2026年7月18日

——"灵犀安全"实时智能反诈系统架构设计与工程实践

一、项目背景

随着移动互联网的发展，诈骗已经从传统的：

电话诈骗

短信诈骗

钓鱼网站

逐渐演变为：

AI生成诈骗话术

深度伪造语音

仿冒官方网站

社交工程攻击

诈骗攻击呈现：

场景复杂化；
内容多模态化；
攻击实时化；
用户群体年轻化。

传统安全方案：

规则库

+

关键词匹配

+

人工审核

存在：

更新慢；
泛化能力弱；
无法理解上下文；
无法处理图片、语音。

因此，我设计并实现了一套：

基于移动端主动感知 + RAG知识增强 + 大语言模型推理的智能反诈安全系统。

项目名称：

灵犀安全

目标：

构建一个：

能够主动发现风险、智能分析风险、实时通知用户的移动安全助手。

二、整体设计思想

整个系统采用：

"感知层 + 分析层 + 决策层"三层架构

                    用户设备


                       |

                       ↓


              【感知层 Sensor Layer】

                       |

       ---------------------------------

       |              |               |

    系统通知       用户上传       多媒体输入

       |              |               |


       ---------------------------------

                       |

                       ↓


             【智能分析层 AI Layer】

                       |

          -------------------------

          |                       |

       RAG检索              LLM推理


          |                       |

          -------------------------

                       |

                       ↓


              【决策层 Decision Layer】

                       |

       ---------------------------------

       |              |              |

    风险提醒      守护通知       安全建议

三、系统技术架构

完整架构：

                 Android设备


                     |

                     |

        NotificationListenerService

                     |

                     |

              UniApp + UTS


                     |

                     |

              API Gateway


                     |

        -----------------------------

        |                           |

    风险分析服务                用户服务


        |

        |

    ------------------

    |                |

 向量数据库        LLM服务


    |

    |

诈骗知识库


        |

        |

     WebSocket


        |

        |

    实时消息推送

四、客户端架构设计

1. 技术选型

移动端：

UniApp

+

Vue3

+

uvue

+

UTS

原因：

开发效率高；
支持Android；
可扩展原生能力。

2. 页面模块设计

首页

展示：

安全评分

当前风险等级

守护状态

快捷检测入口

对话分析

用户输入：

聊天内容

提交：

AI风险分析

截图检测

流程：

图片

↓

OCR

↓

AI分析

语音检测

流程：

音频

↓

ASR

↓

诈骗分析

守护中心

实现：

绑定家人

风险同步

报警通知

五、系统感知层设计

感知层负责：

获取用户可能遭遇诈骗的信息来源。

主要包括：

1. 系统通知监听

技术：

NotificationListenerService

流程：

微信消息

↓

Android通知系统

↓

NotificationListenerService

↓

获取文本

↓

提交分析

2. 剪贴板检测

用户复制：

银行卡号

转账地址

网址

系统检测：

ClipboardManager

判断：

是否存在：

金融风险；
钓鱼链接；
可疑账号。

3. 主动上传检测

用户主动：

上传：

图片；
语音；
文本。

进入：

统一分析入口。

六、AI分析层设计

AI层是整个系统核心。

采用：

RAG + LLM 架构

七、为什么不用直接调用大模型？

直接：

用户输入

↓

LLM

↓

结果

存在：

问题1：

不知道最新诈骗案例。

例如：

新型诈骗：

AI换脸视频诈骗

模型可能不了解。

问题2：

输出不稳定。

同一个问题：

可能：

回答A

回答B

因此加入：

RAG。

八、RAG分析流程

完整流程：

用户输入


 ↓


Embedding模型


 ↓


向量数据库搜索


 ↓


获取相关诈骗案例


 ↓


组合Prompt


 ↓


LLM推理


 ↓


结构化结果

输出：

{
"riskLevel":"HIGH",

"reason":
"疑似冒充客服诈骗",

"suggestion":
"不要提供验证码"
}

九、诈骗知识库设计

知识库包括：

1. 案例库

例如：

{
"type":
"冒充客服",

"description":
"诱导用户退款并提供验证码",

"level":
"HIGH"
}

2. 规则库

例如：

远程控制软件

+

要求转账

=

高风险

3. 防护建议库

例如：

不要点击未知链接

不要提供验证码

通过官方渠道确认

十、后端服务架构

后端采用：

服务化设计。

主要模块：

1. 用户服务

负责：

登录；
用户信息；
权限管理。

2. 风险分析服务

核心模块：

负责：

文本分析

图片分析

语音分析

3. 任务调度服务

因为AI分析耗时：

采用：

异步任务。

流程：

App

↓

提交任务

↓

返回taskId

↓

后台分析

↓

保存结果

↓

通知客户端

十一、实时通信架构

采用：

WebSocket。

原因：

风险事件：

必须：

实时到达。

流程：

RAG完成分析


      |

      ↓


生成风险结果


      |

      ↓


WebSocket服务器


      |

      ↓


用户手机


      |

      ↓


立即报警

十二、守护系统设计

这是"灵犀安全"的特色功能。

目标：

帮助老人、儿童等群体降低诈骗风险。

流程：

用户绑定守护人


        |

        ↓


风险发生


        |

        ↓


AI判断HIGH


        |

        ↓


通知守护人

例如：

老人收到：

公安冻结账户通知

系统：

老人手机

↓

AI检测

↓

风险确认

↓

子女收到提醒

十三、安全设计

安全应用必须优先考虑隐私。

1. 数据最小化

原则：

只采集：

风险必要信息。

例如：

上传：

诈骗文本

不上传：

全部聊天记录

2. 数据脱敏

银行卡：

原始：

6222333344445555

处理：

6222********5555

3. 通信安全

采用：

HTTPS

WSS

JWT认证

保证：

传输安全；
用户隔离。

十四、高并发设计

如果用户规模扩大：

例如：

100万用户。

系统不能：

所有请求直接调用LLM。

采用：

消息队列。

架构：

用户请求


 ↓


API服务


 ↓


任务队列


 ↓


AI Worker


 ↓


结果队列


 ↓


WebSocket推送

优势：

解耦；
弹性扩容；
降低峰值压力。

十五、项目难点与解决方案

难点1：

跨端访问系统能力

问题：

UniApp无法监听通知。

解决：

UTS插件

+

Kotlin Native

难点2：

AI分析耗时

问题：

用户等待时间长。

解决：

异步任务

+

WebSocket推送

难点3：

后台运行稳定性

问题：

Android杀后台。

解决：

NotificationListenerService

+

Foreground Service

+

权限引导

难点4：

多模态数据处理

问题：

图片、音频无法统一分析。

解决：

OCR

ASR

Embedding

统一进入RAG

十六、系统演进路线

第一阶段

规则反诈：

关键词

+

黑名单

第二阶段

AI文本分析：

RAG

+

LLM

第三阶段

多模态智能防护：

文本

+

图片

+

语音

+

视频

第四阶段

主动安全Agent：

自动发现风险

↓

主动阻断

↓

智能保护用户

十七、项目技术亮点总结

从工程角度：

1. 移动端系统级能力

使用：

NotificationListenerService

UTS Native Plugin

实现：

系统事件感知。

2. AI智能分析

采用：

RAG

+

LLM

提升：

语义理解能力。

3. 实时通信

采用：

WebSocket

实现：

毫秒级风险通知。

4. 多模态融合

支持：

文本

图片

语音

二维码

URL

5. 家庭守护机制

实现：

风险发现

+

亲情保护

十八、总结

一个真正落地的 AI 安全应用，不只是调用一个大模型接口。

它需要完整考虑：

系统感知

+

数据处理

+

AI推理

+

实时通信

+

用户交互

+

安全隐私

"灵犀安全"的整体设计：

将 Android 系统能力、大模型技术以及实时通信技术结合，实现了一套：

面向移动终端的智能化、主动式、实时反诈安全防护体系。

未来随着多模态模型和 AI Agent 的发展，移动安全应用将从：

发现风险

进一步发展为：

预测风险

↓

阻断风险

↓

保护用户

这也是智能安全应用未来的发展方向。