I erkennt A2P-SMS-Betrug, indem sie das normale Verhalten des Netzwerkverkehrs analysiert und Abweichungen davon kennzeichnet. Eine maschinell lernende SMS-Firewall identifiziert Geschwindigkeit, Verbreitung und Einwegmuster pro Absender, prüft Nachrichteninhalte auf Spam und Phishing, erkennt als P2P getarnte A2P-Nachrichten und blockiert diese in einem geschlossenen Regelkreis – so werden auch adaptive Angriffe erkannt, die mit festen Regeln nicht erfasst werden.
Warum regelbasierte Firewalls nicht mehr ausreichen
Die erste Generation von SMS-Firewalls bestand aus einer Mauer statischer Regeln: Whitelists für Absender-IDs, Sperrlisten für URLs und Schlüsselwörter, feste Geschwindigkeitsschwellen und manuell gepflegte Routenreputationslisten. Dieses Modell erfasst zwar immer noch die offensichtlichen Fälle, hat aber einen strukturellen Mangel: Es kann nur Muster blockieren, die bereits erkannt, benannt und mit einer Regel versehen wurden. Betrugsversuche entwickeln sich schneller als die Regelerstellung. Angreifer wechseln die Absender-IDs, erstellen neue Nummernbereiche, formulieren Phishing-Köder um und verteilen den Datenverkehr auf viele Quellen, um die Grenzwerte pro Quelle einzuhalten. Bis eine statische Regel existiert, hat die Kampagne bereits ihren Lauf genommen.
Aus diesem Grund hat sich die moderne Sicherheit im Nachrichtenbereich hin zur KI-gestützten SMS-Betrugserkennung verlagert, die auf deterministischen Regeln aufbaut – sie ersetzt diese nicht, sondern erweitert sie. Die GSMA-Richtlinien zur Nachrichtensicherheit definieren die SMS-Firewall als zentralen Kontrollpunkt des Betreibers für genau diesen Zweck: Sie prüft jede Nachricht und bewertet sie anhand von Netzwerkstandards anstatt einer festen Liste. Eine maschinelle Lern-SMS-Firewall behält die schnellen, nachvollziehbaren Regeln für bekannten schädlichen Datenverkehr bei und ergänzt sie um statistische Modelle, die unbekannten schädlichen Datenverkehr kennzeichnen – also Datenverkehr, der noch nie zuvor aufgetreten ist und sich nicht wie eine reale Abonnentenbasis verhält.
Was eine SMS-Firewall mit maschinellem Lernen tatsächlich betrachtet
Eine ML-gestützte Firewall betrachtet Nachrichten nicht isoliert. Sie bewertet jede Übermittlung anhand eines dynamischen Bildes des typischen Verhaltens eines bestimmten Absenders, einer Route und eines Ziels, das aus dem eigenen Datenverkehr des Betreibers erstellt wird. Vier Signalarten übernehmen dabei den Großteil der Arbeit.
Verhaltensbasiertes Fingerabdrucking des Verkehrs
Jeder legitime Absender hat ein charakteristisches Muster – eine Kombination aus Volumen, Zeitpunkt, Empfängerverteilung und wechselseitiger Interaktion. Massenbetrug und Pumping weisen ein anderes Muster auf, und das Modell lernt, diese zu unterscheiden. Die wichtigsten Verhaltensmerkmale sind:
- Geschwindigkeit – Nachrichten pro Sekunde von einem Absender und wie stark sich diese Rate im Vergleich zu ihrer eigenen Historie beschleunigt.
- Fan-Out – wie viele verschiedene Ziele ein einzelner Absender oder Kurzcode in einem Fenster erreicht; Bot-Traffic breitet sich viel weiter und schneller aus als der Datenverkehr eines menschlichen Mobiltelefons.
- Einwegverhältnis – der Anteil des Datenverkehrs, der ausschließlich aus Senden besteht und keine eingehenden Antworten enthält, ein Kennzeichen von A2P, das sich als P2P ausgibt.
- Empfängerüberschneidung und -konzentration – Konzentration auf wenige Vorwahlen oder einen einzelnen ausländischen Betreiber, der keinen geschäftlichen Grund hat, Ihr Anrufvolumen zu sehen.
- Regelmäßigkeit des Zeitpunkts – zu gleichmäßige Abstände zwischen den Nachrichten oder Nachrichtenspitzen, die eher einem Zeitplan als dem menschlichen Tagesrhythmus folgen.
Anomalieerkennung im Vergleich zu Referenzwerten
Verhaltensmuster sind nur im Verhältnis zu einer Norm aussagekräftig. Anomalieerkennungsmodelle ermitteln für jede Route, Absenderklasse und Tageszeit einen Basiswert und messen anschließend, wie stark der tatsächliche SMS-Verkehr davon abweicht. Da der Basiswert kontextspezifisch ist und kontinuierlich aktualisiert wird, passt sich das System saisonalen Schwankungen an – beispielsweise Werbeaktionen im Einzelhandel, Spitzenwerte an Spieltagen oder erhöhtes SMS-Aufkommen während des Ramadan in den GCC-Staaten – anstatt einen starren Schwellenwert zu überschreiten. Es erkennt nicht einfach nur ein „hohes Volumen“, sondern ein „untypisches Volumen für diesen Absender, auf dieser Route und zu dieser Uhrzeit“. Genau diese SMS-Verkehrsanomalieerkennung unterscheidet einen echten Kampagnenanstieg von einem Angriff.
Inhaltsklassifikatoren für Spam und Phishing
Neben dem Verhalten analysieren Klassifizierungsmodelle auch den Nachrichtentext. Trainiert mit gekennzeichnetem Spam, Phishing (Smishing) und legitimem Transaktionsverkehr, können sie auch unbekannte Köder erkennen – wie verschleierte URLs, Markenfälschung, Homoglyphentricks und Social-Engineering-Floskeln –, bei denen eine statische Keyword-Sperrliste die entsprechende Variante nicht erfassen würde. In Kombination mit der URL-Reputation und dem Absenderkontext gibt der Content Score der Firewall Auskunft darüber, ob eine strukturell einwandfreie Nachricht ein Phishing-Versuch ist.
Missbrauchserkennung der Absender-ID
Registrierte alphanumerische Absenderkennungen sind ein beliebtes Ziel: Betrüger fälschen die ID einer vertrauenswürdigen Marke, um Phishing-Angriffe unbemerkt von Abonnenten durchzuführen, oder missbrauchen nicht registrierte IDs, um illegalen Datenverkehr zu leiten. Modelle lernen die legitimen Merkmale jeder Absenderkennung – ihre üblichen Routen, Mengen, Inhalte und Ziele – und erkennen verdächtige Aktivitäten, wenn eine ID plötzlich auf einer unerwarteten Route auftaucht oder Inhalte sendet, die sich von ihren bisherigen Sendungen unterscheiden. Dieser Missbrauch von Absenderkennungen bleibt der Registrierungsstelle allein verborgen, da die ID selbst gültig ist; lediglich ihr Verhalten hat sich geändert.
Automatische Graurouten-Erkennung
Der größte Nutzen von KI für eine Betreiber-Firewall liegt in der Erkennung von Graurouten, ohne dass eine manuelle Untersuchung erforderlich ist. Eine Grauroute ist A2P-Verkehr, der als P2P-Verkehr von Endkunden – über SIM-Boxen, Hintertüren ausländischer HLRs oder nicht deklarierte Verbindungen – eingeschleust wird, um die A2P-Terminierungsgebühr zu umgehen. Er ist für Regellisten unsichtbar, da er für sich genommen unauffällig erscheint. Erst in der Gesamtheit offenbart er sich: hoher Durchsatz, reiner Sendeverkehr von Frequenzbereichen, die eigentlich von Mobiltelefonen mit geringem Datenaufkommen stammen sollten, mit nahezu null eingehenden Antworten und Zielmustern, die kein regulärer Teilnehmer erzeugen würde.
Verhaltensmodelle sind darauf ausgelegt, genau diese aggregierte Signatur zu erkennen. Indem sie das Einwegverhältnis, die Verzweigung und die Geschwindigkeit des in das Netzwerk eingehenden Datenverkehrs mit dem Verhalten legitimer P2P-Teilnehmer vergleicht, deckt die Firewall kontinuierlich verdächtige Graurouten auf – die Grauroutenerkennung erfolgt im Hintergrund und nicht im Rahmen einer vierteljährlichen Prüfung. Für einen Betreiber bedeutet dies eine direkte Umsatzsteigerung: Jede korrekt umklassifizierte A2P-Nachricht ist eine Terminierungsgebühr, die nicht mehr über eine P2P-Hintertür abfließt. So schützt die SMS-Firewall von BroadNet die Großhandelsmarge der 1,000+ Betreiberverbindungen hinter der Plattform.
Erkennung von SMS-Pumpvorgängen und AIT mit ML
SMS-Pumping – künstlich aufgeblähter SMS-Verkehr (AIT) – ist eine Betrugsmasche, die KI wohl am besten aufdecken kann, da sie sich stark vom menschlichen Verhalten unterscheidet. Bots senden massenhaft OTP- und Verifizierungsformulare, um kostenpflichtige SMS an Nummernblöcke zu generieren, die von einem Komplizen kontrolliert werden. Kein Mensch liest den Code. Ein Indiz dafür ist ein drastischer Rückgang des Verhältnisses von gesendeten zu tatsächlich eingegebenen Codes, gepaart mit einer Konzentration auf bestimmte Empfänger und einem regelmäßigen Versandrhythmus. Ein ML-Modell, das Konversion, Verteilung und Kosten pro Verifizierung über alle Absender hinweg überwacht, erkennt einen Pumping-Angriff bereits in den ersten Minuten. Eine statische Ratenbegrenzung bremst dann nur eine einzelne Quelle aus, während verteilte Angriffe diese umgehen. Die genaue Funktionsweise wird in unserem Artikel „SMS-Pumping und AIT-Betrug im Jahr 2026“ ausführlich beschrieben.
Da das Pumping adaptiv ist, muss auch die Erkennung adaptiv sein. Die Anti-Fraud-SMS-Modelle von BroadNet korrelieren Durchsatz, Inhaltsähnlichkeit und Empfängerüberschneidungen über viele Absender und Routen hinweg gleichzeitig. Dadurch wird selbst ein Angriff, der alle Schwellenwerte pro Quelle unterschreitet, auf Netzwerkebene als koordiniertes Muster erkannt. Diese quellenübergreifende Korrelation können Regeln nicht abbilden.
Regelbasierte vs. ML-gestützte Firewalls
Die beiden Ansätze ergänzen sich, sie konkurrieren nicht. Deterministische Regeln sind schnell, nachvollziehbar und ideal für bekannten problematischen Datenverkehr; maschinelles Lernen verallgemeinert sich auf neue und koordinierte Datenströme. Die leistungsstärksten Implementierungen kombinieren beide Ansätze, wobei das Modell neue Muster, sobald diese erkannt sind, in den Regelsatz zurückführt.
| Fähigkeit | Firewall mit ausschließlich Regeln | ML-gestützte Firewall |
|---|---|---|
| Erkennungsgrundlage | Statische Sperrlisten, feste Schwellenwerte | Gelernte Basiswerte pro Absender, Route und Stunde |
| Neue Angriffsmuster | Verpasst, bis eine Regel geschrieben wird | Beim ersten Auftreten als Anomalien gekennzeichnet |
| Entdeckung der Grauen Route | Manuelle Untersuchung, periodisch | Automatisch und kontinuierlich, Inline-Prägung |
| Inhaltsbedrohungen | Keyword- und URL-Sperrlisten | Klassifikatoren, die auf unbekannten Spam und Phishing generalisieren |
| Verteilte / langsame Angriffe | Umgeht die Obergrenzen pro Quelle | Erfasst durch quellenübergreifende Korrelation |
| Falsch-positive Ergebnisse bei realen Ausbrüchen | Blunt – blockiert legitime Spikes | Kontextsensitiv, passt sich der Saisonalität an |
| Wartung | Kontinuierliche manuelle Regelanpassung | Nachschulung auf Basis von Analystenfeedback, geschlossener Regelkreis |
Blockierung im geschlossenen Regelkreis: von der Erkennung zur Aktion
Die Erkennung ist nur dann sinnvoll, wenn sie in Echtzeit erfolgt, bevor eine betrügerische oder irreführende Nachricht abbricht und die Gebühr verloren geht. Eine Firewall mit geschlossenem Regelkreis führt den gesamten Zyklus inline aus, ohne dass ein Mensch in den kritischen Prozess eingreift.
- Aufnahme – jede Übermittlung wird beim Eingang in das SMSC anhand von Verhaltens-, Inhalts-, Absender-ID- und Routenreputationssignalen gleichzeitig bewertet.
- Score – das Modell gibt einen Risikoscore aus, der diese Merkmale zu einer einzigen, schwellenwertbasierten Entscheidungsvariablen zusammenfasst.
- Entscheiden – die Richtlinie ordnet die Punktzahl einer Aktion zu: zulassen, drosseln, zur Überprüfung unter Quarantäne stellen oder sofort blockieren.
- Durchsetzen – die Aktion wird innerhalb von Millisekunden an der Firewall angewendet, sodass blockierter Datenverkehr niemals abgebrochen wird und keine Kosten verursacht.
- Lernen – Analystenentscheidungen sowie Ergebnisse der nachgelagerten Auslieferung und Konvertierung werden zurückgespielt, um das Modell neu zu trainieren und die Basislinie gegenüber der nächsten Variante zu verschärfen.
Dieser Feedback-Kreislauf sorgt dafür, dass eine KI-Firewall adaptiven Betrug immer einen Schritt voraus ist: Jede blockierte Kampagne verbessert das Modell für die nächste. Rein regelbasierte Systeme verfügen über keinen solchen Kreislauf – sie warten darauf, dass ein Analyst den Betrug bemerkt, analysiert und die nächste Regel manuell formuliert.
Der Betreiberwinkel der MENA- und GCC-Region
Für Betreiber in Saudi-Arabien, den VAE, Ägypten und der gesamten Region ist die Wirtschaftlichkeit eindeutig. Hochwertige internationale A2P-Terminierung in GCC-Netzwerken macht diese Routen zu einem Hauptziel für Grey-Route-Arbitrage und Pumping. Regionale Regulierungsbehörden fordern zunehmend die Registrierung der Absender-ID und den Einsatz von Firewalls als Bedingung für die Monetarisierung von A2P-Transaktionen. Eine KI-gestützte Firewall erfüllt beide Funktionen gleichzeitig: Sie schützt die Terminierungseinnahmen durch die Reklassifizierung getarnter A2P-Transaktionen und setzt die von den Regulierungsbehörden erwarteten Absender-ID- und Inhaltskontrollen für den oft mehrsprachigen und in verschiedenen Schriftsystemen verfassten Datenverkehr durch. BroadNet betreibt seit 2003 in 200+ Ländern eine Messaging-Infrastruktur in Carrier-Qualität mit einer Verfügbarkeit von 99,99 % und ist nach ISO 27001, ISO 9001 und ISO 22301 zertifiziert sowie SOC 2-konform. Die gleichen Modelle, die diese Routen schützen, greifen auf die umfassendere Unternehmensplattform BroadNet AI für Inhalts- und Risikoanalysen zurück.
Der Schutz der Betreibereinnahmen beginnt bereits bei der Übermittlung. Die SMS-Firewall von BroadNet (/operators/sms-firewall) bewertet jede Übermittlung direkt – anhand von Verhaltensmustern, Inhaltsklassifizierung, Absender-Reputation und automatischer Erkennung von Graurouten – und blockiert betrügerische Nachrichten in einer geschlossenen Schleife, bevor diese zugestellt werden. Fordern Sie eine Verkehrsanalyse Ihrer Prioritätsrouten an.
Häufig gestellte Fragen
Wie erkennt KI SMS-Betrug?
KI erkennt SMS-Betrug, indem sie das normale Verhalten des Netzwerkverkehrs analysiert und Abweichungen markiert. Eine maschinelle Lern-Firewall erfasst Geschwindigkeit, Fan-Out, Einwegverhältnis und Timing jedes Absenders, vergleicht den aktuellen Datenverkehr mit einer routenspezifischen Baseline und klassifiziert Inhalte auf Spam und Phishing. Jede Nachricht wird direkt bewertet, und Nachrichten, die sich anders verhalten als bei echten Abonnenten, werden blockiert. So werden neue Muster erkannt, noch bevor statische Regeln existieren.
Kann maschinelles Lernen das SMS-Gerede stoppen?
Ja – es ist eines der wirksamsten Mittel dagegen. Durch das sogenannte „Pumping“ wird ein maschinenregelmäßiger, hochfrequenter OTP-Verkehr erzeugt, der ausschließlich aus dem Senden besteht und dessen Verhältnis von gesendeten zu bestätigten Nachrichten rapide sinkt. Ein Modell erkennt dies deutlich früher als eine feste Ratenbegrenzung. Entscheidend ist, dass maschinelles Lernen die Aktivitäten vieler Quellen gleichzeitig korreliert, sodass selbst verteilte Angriffe, die die jeweiligen Quellenbeschränkungen nicht überschreiten, als koordiniertes Muster erkennbar werden. Die beste Wirkung erzielt man in Kombination mit Ratenbegrenzung und Nummernvalidierung.
Wie finden Firewalls automatisch Grauzonenrouten?
Durch die Bewertung der Gesamtsignatur von als P2P getarntem A2P-Verkehr erscheint der sogenannte Graue-Traffic für einzelne Nachrichten normal, doch in der Gesamtheit zeigt er ein hohes Durchsatzvolumen, reine Sende-Verkehrsmuster mit nahezu null eingehenden Antworten, einer weiten Verteilung und einer Zielkonzentration, die kein echtes Endgerät aufweist. Verhaltensmodelle vergleichen den eingehenden Verkehr mit realen P2P-Baselines und decken verdächtige Graue-Routen kontinuierlich auf. Dadurch erfolgen die Neuklassifizierung und die Umsatzrückgewinnung direkt im Prozess und nicht erst durch periodische manuelle Prüfungen.
Referenzen
- GSMA – Ressourcen zu Messaging-Sicherheit, SMS-Firewall und A2P-Betrug: gsma.com
- GSMA – Leitfaden zu Betrug und Sicherheit (FS-Serie) für Messaging-Netzwerke: gsma.com
- BroadNet — Betreiber: SMS-Firewall und Anti-Fraud-SMS.
- BroadNet — Blog: SMS-Pumping und AIT-Betrug im Jahr 2026.