一种基于图神经网络的街道级IPv6地理定位方法技术

本发明专利技术提出了一种基于图神经网络的街道级IPv6地理定位方法，用以解决当前IPv6地理定位方法存在定位细粒度较低的技术问题。本发明专利技术的步骤为：对所获得的IP地址进行匿名处理，并将地标的经纬度信息转换为区域编号；利用图神经网络将处理后的节点信息转化为属性特征图；通过基于学习的方式将属性特征图的边的特征信息转换为边的权重；将节点的特征信息馈送到改进的GraphSAGE模型中，根据边的权重进行剪枝，通过卷积学习相邻节点的信息，并在节点表示后输出节点信息；结合区域编号将经过改进的GraphSAGE模型的节点属性更新矩阵放入层级分类模块中进行分类，输出目标地理定位。本发明专利技术在中值误差、平均误差和最大误差方面优于当前的IPv6地理定位算法。的IPv6地理定位算法。的IPv6地理定位算法。

【技术实现步骤摘要】
一种基于图神经网络的街道级IPv6地理定位方法


[0001]本专利技术涉及IPv6地理定位的
，尤其涉及一种基于图神经网络的街道级IPv6地理定位方法。

技术介绍

[0002]IP地理位置是一种允许用户基于设备的IP地址的特征(如网络测量或可查询信息)推断设备地理位置的技术，也称为网络实体地理位置。IP地理位置有许多应用，如网络安全，可用于验证和检测用户登录信息，检测服务器入侵行为，追踪非法信息传输的来源，追踪网络攻击的来源，限制网络犯罪，并封锁网络的某些区域等。在商业营销方面，IP地理位置可以用于基于用户的地理位置和人口密度来推送目标广告，或者定向自动网页翻译或其他商业领域提供地理位置信息。
[0003]根据定位粒度和在非协作条件下，现有IP地理定位算法可以分为两类：城市级和街道级。城市级算法，如Constraint
‑
based Geolocation(CBG)、Learning
‑
based Geolocation(LBG)和Ranking Nodes
‑
based Geolocation(RNBG)算法的中值误差距离在100km以内。而街道级算法，例如Street
‑
Level Geolocation(SLG)、Identification Routers and Local Delay
‑
based Geolocation(IRLD)、Geolocation of covert communication entity on the Internet for post
‑
steganalysis(MLP
‑
Geo)和Exploiting Leaked Identifiers in IPv6 for Street
‑
Level Geolocation(IPvSeeYou)等人的中值误差距离在10km以内。其中，CBG、LBG和RNBG算法适用于IPv4，而Latency Constraints and Neighbor Sequences
‑
based Geolocation(LCNS)适用于IPv6，但地理定位准确率较低。大多数现有的IPv6地理定位算法仍处于城市级别。
[0004]随着IPv4地址的耗尽，全球IPv6部署已进入加速阶段。然而，IPv4地址和IPv6地址之间存在一些差异，使得现有的IPv4地理定位方法(如CBG、LBG、RNBG等算法)不直接适用于IPv6网络，或者由于网络路由的不完善和IPv6地址的稀疏性而产生不满意的结果，并且现有的IPv6 CBG和LCNS算法不具有高的地理定位精度，并且具有较大的中值误差距离。这些差异包括：1)IPv6地址空间巨大，无法进行遍历探测；2)IPv6地址稀疏，这导致了使用地址的稀缺性和测量的巨大时间成本；3)在网络安全防御的背景下，网络空间测绘和网络空间反测绘(CASM)技术导致了大量匿名服务器；4)IPv6地址的存储成本增加，IPv6网络的连通性差导致大量具有环路和高延迟的路由。此外，由于持续有动态新增的激活IP，网络拓扑结构变化较快。
[0005]当前基于学习的方法，如机器学习和深度学习，已经在网络安全领域得到了广泛应用，包括图神经网络。本专利技术将图神经网络与计算机网络有机结合，以解决上述的局限性。

技术实现思路

[0006]针对当前的IPv6地理定位方法存在定位细粒度较低的技术问题，本专利技术提出一种
基于图神经网络的街道级IPv6地理定位方法，通过基于学习的方式过滤服务于一个区域的所有相关路由器，然后使用分层分类方法通过缩小区域来逐渐收敛地理位置粒度，提高了IPv6中的地理定位细粒度，并且地理定位模型接近街道级地理位置的程度。
[0007]为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于图神经网络的街道级IPv6地理定位方法，其步骤如下：
[0008]步骤一，预处理：对所获得的IP地址进行匿名处理去除匿名节点，并将地标信息中的经度和纬度转换为区域编号；利用图神经网络将处理后的节点的信息转化为属性特征图；
[0009]步骤二，预训练：通过基于学习的方式将属性特征图的边的特征信息转换为边的权重；
[0010]步骤三，将步骤一得到的包括IPv6地址和中间路由节点的节点的特征信息馈送到改进的GraphSAGE模型中，根据边的权重进行剪枝，通过卷积学习相邻节点的信息，聚合和更新节点信息，并在节点表示后输出节点属性更新矩阵；
[0011]步骤四：将节点属性更新矩阵放入层级分类模块中进行分类，输出目标的区域编号，即目标的地理位置。
[0012]优选地，所述匿名处理通过Traceroute处理探测器到目标IP地址获取路径信息，图神经网络对节点和拓扑结构进行信息编码，得到属性特征图；所述节点的信息包括IP地址V、与相邻节点相连接的边的时延D、域名查询协议信息WH、中间路由节点mid_route和主机名Hostname。
[0013]优选地，所述图神经网络对节点和拓扑结构进行信息编码的方法为：计算机网络的拓扑关系用图神经网络表示为属性特征图G＝(V，E，VX，EX)，其中，V＝{v1，v2，
…
，v
i
}是节点集合，v
i
代表计算机网络中的第i个网络节点；E＝{e
ij
}是边集合，e
ij
代表节点v
i
与节点v
j
之间的边；N(v
i
)＝{u1，u2，...，u
n
，u
n
&v
i
∈V}，u
n
表示与节点v
i
相邻的邻居节点集合；VX代表每个节点上的特征；EX代表边上的特征；A＝[a
ij
]代表临界矩阵表，如果节点v
i
与节点v
j
之间有连接，元素a
ij
＝1，否则a
ij
＝0，临界矩阵表A为对称矩阵。
[0014]优选地，对于多次无法显示节点的数据，匿名处理的方法为：
[0015](1)若两条路径的父节点和子节点分别相同，匿名路由或多个中间路由与最短路径的路由A等同为别名路由或负载路由，将匿名路由和中间多个路由的IP替换为最短路径的路由A的IP；
[0016](2)在同一区域使用探测器I和探测器II相互测量，两条路径中的父节点I和子节点II不相同，子节点I和父节点II也不相同，但是使用别名检测算法确定父节点I和子节点II、子节点I和父节点II均互为别名路由器；若其父节点和子节点分别相同，匿名节点和路由为别名路由或负载路由，两条路径只选其一；
[0017]将地标信息转换为区域编号的方法为：使用全球统一经纬度的方式划分区域，将实验收集的候选地标按照经纬度区域划分，首先对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的街道级IPv6地理定位方法，其特征在于，其步骤如下：步骤一，预处理：对所获得的IP地址进行匿名处理去除匿名节点，并将地标信息中的经度和纬度转换为区域编号；利用图神经网络将处理后的节点的信息转化为属性特征图；步骤二，预训练：通过基于学习的方式将属性特征图的边的特征信息转换为边的权重；步骤三，将步骤一得到的包括IPv6地址和中间路由节点的节点的特征信息馈送到改进的GraphSAGE模型中，根据边的权重进行剪枝，通过卷积学习相邻节点的信息，聚合和更新节点信息，并在节点表示后输出节点属性更新矩阵；步骤四：将节点属性更新矩阵放入层级分类模块中进行分类，输出目标的区域编号，即目标的地理位置。2.根据权利要求1所述的基于图神经网络的街道级IPv6地理定位方法，其特征在于，所述匿名处理通过Traceroute处理探测器到目标IP地址获取路径信息，图神经网络对节点和拓扑结构进行信息编码，得到属性特征图；所述节点的信息包括IP地址V、与相邻节点相连接的边的时延D、域名查询协议信息WH、中间路由节点mid_route和主机名Hostname。3.根据权利要求2所述的基于图神经网络的街道级IPv6地理定位方法，其特征在于，所述图神经网络对节点和拓扑结构进行信息编码的方法为：计算机网络的拓扑关系用图神经网络表示为属性特征图G＝V，E，VX，EX，其中，V＝v1,v2,,v
i
}是节点集合，v
i
代表计算机网络中的第i个网络节点；E＝{e
ij
}是边集合，e
ij
代表节点v
i
与节点v
j
之间的边；N(v
i
)＝{u1,u2,
…
,u
n
,u
n
&v
i
∈V，u
n
表示与节点v
i
相邻的邻居节点集合；VX代表每个节点上的特征；EX代表边上的特征；A＝a
ij
]代表临界矩阵表，如果节点v
i
与节点v
j
之间有连接，元素a
ij
＝1，否则a
ij
＝0，临界矩阵表A为对称矩阵。4.根据权利要求3所述的基于图神经网络的街道级IPv6地理定位方法，其特征在于，对于多次无法显示节点的数据，匿名处理的方法为：(1)若两条路径的父节点和子节点分别相同，匿名路由或多个中间路由与最短路径的路由A等同为别名路由或负载路由，将匿名路由和中间多个路由的IP替换为最短路径的路由A的IP；(2)在同一区域使用探测器I和探测器II相互测量，两条路径中的父节点I和子节点II不相同，子节点I和父节点II也不相同，但是使用别名检测算法确定父节点I和子节点II、子节点I和父节点II均互为别名路由器；若其父节点和子节点分别相同，匿名节点和路由为别名路由或负载路由，两条路径只选其一；将地标信息转换为区域编号的方法为：使用全球统一经纬度的方式划分区域，将实验收集的候选地标按照经纬度区域划分，首先对于一个实验区域采用二分法划分，再对二分法划分后的区域继续二分法划分，将地标的经纬度转为每个区域对应的区域编号。5.根据权利要求3或4所述的基于图神经网络的街道级IPv6地理定位方法，其特征在于，所述基于学习的方式的实现方法为：所述边的特征EX为边上两个IP设备之间的时延D、两个IP的相似度P、域名查询协议相似度Q和主机名相似度HN，则EX＝{D，P，Q，HN}，节点v
i
与节点v
j
之间的时延d
ij
组成的集合时延D为原始数据；边上两个IP的相似度P中的元素为：
其中，s
ij
表示边e
ij
的两个IP连续相同的位数，h表示IP的总位数，p
ij
表示两个IP相似的比例，且p
ij
∈[0,1]；域名查询协议相似度Q中的元素为：其中，z
ij
表示边e
ij
相连的两个IP的域名查询协议信息相同的数目，g表示域名查询协议信息的总条数，q
ij
表示边上两个IP的域名查询协议相似度，且q
ij
∈[0,1]；主机名相似度HN中的元素为：其中，m
ij
表示边e
ij
相连的两个IP的最大主机名字符串，n
ij
表示相连的两个IP连续相同的字符串，hn
ij
表示边e
ij
的主机名相似度，且hn
ij
∈[0,1]；构建线性回归模型：f(EX
ij
)＝(w
t
x+bias1)；其中，w0,w1,w2,w3分别对应元素d
ij
,p
ij
,q
ij
,hn
ij
的权重，w
t
＝{w0,w1,w2,w3}表示权重矩阵，x＝{d
ij
,p
ij
,q
ij
,hn
i...

【专利技术属性】
技术研发人员：马照瑞，张世城，栗娜，胡新浩，王宏建，李天傲，董麒麟，冯浩，殷毅，周诗洁，闫震，朱付保，马培凯，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：