CN105227689B - 基于局部时延分布相似性度量的目标ip定位算法 - Google Patents
基于局部时延分布相似性度量的目标ip定位算法 Download PDFInfo
- Publication number
- CN105227689B CN105227689B CN201510550803.9A CN201510550803A CN105227689B CN 105227689 B CN105227689 B CN 105227689B CN 201510550803 A CN201510550803 A CN 201510550803A CN 105227689 B CN105227689 B CN 105227689B
- Authority
- CN
- China
- Prior art keywords
- target
- time delay
- terrestrial reference
- mrow
- local time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 65
- 238000005259 measurement Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2101/00—Indexing scheme associated with group H04L61/00
- H04L2101/60—Types of network addresses
- H04L2101/69—Types of network addresses using geographic information, e.g. room number
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于局部时延分布相似性度量的目标IP定位算法,包括以下几个步骤A:基于现有的区域城市级定位算法,初步判断目标所属城市或区域及该城市内的地标;B:分别测量地标和目标的局部时延:重复该测量过程,得到大量的局部时延数据;C:根据大量的局部时延,获取地标和目标的局部时延分布;D:计算目标和每个地标之间局部时延分布的相似性,将与目标的局部时延分布相似度最高的地标,作为对目标的估计位置。本发明与现有的典型算法SLG相比,本文算法具有更高的定位精度。
Description
技术领域
本发明涉及配电柜安装用工具研发技术领域,尤其涉及基于局部时延分布相似性度量的目标IP定位算法。
背景技术
目前,现有具有较高精度定位算法SLG(Street-Level Geolocation)在最后一层定位中,是根据最小相对时延策略选择的地标作为目标的估计位置,此种估计方法难以保证该地标距离目标最近,且当最近路由器为匿名路由器时,通过此种定位方法得到的估计位置的误差更大。
发明内容
本发明的目的是提供基于局部时延分布相似性度量的目标IP定位算法,能够提高精确度,减少估算误差。
本发明采用的技术方案为:
基于局部时延分布相似性度量的目标IP定位算法,包括以下几个步骤:
A:基于现有的区域城市级定位算法,初步判断目标所属城市或区域及该城市内的地标,所述的目标所在城市内的所有地标记为地标集一,对目标和地标集一中的所有地标,采用traceroute程序对其进行路径探测,得到该地标集的拓扑连接关系,从中查找出目标与地标相连的最近一跳中间路由器作为最近共同路由器,并将该地标作为地标集二;
B:分别测量并计算得到最近共同路由器与地标和目标之间的时延,作为地标和目标的局部时延:对目标、最近共同路由器和地标集三中的地标发起时延测量,分别计算得到目标、地标与最近共同路由器间的局部时延;在一段时间内,重复该测量过程,得到大量的局部时延数据;
C:根据大量的局部时延,获取地标和目标的局部时延分布;对步骤B中得到的大量的局部时延数据,经过统计分析,得到目标和地标的局部时延分布;
D:计算目标和每个地标之间局部时延分布的相似性,将与目标的局部时延分布相似度最高的地标,作为对目标的估计位置。
所述步骤B中的局部时延测量方法如下:
B1:同一时刻t,多次测量上述节点时延,取每个被测量节点时延的最小值,作为该时刻各节点的时延,记地标Li(i=1,2,3)的时延为Li,t,目标T的时延为Tt,最近共同路由器R的时延为Rt,则地标Li的局部时延可通过计算Li,t-Rt得到,同理,通过计算Tt-Rt得到目标T的局部时延;
B2:将该测量过程在尽可能长的时间段内重复多次,每次测量之间的时间间隔尽可能小;
B3:对地标Li和目标T可得到大量的局部时延;
B4:对测得的局部时延作直方图统计,即可得到目标和地标局部时延分布。
所述的步骤D中计算目标和每个地标之间局部时延分布的相似性具体包括以下步骤:
D1:设PT(X)为目标T的局部时延分布,Qi(X)为地标i的局部时延分布,则两者局部时延分布的相似性,通过下式计算相对熵来衡量:
其中,X为局部时延的取值范围,通常根据实际的测量值确定;
D2:最后,比较目标与每个地标局部时延分布的相似性,与目标局部时延分布相对熵最小的地标作为对目标的估计位置,如下式所示:
本发提出了基于局部时延分布相似性度量的IP定位算法。该算法在确定目标的区域城市级位置的基础上,首先对该区域或城市内的大量地标进行拓扑探测,查找出目标与地标相连的最近一跳中间路由器作为最近共同路由器;接着,分别测量并计算得到最近共同路由器与地标和目标之间的时延,作为地标和目标的局部时延;然后,根据大量的局部时延,获取地标和目标的局部时延分布;最后,将与目标的局部时延分布相似度最高的地标,作为对目标的估计位置,与现有的典型算法SLG相比,本文算法具有更高的定位精度。
附图说明
图1为本发明的定位算法原理图;
图2为局部时延测量实例;
图3为地标和目标的部分共同路由器为匿名路由器举例;
图4为本发明与SLG算法精确度和误差的实验结果比较示意图。
具体实施方式
如图1、2和3所示,在同一个运营商网络内,通过最后一跳共同路由器相连的两台主机,若地理距离相近,则以同种方式接入互联网的概率较大,相同的网络接入方式对最后一跳时延的影响应近似,进而两台主机的最后一跳时延具有相似的变化特点;分别测量两台主机时延时,若探测报文经过相似的转发路径,则这两台主机的时延应呈现相似的变化特点,即时延分布相似。图中三角形代表目标,正方形代表探测源,圆形代表地标,圆柱体代表路由器。
基于局部时延分布相似性度量的定位算法的目的,是在区域城市级定位的基础上,实现对目标的更细粒度的定位。定位过程包括如下几个主要部分:拓扑发现和分析、局部时延测量、局部时延分布获取及相似性计算等。算法流程如图所示,本发明的具体算法步骤如下:
A:首先基于现有的区域城市级定位算法,初步判断目标所属城市(或区域)及该城市内的地标(记为地标集一),对目标和地标集一中的所有地标,采用traceroute程序对其进行路径探测,得到该地标集的拓扑连接关系,对该区域或城市内的大量地标进行拓扑探测,查找出目标与地标相连的最近一跳中间路由器作为最近共同路由器;并将该地标作为地标集二;
B:接着,分别测量并计算得到最近共同路由器与地标和目标之间的时延,作为地标和目标的局部时延:对目标、最近共同路由器和地标集三中的地标发起时延测量,计算得到目标和地标与最近共同路由器间的局部时延;在一段时间内,重复该测量过程,得到大量的局部时延数据;所述步骤B中的局部时延测量方法如下:
B1:同一时刻t,多次测量上述节点时延,取每个被测量节点时延的最小值,作为该时刻各节点的时延,记地标Li(i=1,2,3)的时延为Li,t,目标T的时延为Tt,最近共同路由器R的时延为Rt,则地标Li的局部时延可通过计算Li,t-Rt得到,同理,通过计算Tt-Rt得到目标T的局部时延;
B2:将该测量过程在尽可能长的时间段内重复多次,每次测量之间的时间间隔尽可能小;
B3:对地标Li和目标T可得到大量的局部时延数据;
B4:对测得的局部时延作直方图统计,即可得到目标和地标局部时延分布。
局部时延测量和分布获取是本文定位算法的核心步骤之一。通过拓扑发现和分析,可确定与目标T通过最近共同路由器R相连的地标L={L1,L2,…,Ln}。因为在某一时刻,网络环境近似处于相对稳定的状态,而目标和地标集L中的地标通过最近共同路由器R相连,且如果探测源与目标位于同一城市,探测源和目标(地标)之间的路径长度(跳数)相对较短,在同一时刻测量目标和地标的时延时,从探测源至R之间的路径往往变化较小,如果不同地标(地标和目标)之间的时延分布存在差异,这种差异往往是共同路由器与地标和目标之间的局部时延造成的。因此,本文通过测量最近共同路由器和地标及目标之间的时延,计算得到局部时延。
C:然后,根据大量的局部时延,获取地标和目标的局部时延分布;对步骤B中得到的大量的局部时延数据,经过统计分析,得到目标和地标的局部时延分布;
如图2所示:给出了三个地标通过最后一跳共同路由器R与目标T相连的局部时延测量实例(当R不是最后一跳共同路由器时,测量方法相同)。探测源P向目标T、最后一跳共同路由器R及地标L1,L2,L3发起时延测量,测量方法如下:同一时刻t,多次测量上述节点时延,取每个被测量节点时延的最小值,作为该时刻各节点的时延,记地标Li(i=1,2,3)的时延为Li,t,目标T的时延为Tt,最近共同路由器R的时延为Rt,则地标Li的局部时延可通过计算Li,t-Rt得到,同理,目标T的局部时延可通过计算Tt-Rt得到。将该测量过程在尽可能长的时间段内重复多次,每次测量之间的时间间隔尽可能小。最终,对地标Li和目标T可得到大量的局部时延。对测得的局部时延作直方图统计,即可得到目标和地标局部时延分布。
D:最后,计算目标和每个地标之间局部时延分布的相似性,将与目标的局部时延分布相似度最高的地标,作为对目标的估计位置。所述的判断两个概率密度分布P和Q之间的相似度,可采用计算相对熵(relative entropy)来衡量。相对熵又称KL散度(Kullback-Leibler divergence,简称KLD),是用来度量使用基于Q的编码来编码来自P的样本平均所需要的额外的位元数。典型情况下,P表示数据的真实分布,Q表示数据的理论分布,模型分布,或P的近似分布。当两个分布相同时,其相对熵为0,当两个分布的差异增大时,相对熵也随之增大。
对离散型的随机变量来说,概率分布P和Q的相对熵P(X)、Q(X)可按式定义:
具体的,所述的步骤D中计算目标和每个地标之间局部时延分布的相似性具体包括以下步骤:
D1:设PT(X)为目标T的局部时延分布,Qi(X)为地标i的局部时延分布,则两者局部时延分布的相似性,通过下式计算相对熵来衡量:
其中,X为局部时延的取值范围,通常根据实际的测量值确定;
:D2:最后,比较目标与每个地标局部时延分布的相似性,与目标局部时延分布相对熵最小的地标作为对目标的估计位置,如式:
本发明的有效性举例分析:
对区域内目标和地标的路径探测后,可构建该区域内目标和地标间的拓扑连接关系,进而可查找出目标与地标相连的最近共同路由器。当该最近共同路由器是最后一跳共同路由器时,与其相连的目标和地标之间通常相距较近。当共同路由器中,靠近目标的若干个共同路由器为匿名路由器时,从上述拓扑结构中能够查找到的最近共同路由器(并非真实的最近共同路由器)可能距离目标较远。下面分别从最后一跳(或若干跳)共同路由器是否为匿名路由器两种情况,分析本文算法的有效性。
举例说明(1):最后一跳共同路由器非匿名路由器
最后一跳时延通常与主机和互联网的接入方式有关。不同的接入方式在安装条件、所需设备、数据传输速率等方面都有很大的不同,呈现出不同的特点,如Cable Modem接入方式下,在很短的时间段内,其链路带宽也会变化很大,DSL接入方式下,最后一跳时延相对较大。对用户而言,必须通过ISP才能接入到因特网,而ISP为了管理方便、节省成本,在一个较小区域(如小区)内,通常使用同一种接入技术(或以一种接入技术为主),因此,位于该区域内的不同主机,在与外部网络进行数据交换时,往往经过相同的处理设备和相似的物理链路,对外呈现出相似的网络特点,如时延的抖动状况等。
举例说明(2):最近共同路由器为最后一跳共同路由器的实例:如图2所示。其中,地标L1,L2,L3通过最后一跳共同路由器R与目标T相连,局部时延即是最后一跳时延,最后一跳时延的测量方法如2.1节所述。此时,测得的最后一跳时延中,传播时延所占比例极小,大部分的时延是由网络接入部分的链路和设备造成的,SLG算法试图通过地标与目标之间的相对时延(即两段最后一跳时延之和)的大小,来衡量其距离的远近,随机性较大。本文算法通过比较最后一跳时延分布的相似性,将能够以一定概率挑选出与目标以同种方式接入因特网的地标,从而可排除虽与目标通过最后一跳共同路由器相连,但以不同方式接入因特网的地标,与SLG算法相比,可在一定程度上降低选择距离目标较近的地标的随机性。
举例说明(3):最后一跳(或若干跳)共同路由器为匿名路由器
现有用于发现网络拓扑结构的方法主要是通过traceroute程序获取目标网络中路由器的IP地址之间的连接关系,进而推断实际的网络结构。然而,在探测过程中,常常出现无法识别的路由器的IP地址,多种原因造成路由器不对探测报文作出响应,如网络管理员为了其管辖的网络的安全性和私密性,将路由器配置成屏蔽对traceroute探测报文的响应;网络处于拥塞状态时,路由器可能不对探测报文做出响应等,通常称这些路由器为匿名路由器。匿名路由器的出现将严重影响网络拓扑结构的正确性和完整性。
SLG算法中,对地标和目标发起路径探测,构建其拓扑连接结构,进而找出与目标通过最近共同路由器相连的地标是算法的核心部分之一。但是,当该网络拓扑结构中,地标和目标的最近共同路由器为匿名路由器时,将无法正确获知地标和目标在拓扑结构中真实的连接关系,进而将影响算法的定位精度。图给出了地标和目标的部分共同路由器为匿名路由器实例。其中,与目标T之间通过共同路由器相连的地标为L1,L2,L3和L4,图中的虚线框内的路由器均为匿名路由器。从图中可以看出,R1,R2和R3分别为目标与L1,L2,L3和L4的共同路由器,然而,由于R1和R2为匿名路由器,无法获得其与目标和地标之间真实的连接关系。SLG算法将会把R3作为目标和地标L1,L2,L3,L4的最近共同路由器,然后从L1,L2,L3,L4中将与T相对时延最小的地标作为目标的估计位置,由于L1与L3相比,测量时延的探测报文经过更多的路由器转发(R1和R2),L1与T之间以R3为最近共同路由器的相对时延往往大于L3和T之间的相对时延,此时,SLG算法将以较大概率将L3作为对目标的估计位置,造成较大的定位误差。
本发明基于局部时延分布相似性度量的定位算法在拓扑发现和分析阶段,同样将R3作为目标T和地标L1,L2,L3,L4的最近共同路由器。与SLG不同的是,本文不根据相对时延来判断地标与目标之间地理距离的远近,而是对T,L1,L2,L3,L4和R3发起多次时延测量(测量方法见2.1节),得到T,L1,L2,L3和L4局部时延分布。从图可知,在测量地标L1和T的时延时,探测报文的转发路径最为相似,两者的时延分布往往也更为相似。此时,该算法能够以较大的概率将L1作为目标的估计位置,误差较小。
为验证算法的有效性,本文在郑州及其周边地区的同一运营商网络内开展了性能比较实验。由于本文的主要工作是讨论如何在城市或区域内部进行更细粒度的定位,因此,本文的实验直接在较小的范围内开展。实验中使用了118个地标,使用位于郑州市内的一台主机作为探测源。在获取局部时延分布阶段,对目标,共同路由器及通过共同路由器与目标相连的地标,采用基于ICMP开发的Ping程序测量时延,每组测量十次,取最小值。拓扑发现部分使用traceroute程序实现。
由于实验中的数据量有限,在测试算法时,本文采用了机器学习中常用的缺一交叉验证法(Leave-One-Out Cross-Validation),即每一次测试算法时,只取其中的一个IP当作目标用于测试,其余的IP作为地标。
本文算法和SLG算法的测试结果以误差的累积概率分布表示,由图4可以看出:本文算法对118个目标的定位结果最大误差约35km,中值误差约为13km。SLG算法的最大误差近60km,中值误差约为16.4km。本文定位算法虽优于SLG算法,但是由于地标数量较少,且分布较分散,覆盖面积较大,导致误差仍然较大。
本文提出了一种基于局部时延分布相似性度量的IP定位算法,首先给出了该算法的基本流程和主要步骤;接着,介绍了局部时延的测量和分布获取方法,及相似性计算方法;然后,对算法的有效性作了分析;最后通过实验测试了该算法的定位效果。实验中,对数据集,分别采用本文提出的定位算法和SLG算法进行定位,实验结果表明,与SLG算法相比,本文算法具有更高的定位精度。
Claims (3)
1.基于局部时延分布相似性度量的目标IP定位算法,其特征在于:包括以下几个步骤:
A:基于现有的区域城市级定位算法,初步判断目标所属城市或区域及该城市或区域内的地标,所述的目标所在城市或区域内的所有地标记为地标集一,对目标和地标集一中的所有地标,采用traceroute程序对其进行路径探测,得到该地标集的拓扑连接关系,从中查找出目标与地标相连的最近一跳中间路由器作为最近共同路由器,并将该地标作为地标集二;
B:分别测量并计算得到最近共同路由器与地标和目标之间的时延,作为地标和目标的局部时延:对目标、最近共同路由器和地标集二中的地标发起时延测量,分别计算得到目标、地标与最近共同路由器间的局部时延;在一段时间内,重复该测量过程,得到大量的局部时延数据;
C:根据大量的局部时延,获取地标和目标的局部时延分布;对步骤B中得到的大量的局部时延数据,经过统计分析,得到目标和地标的局部时延分布;
D:计算目标和每个地标之间局部时延分布的相似性,将与目标的局部时延分布相似度最高的地标,作为对目标的估计位置。
2.根据权利要求1所述的基于局部时延分布相似性度量的目标IP定位算法,其特征在于:所述步骤B中的局部时延测量方法如下:
B1:同一时刻t,多次测量上述节点时延,取每个被测量节点时延的最小值,作为该时刻各节点的时延,记地标Li(i=1,2,3)的时延为Li,t,目标T的时延为Tt,最近共同路由器R的时延为Rt,则地标Li的局部时延通过计算Li,t-Rt得到,同理,通过计算Tt-Rt得到目标T的局部时延;
B2:将该测量过程在尽可能长的时间段内重复多次,每次测量之间的时间间隔尽可能小;
B3:对地标Li和目标T可得到大量的局部时延。
3.根据权利要求2所述的基于局部时延分布相似性度量的目标IP定位算法,其特征在于:所述的步骤D中计算目标和每个地标之间局部时延分布的相似性具体包括以下步骤:
D1:设PT(X)为目标T的局部时延分布,Qi(X)为地标i的局部时延分布,则两者局部时延分布的相似性,通过下式计算相对熵来衡量:
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>K</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>T</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mi>X</mi>
</mrow>
</munder>
<msub>
<mi>P</mi>
<mi>T</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>T</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,X为局部时延的取值范围,根据实际的测量值确定;
D2:最后,比较目标与每个地标局部时延分布的相似性,与目标局部时延分布相对熵最小的地标作为对目标的估计位置,如下式所示:
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</munder>
<msub>
<mi>D</mi>
<mrow>
<mi>K</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>T</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510550803.9A CN105227689B (zh) | 2015-08-31 | 2015-08-31 | 基于局部时延分布相似性度量的目标ip定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510550803.9A CN105227689B (zh) | 2015-08-31 | 2015-08-31 | 基于局部时延分布相似性度量的目标ip定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105227689A CN105227689A (zh) | 2016-01-06 |
CN105227689B true CN105227689B (zh) | 2018-05-11 |
Family
ID=54996358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510550803.9A Active CN105227689B (zh) | 2015-08-31 | 2015-08-31 | 基于局部时延分布相似性度量的目标ip定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105227689B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10397896B2 (en) | 2017-04-19 | 2019-08-27 | International Business Machines Corporation | IP address geo-position detection based on landmark sequencing |
CN108156020B (zh) * | 2017-12-01 | 2022-10-18 | 国家计算机网络与信息安全管理中心 | 一种ip定位数据库优化方法及装置 |
CN110012120A (zh) * | 2019-03-14 | 2019-07-12 | 罗向阳 | 一种基于PoP网络拓扑的IP城市级定位算法 |
CN110012128A (zh) * | 2019-04-12 | 2019-07-12 | 中原工学院 | 基于路由跳数的网络实体地标筛选方法 |
CN111064817B (zh) * | 2019-12-13 | 2022-02-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于节点排序的城市级ip定位方法 |
CN110995885B (zh) * | 2019-12-13 | 2022-02-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于路由器误差训练的ip定位方法 |
CN111526222B (zh) * | 2020-04-14 | 2021-07-27 | 中国科学院信息工程研究所 | 网络设备地理定位方法及装置 |
CN115665237B (zh) * | 2022-12-28 | 2023-03-14 | 中国电子信息产业集团有限公司第六研究所 | 一种ip地址实时定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404664A (zh) * | 2008-11-05 | 2009-04-08 | 湖南大学 | 一种基于节点聚类的网络定位优化算法 |
CN101910863A (zh) * | 2008-01-14 | 2010-12-08 | 西门子公司 | 用于在Ad-Hoc网络中确定节点位置的方法、节点、装置、计算机程序和数据载体 |
CN102195833A (zh) * | 2011-05-20 | 2011-09-21 | 电子科技大学 | 一种基于层次型坐标系统的ip网络时延预测方法 |
CN104506591A (zh) * | 2014-12-11 | 2015-04-08 | 罗向阳 | 一种基于最近共同路由器的目标ip地理位置定位方法 |
-
2015
- 2015-08-31 CN CN201510550803.9A patent/CN105227689B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101910863A (zh) * | 2008-01-14 | 2010-12-08 | 西门子公司 | 用于在Ad-Hoc网络中确定节点位置的方法、节点、装置、计算机程序和数据载体 |
CN101404664A (zh) * | 2008-11-05 | 2009-04-08 | 湖南大学 | 一种基于节点聚类的网络定位优化算法 |
CN102195833A (zh) * | 2011-05-20 | 2011-09-21 | 电子科技大学 | 一种基于层次型坐标系统的ip网络时延预测方法 |
CN104506591A (zh) * | 2014-12-11 | 2015-04-08 | 罗向阳 | 一种基于最近共同路由器的目标ip地理位置定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105227689A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105227689B (zh) | 基于局部时延分布相似性度量的目标ip定位算法 | |
CN102111312B (zh) | 基于多尺度主成分分析的网络异常检测方法 | |
Eriksson et al. | A learning-based approach for IP geolocation | |
Bender et al. | Fixing Ally's growing pains with velocity modeling | |
Eriksson et al. | Posit: a lightweight approach for IP geolocation | |
CN107277121B (zh) | 一种网络设备定位方法及装置 | |
CN102724078A (zh) | 一种动态网络下基于压缩感知的端到端网络流量重构方法 | |
Daniel et al. | Map-z: Exposing the zcash network in times of transition | |
CN107248996A (zh) | 一种dns放大攻击的检测与过滤方法 | |
Zhao et al. | IP Geolocation based on identification routers and local delay distribution similarity | |
CN110071829A (zh) | Dns隧道检测方法、装置及计算机可读存储介质 | |
CN108769018B (zh) | 一种多维多粒度的网络空间安全度量方法 | |
Bochem et al. | Robustness enhanced sensor assisted Monte Carlo localization for wireless sensor networks and the Internet of Things | |
CN111064817B (zh) | 一种基于节点排序的城市级ip定位方法 | |
CN106972968A (zh) | 一种基于交叉熵联合马氏距离的网络异常流量检测方法 | |
Lu et al. | One-way queuing delay measurement and its application on detecting DDoS attack | |
Eriksson et al. | Posit: An adaptive framework for lightweight ip geolocation | |
Qiao et al. | Efficient loss inference algorithm using unicast end-to-end measurements | |
CN105812204B (zh) | 一种基于连接度估计的递归域名服务器在线识别方法 | |
Wu et al. | Quantitative analysis of the security of software-defined network controller using threat/effort model | |
Laki et al. | A detailed path-latency model for router geolocation | |
Ding et al. | A street-level IP geolocation method based on delay-distance correlation and multilayered common routers | |
Hillmann et al. | Dragoon: advanced modelling of IP geolocation by use of latency measurements | |
Bo et al. | An IP geolocation database evaluation and fusion model based on data correlation and delay similarity | |
Rimondini et al. | From BGP to RTT and beyond: Matching BGP routing changes and network delay variations with an eye on traceroute paths |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200717 Address after: 450001 No. 62 science Avenue, hi tech Zone, Henan, Zhengzhou Patentee after: Information Engineering University of the Chinese People's Liberation Army Strategic Support Force Address before: 450001 Information Engineering University, 62 science Avenue, hi tech Zone, Henan, Zhengzhou Patentee before: Luo Xiangyang |