Ignorar Robocalls os faz parar?
Uma nova pesquisa visa fornecer às companhias telefônicas ferramentas para ajudar a conter as ligações automáticas.
Peter Dazeley / Banco de Imagens via Getty Images

Mais de 80% das chamadas automáticas vêm de números falsos - e atender ou não essas chamadas não afeta a quantidade de chamadas recebidas. Essas são as duas principais conclusões de um Estudo de 11 meses em ligações não solicitadas que conduzimos de fevereiro de 2019 a janeiro de 2020.

Para entender melhor como esses chamadores indesejados operam, monitoramos cada chamada telefônica recebida para mais de 66,000 linhas telefônicas em nosso laboratório de segurança telefônica, o Observatório Robocall na North Carolina State University. Recebemos 1.48 milhão de telefonemas não solicitados durante o estudo. Atendemos algumas dessas ligações, enquanto outras deixamos tocar. Contrário a sabedoria popular, descobrimos que atender chamadas não faz diferença no número de chamadas automáticas recebidas por um número de telefone. O volume semanal de ligações automáticas permaneceu constante ao longo do estudo.

Como parte do nosso estudo, também desenvolvemos o primeiro método para identificar as campanhas de ligações automáticas responsáveis ​​por um grande número dessas irritantes, ilegal e ligações automáticas fraudulentas. Os principais tipos de campanhas de chamadas automáticas eram sobre empréstimos estudantis, seguro saúde, listagens de empresas do Google, fraude financeira geral e um Golpe da Previdência Social.

Usando essas técnicas, aprendemos que mais de 80% das chamadas de uma campanha média de ligações automáticas usam números de telefone falsos ou de curta duração para fazer suas ligações indesejadas. Usando esses números de telefone, os perpetradores enganam suas vítimas e tornam muito mais difícil identificar e processar assaltantes ilegais.


innerself assinar gráfico


Também vimos que algumas operações fraudulentas de chamada robótica se passaram por agências governamentais por muitos meses sem serem detectadas. Eles usaram mensagens em inglês e mandarim e ameaçaram as vítimas com consequências terríveis. Essas mensagens têm como alvo populações vulneráveis, incluindo imigrantes e idosos.

Por que é importante

Os provedores podem identificar a verdadeira origem de uma chamada usando um processo manual demorado chamado rastrear. Hoje, existem muitas ligações automáticas para que o traceback seja uma solução prática para todas as ligações. Nossa técnica de identificação de campanha de chamada automática não é apenas uma ferramenta de pesquisa poderosa. Ele também pode ser usado por provedores de serviços para identificar operações de robocalling em grande escala.

Usando nossos métodos, os provedores precisam investigar apenas um pequeno número de chamadas para cada campanha de chamada automática. Visando a origem de ligações automáticas abusivas, os provedores de serviços podem bloquear ou encerrar essas operações e proteger seus assinantes de golpes e telemarketing ilegal.

O que ainda não se sabe

Provedores estão implantando uma nova tecnologia chamada STIR / SHAKEN, o que pode impedir que os robocallers falsifiquem seus números de telefone. Quando implantado, ele simplificará o rastreamento de chamadas, mas não funcionará para provedores que usam tecnologia mais antiga. Robocallers também se adaptam rapidamente a novas situações, então eles podem encontrar uma maneira de contornar STIR / SHAKEN.

Ninguém sabe como os robocallers interagem com suas vítimas e com que frequência mudam suas estratégias. Por exemplo, um número crescente de chamadas automáticas e golpistas estão agora usando COVID-19 como uma premissa para defraudar as pessoas.

Qual é o próximo

Nos próximos anos, continuaremos nossas pesquisas sobre ligações automáticas. Vamos estudar se STIR / SHAKEN reduz as chamadas automáticas. Também estamos desenvolvendo técnicas para melhor identificar, compreender e ajudar os fornecedores e as autoridades de aplicação da lei a direcionar as operações de chamada automática.A Conversação

Sobre os autores

Sathvik Prasad, aluno de PhD, Departamento de Ciência da Computação, Universidade Estadual da Carolina do Norte e Bradley Reaves, professor assistente de ciência da computação, Universidade Estadual da Carolina do Norte

Este artigo foi republicado a partir de A Conversação sob uma licença Creative Commons. Leia o artigo original.