۱۷۸ خط کد پایتون؛ تمام آنچه برای متوقف کردن تماس‌های خودکار کلاهبرداری، پیش از آنکه حتی به سرورهای داخلی یک شرکت برسند، لازم است. در ۲۳ ژوئیه ۲۰۲۶، شرکت Telnyx این چارچوب را منتشر کرد تا یک «دیواره آتش کلاهبرداری» را نمایش دهد که فرآیند تصمیم‌گیری را از لایه اپلیکیشن به رایانش لبه (Edge Computing) — شبیه به قرار دادن یک نگهبان در ورودی ساختمان به‌جای اینکه اجازه دهد غریبه‌ها تا میز مدیر پیش بروند — منتقل می‌کند.
طبق گزارش این شرکت، سیستم‌های سنتی تشخیص کلاهبرداری معمولاً زمانی عمل می‌کنند که دیگر دیر شده است؛ یعنی زمانی که تماس منابع سرورهای رسانه‌ای و تنه های SIP را مصرف کرده است. این بدان معناست که یک اپراتور انسانی ممکن است چندین دقیقه وقت خود را با یک تماس جعلی تلف کند، پیش از آنکه سیستم آن را به عنوان کلاهبرداری شناساند. با غربالگری در لبه، تصمیم در همان شبکه‌ای گرفته می‌شود که تماس را حمل می‌کند و از اتلاف منابع جلوگیری می‌شود. این رویکرد برای بهینه‌سازی منابع شبکه‌ای حیاتی است، مشابه آنچه در استراتژی‌های سوپراپلیکیشن‌ها برای بهینه‌سازی اعزام و مقابله با کلاهبرداری مشاهده می‌کنیم.
مزیت لبه (The Edge Advantage)
غربالگری در لبه شبکه اپراتور به این معناست که تصمیم‌گیری پیش از آن صورت می‌گیرد که لایه اپلیکیشن اصلاً تماسی را ببیند. این امر مانع از مصرف بی‌دلیل سرورهای رسانه‌ای و زمان گران‌بهای اپراتورها می‌شود. از آنجایی که عملیات «جویا شدن شماره» و استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه به خودِ آشپزی است، نه دوره‌ی آموزش آشپز — روی زیرساخت‌های داخلی Telnyx اجرا می‌شود و نه از طریق APIهای شخص ثالث در اینترنت عمومی، سرعت تصمیم‌گیری برای «غربالگری و سپس مسیریابی» (screen-then-route) به‌قدری بالاست که می‌تواند به‌صورت درون‌خطی (Inline) برای هر تماس ورودی قرار گیرد.
همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های زبانی اشاره کردیم، جابه‌جایی منطق تصمیم‌گیری به نزدیکی منبع داده، هم تأخیر را کم می‌کند و هم سطح امنیت را بالا می‌برد. در این راستا، تأیید اصالت درخواست‌ها اهمیت ویژه‌ای دارد، مشابه مکانیزمی که Railward برای تأیید امنیت عامل‌های کدنویس از طریق گواهه‌های امضاشده به کار می‌گیرد. به نقل از راهنمای فنی dev.to، این سامانه بر سه API مشخص متکی است: Number Lookup برای احراز هویت، AI Inference برای تحلیل ریسک، و Call Control برای مسیریابی. این خط لوله ابتدا یک امضای وب‌هوک Ed25519 را تأیید می‌کند تا مطمئن شود درخواست‌ها اصیل هستند و پیش از پردازش هر داده‌ای، از صحت منبع اطمینان حاصل کند. اگر درخواست از سمت Telnyx نباشد، سرور خطای ۴۰۱ می‌دهد و پردازش را فوراً متوقف می‌کند.
خط لوله غربالگری
مراحل غربالگری به این ترتیب است:
- بررسی لیست سیاه: سرور ابتدا یک لیست در حافظه (In-memory) را چک می‌کند؛ اگر شماره علامت‌گذاری شده باشد، تماس فوراً رد می‌شود و هیچ عملیاتی برای جویا شدن شماره یا فراخوانی AI صورت نمی‌گیرد.
- جویا شدن شماره (Number Lookup): سیستم نام اپراتور، نوع خط (VoIP، موبایل یا landline) و کد کشور را استخراج می‌کند.
- طبقه‌بندی هوش مصنوعی: این داده‌ها به یک نقطه انتهایی سازگار با OpenAI فرستاده می‌شود. مدل توسط یک پرامپت سیستمی (System Prompt) — دستورالعمل پایه که به هوش مصنوعی می‌گوید چه نقشی داشته باشد — مجبور می‌شود دقیقاً یک کلمه پاسخ دهد: CLEAN، SUSPICIOUS یا BLOCK.
مکانیسم و منطق هوش مصنوعی
طبقه‌بندی‌کننده AI از یک پرامپت سیستمی بسیار مشخص استفاده می‌کند: «شما یک سیستم تشخیص کلاهبرداری هستید. داده‌های تماس‌گیرنده را تحلیل کنید و فقط با یک کلمه پاسخ دهید: CLEAN، SUSPICIOUS یا BLOCK». سپس پرامپت کاربر، شماره تلفن، نام اپراتور، نوع خط و کد کشور را در اختیار مدل قرار می‌دهد.
این خروجی تک‌کلمه‌ای باعث می‌شود تأخیر استنتاج تنها به اندازه یک توکن (Token) — تکه‌های کوچکی از متن شبیه به برش‌های یک کیک — باشد و تجزیه و تحلیل پاسخ (Parsing) را بسیار ساده کند، به‌طوری که دیگر نیازی به استفاده از JSON یا عبارت‌های منظم (Regex) نباشد. مدیریت دقیق توکن‌ها در اینجا کلیدی است تا از بروز مشکلاتی نظیر ثبت توکن‌های صفر در سیستم‌های تله‌متری و عدم محاسبه صحیح هزینه‌ها جلوگیری شود. برای تضمین پایداری، اگر فراخوانی AI به هر دلیلی با شکست مواجه شود، تابع به‌صورت پیش‌فرض وضعیت را "CLEAN" در نظر می‌گیرد. این مکانیسم «شکست ایمن» (Safe-fail) تضمین می‌کند که تماس‌گیرندگان قانونی حتی در صورت عدم دسترسی به سرویس غربالگری، همچنان بتوانند متصل شوند.
مسیریابی کاملاً بر اساس این تک‌کلمه است. تماس‌های CLEAN به مقصد نهایی وصل می‌شوند و تماس‌های BLOCK مسدود شده و به لیست سیاه اضافه می‌گردند. برای آن‌هایی که SUSPICIOUS علامت‌گذاری شده‌اند، سیستم استراتژی «تله» یا Honeypot را اجرا می‌کند. در این حالت، دیواره آتش تماس را پاسخ داده و یک پیام انتظار پخش می‌کند تا زمان و منابع کلاهبردار را به‌صورت نامحدود تلف کند.
جریان تله (The Honeypot Flow)
تله از یک توالی مشخص از اقدامات استفاده می‌کند. ابتدا، رویداد call.answered تحریک شده و پیام «لطفاً منتظر بمانید تا شما را به متخصص وصل کنم» پخش می‌شود. هنگامی که رویداد call.speak.ended فعال شود، سیستم دو ثانیه صبر کرده و سپس پیام دوم را در یک حلقه تکرار می‌کند: «همه متخصصان در حال حاضر مشغول هستند. لطفاً منتظر بمانید.»
برای ردیابی این جریان‌ها بدون نیاز به یک پایگاه داده خارجی، برنامه از client_state استفاده می‌کند. این یک بلوک JSON کدگذاری شده در base64 است که Telnyx در هر رویداد وب‌هوک بعدی بازمی‌گرداند و به سرور اجازه می‌دهد به یاد بیاورد که تماس‌گیرنده در حال حاضر در کدام مرحله از حلقه تله قرار دارد. مدیریت این وضعیت از طریق توابع encode_state و decode_state انجام می‌شود.
پیاده‌سازی در محیط عملیاتی (Production)
برای توسعه‌دهندگانی که قصد استقرار در محیط عملیاتی را دارند، این راهنما ارتقاهای زیر را برای کد نمونه پیشنهاد می‌کند:
- جایگزینی لیست سیاه حافظه‌ای با Redis برای ذخیره‌سازی دائمی و پایدار داده‌ها.
- افزودن محدودیت نرخ (Rate Limiting) برای فراخوانی‌های طبقه‌بندی AI به منظور مدیریت هزینه‌ها و ترافیک.
- ایجاد سیستم مانیتورینگ برای رصد نرخ مسدودسازی و تأخیر در طبقه‌بندی.
- استفاده از دستور
gunicorn -w 4 app:appبه عنوان مدیر پردازش برای مدیریت بهتر ترافیک. - پیکربندی URLهای وب‌هوک جایگزین (failover) در پورتال Telnyx برای جلوگیری از قطع سرویس.
این تغییر معماری، این فرض را که تشخیص کلاهبرداری باید یک فعالیت «پس از اتصال» باشد، به‌کل تغییر می‌دهد. با بهره‌گیری از استنتاج تک-توکنی، تأخیر به‌قدری کم می‌شود که می‌توان آن را در مسیر هر تماس قرار داد. در واقع، شبکه اپراتور به یک لایه امنیتی برنامه‌پذیر تبدیل شده است.
اگر شما ترافیک تماس بالایی را مدیریت می‌کنید، پیشنهاد می‌شود نمونه کدهای GitHub شرکت Telnyx را برای بررسی مسیریابی هوشمند مبتنی بر جغرافیا (edge-geo smart routing) مطالعه کنید یا از ابزار fraud-alert-verification-python برای تکمیل این دیواره آتش استفاده نمایید.
گام بعدی شما
- نمونه کدهای GitHub شرکت Telnyx را برای بررسی مسیریابی هوشمند مبتنی بر جغرافیا مطالعه کنید.
- ابزار
fraud-alert-verification-pythonرا برای تکمیل دیواره آتش خود بررسی کنید. - اگر ترافیک تماس بالایی دارید، استراتژی Honeypot را برای تحلیل رفتار کلاهبرداران پیاده‌سازی کنید.
اما داستان سخت‌افزاری این تحول در لبه شبکه حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های جدید استنتاج در لبه مراجعه کنید.
گفتگو