郑州网站的优化抖音权重查询工具

NeighborGeo：基于neighbors的IP地理定位

X. Wang, D. Zhao, X. Liu, Z. Zhang, T. Zhao, NeighborGeo: IP geolocation based on neighbors, Comput. Netw. 257 (2025) 110896,

2. Related work

本节介绍了与本文提出的方法相关的一些工作，主要包括IP地理定位和图结构学习。

2.1 IP geolocation

IP地理定位是一个重要的研究领域，其任务是根据IP地址推断用户的位置。在过去的文献中，研究人员从多个角度探索了这一问题，主要分为数据挖掘、主动网络测量、机器学习与深度学习三个方面。

数据挖掘技术利用从互联网上获取的各种信息，包括网页内容[17]、WHOIS数据库[18]、反向域名[17]、邮政地址[19]、网络摄像头[20]等。例如，NetGeo[18]分析WHOIS记录来预测位置，checkin - geo[21]使用通过checkin服务和PC登录日志共享的位置数据来进行位置定位，而最近的GeoCAM利用网络摄像头收集的数据进行位置分析[20]。这些方法通常依赖被动收集的网络数据，可能不可靠和不完整，导致定位不准确。

主动网络测量基于网络延迟与地理距离正相关的原理，一度是IP地理定位的主流方法。早期的工作如geoping[17]涉及从地理上分散的探测主机向目标ip发送ICMP数据包，利用最近的地标服务器的位置作为地理定位的参考。CBG[22]在地球表面围绕每个地标服务器创建圆圈，以推断目标IP的位置。TBG[23]将网络延迟信息与traceroute获得的拓扑测量相结合，实现更精确的位置估计。虽然这些方法已经被证明是有效的，但它们受限于极端网络测量的不稳定性和对专家经验的依赖，限制了它们的可扩展性。

目前，随着机器学习和深度学习的发展，越来越多的相关方法被应用到IP地理定位中。NN-Geo[1]利用多个源的往返时间作为特征，并采用径向基函数神经网络进行IP地理定位。另一方面，MLPGeo[25]使用多层感知器网络，输入IP地址及其特征，集成其他信息（如路由器id）来直接映射测量特征和纬度/经度标签之间的关系。然而，随后的研究表明，多层感知器并不适合对具有非欧氏结构的数据进行建模，如计算机网络。为应对这一挑战，GNN-Geo[15]将IP地理定位重新定义为属性图节点回归问题，使用gnn从目标IP主机周围的知识中提取信息。因此，图神经网络已被广泛用于IP本地化。GraphGeo[5]将IP主机知识和邻域关系集成到一个图中，利用不确定性感知的图神经网络进行IP地理定位，而RIPGeo[24]专注于地理定位系统的稳定性，并提出了一种有效的扰动训练策略来增强图表示学习的稳定性。

虽然图学习方法可以有效地利用域信息进行定位预测，提高IP定位精度，但IP特征学习固有的局限性往往导致不可靠的结构和域信息。在实际应用中，标记点往往是分散的、不规则的，且往往分布不均匀。传统方法容易受到远处地标的影响，导致显著误差。因此，在实际场景中重点关注选择合适的邻居进行精确定位，从而进一步提高定位精度至关重要。

2.2 Graph Structure Learning

图结构学习&