一种基于超图神经网络的细粒度IPv6定位方法技术

本发明专利技术提出了一种基于超图神经网络的细粒度IPv6定位方法，步骤为：收集目标IP的网络测量数据进行数据清洗，结合网络拓扑结构实现简单图建模和属性抽取，得到简单图的节点和边；基于IPv6网络拓扑的集群特性，在IPv6网络拓扑上利用层次聚类算法进行节点聚类，构建超图；在超图中利用顶点卷积最大化图池化超边中地标的位置信息属性，通过超边卷积学习超图中超边间的位置信息，节点卷积学习超边特征中的位置信息同时聚合节点自身和周围邻居节点的特征，获取IPv6目标节点的特征向量矩阵；通过多层感知机进行解码任务，输出目标IPv6的位置信息预测值。本发明专利技术在三个实验地区的网络实体定位中值误差距离在5.837km~8.52km。定位中值误差距离在5.837km~8.52km。定位中值误差距离在5.837km~8.52km。

【技术实现步骤摘要】
一种基于超图神经网络的细粒度IPv6定位方法


[0001]本专利技术涉及IP定位的
，尤其涉及一种基于超图神经网络的细粒度IPv6定位方法，引入超图神经网络在IPv6定位领域。

技术介绍

[0002]IP地址是互联网设备在网络空间通信的唯一标识符，IP定位任务目标是获得目标IP地址在真实世界的位置属性映射。基于位置的互联网服务被广泛运用于商业营销、网络安全、网络性能优化等。
[0003]早期的IP定位任务是基于收集和组建的IP位置数据库提供的查询业务，IP位置数据库维护了一组IP地址和地理位置的映射，如图1(a)所示，这些数据来源于WHOIS和DNS等公共数据库，考虑由于数据库仅在自愿的基础上维护，路由对象信息可能会变得陈旧，IP定位的准确性和可靠性下降。如图1(b)所示，基于网络测量的IP定位算法在满足数据可靠性和实时性的基础上，加上位置约束对测量数据的归纳分析，抽取目标IP区域的位置映射规则，是基于规则的IP定位算法的基本过程，但是不同区域的计算机网络规则上的差异使得基于规则的IP定位算法泛化性能较差。随着网络深度的增长和细颗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图神经网络的细粒度IPv6定位方法，其特征在于，其步骤如下：步骤一：收集目标IP的网络测量数据，对网络测量数据进行数据清洗，清洗后的网络测量数据结合网络拓扑结构实现简单图建模和属性抽取，得到简单图的节点和边；步骤二：利用简单图的节点和边，基于IPv6网络拓扑的集群特性，在IPv6网络拓扑上进行基于时延、IPv6地址前缀、主机连接关系利用自底向上的层次聚类算法进行节点聚类，构建基于IPv6位置关联的超边，得到超图；步骤三：在超图中利用顶点卷积最大化图池化超边中地标的位置信息属性，通过超边卷积基于时延、AS域的位置信息特征学习超图中超边间的位置信息，节点卷积基于自注意力机制学习超边特征中的位置信息同时聚合节点自身和周围邻居节点的特征，获取IPv6目标节点的特征向量矩阵；步骤四：根据IPv6目标节点的特征向量矩阵，通过多层感知机进行解码任务，输出目标IPv6的位置信息预测值。2.根据权利要求1所述的基于超图神经网络的细粒度IPv6定位方法，其特征在于，所述网络测量数据包括探针到地标主机和目标主机的Traceroute测量数据，对目标IP的网络扫描，获取目标IP主机的扫描数据、Whois数据；Traceroute测量数据包括Traceroute测量路径数据和延迟数据；提高测量频率与周期，在不同的时间段内获取目标IP的网络测量数据，选择其中延迟最小的测量数据；对原始的网络测量数据进行基于规则的清洗，清洗异常路径数据和匿名路由器；所述简单图建模是基于网络测量数据和网络拓扑的无向图映射，实现方法为：以清洗后网络测量数据中的IPv6网络主机作为节点，网络拓扑中IP地址和IP地址之间的连接关系作为图中的边，其中任意一个IP主机的IP地址为IP
i
，测量路径集为R
k
＝(IP1→
IP2→
IP3→…→
IP
j
)，测量路径集R
k
中收集了k条Traceroute测量路径数据，j是单条Traceroute测量路径的长度，IP
j
表示在一条测量路径集R
k
中的最后一个IP主机；将i个IPv6地址IP
i
分别表示为节点v1,v2,v3,
…
,v
i
，i是网络测量数据中IPv6地址数量的最大值；从测量路径集R
k
中抽取两个IP间的链路连接关系IP1→
IP
i
，去除IP主机间的重复连接关系；所述属性抽取包括节点属性抽取、边的属性选择以及生成初始低维嵌入；节点属性抽取包括Traceroute测量数据中的时延和IPv6地址，节点时延的选取规则是多次在Traceroute测量数据中选择时延最小的数据；抽取IPv6主机的设备指纹数据包括：主机Mac地址、系统版本、端口号、服务信息；抽取IPv6主机在Whois备案信息中的AS域信息、IPv6地址前缀信息，将IP地址前缀拆分编码存放；将延迟值进行基于区间刻度的切片，切片操作为：将延迟值划分为10个区间，在节点延迟值所属区间刻度中存放特征编码信息；将节点上的非零特征与非零向量关联生成节点的初始特征向量作为初始低维嵌入：其中，是节点v
i
的初始特征向量，表示所有节点的嵌入矩阵；边的属性选择为：边用来表示节点间的连接关系。3.根据权利要求1或2所述的基于超图神经网络的细粒度IPv6定位方法，其特征在于，以图相似注意力系数e
ij
作为聚类系数，以模块度增益为聚类评估标准，通过BuGN算法实现节点聚类，完成超图构建。4.根据权利要求3所述的基于超图神经网络的细粒度IPv6定位方法，其特征在于，所述
超边的构建为：基于IPv6网络拓扑中的集群特性，以图相似注意力系数评估IPv6主机的测量数据相似度，基于IPv6主机连接关系自网络边缘向网络中心凝聚超边，以时延和IPv6前缀特征约束超边的位置区域边界；在给定的嵌入图g＝(h
v
,e)上抽取一些具有地理位置关联的IP主机，被一条超边所连接，通过超边构造超图Hg＝(V,E
h
)，其中h
v
为节点v的特征嵌入，e为边集，V为顶点集，E
h
为超边集；所述BuGN算法实现节点聚类的方法为：在简单图上自网络终端开始，计算边介数，从简单图的叶子节点开始，基于延迟、IP地址前缀进行聚类任务；BuGN算法采用自底向上的节点聚类模式，从图边缘开始向图中心开始节点聚类，模块度用来评估超边内的节点位置相似，采用模块度增益ΔQ评估凝聚社区强度，阈值α约束超边的位置区域的边界。5.根据权利要求4所述的基于超图神经网络的细粒度IPv6定位方法，其特征在于，所述超图构建方法为：给定的简单图g＝(h
v
,e)和简单图上的节点的度掩码矩阵w，在度掩码矩阵w中度为1的节点在矩阵中赋值为1，度大于1的节点矩阵赋值为0；以图相似注意力系数e
ij
去评估节点间的相似度，将图相似注意力系数e
ij
作为BuGN算法层次凝聚聚类的特征依据，以模块度增益ΔQ评估凝聚超边E
hi
，构建超图；超边的位置区域边界的约束来源于时延值和IPv6地址前缀，以区域时延阈值和IPv6地址前缀计算得出的相似注意力系数α作为阈值，满足该阈值的节点再进行模块度评估，区域时延值和IPv6地址前缀阈值取值来源于基于规则的筛选。6.根据权利要求5所述的基于超图神经网络的细粒度IPv6定位方法，其特征在于，根据简单图中节点的特征向量h
v
和节点度掩码矩阵w，利用图注意力神经网络机制计算节点注意力系数Gat(h
v
,w)作为图相似注意力系数e
ij
，若e

【专利技术属性】
技术研发人员：马照瑞，胡新浩，栗娜，张世城，冯浩，王宏建，李天傲，殷毅，张书博，陈帅斌，张万，张怡豪，汪运洋，张启坤，马培凯，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：