv:2609.29528v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.29528 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Simiao Ren [查看邮箱]
[v1]
2026 年 8 月 25 日星期二 06:29:42 UTC（839 KB）
[v2]
2026 年 10 月 24 日星期六 21:26:32 UTC（841 KB）
来源：arXiv cs.CL · arxiv.org