基于网络结构特征的IP所属区域识别

费高雷; 张亚萌; 胡志宇; 周磊; 胡光岷

doi:10.11999/JEIT180589

引用本文: 费高雷, 张亚萌, 胡志宇, 周磊, 胡光岷. 基于网络结构特征的IP所属区域识别[J]. 电子与信息学报, 2019, 41(5): 1235-1242. doi: 10.11999/JEIT180589 shu

Citation: Gaolei FEI, Yameng ZHANG, Zhiyu HU, Lei ZHOU, Guangmin HU. Geographical Location Recognition of IP Based on Network Structure Features[J]. Journal of Electronics and Information Technology, 2019, 41(5): 1235-1242. doi: 10.11999/JEIT180589 shu

基于网络结构特征的IP所属区域识别

电子科技大学信息与通信工程学院成都 611731

作者简介: 费高雷: 男，1982年生，副教授，研究方向为计算机通信网，网络层析成像;
张亚萌: 女，1994年生，硕士生，研究方向为计算机通信网，网络拓扑测量;
胡志宇: 男，1992年生，硕士生，研究方向为计算机通信网，网络拓扑可视化;
周磊: 男，1993年生，硕士生，研究方向为计算机通信网，网络行为分析;
胡光岷: 男，1966年生，教授，博士生导师，研究方向为计算机通信网、网络行为学和安全

通讯作者: 费高雷,fgl@usctc.edu.cn

基金项目: 国家自然科学基金(61301274, 61471101)，中央高校基本科研业务费(ZYGX2015Z008)

摘要: 现有IP定位技术通过查询IP注册信息数据库或利用测量得到的时延等信息确定IP具体位置，在实际中由于受各种因素的影响，对网络中的大部分IP都无法得到准确、合理的定位结果。为此，该文提出一种基于网络结构特征的IP所属区域识别方法。该方法通过探测节点向待定位的IP发送Traceroute探测包获得两者之间的网络结构特征，并比较待定位节点和已知地理位置节点之间的网络结构特征确定待定位节点所属区域。测试结果表明该文方法和现有的数据库查询的正确率相比有部分提升。

关键词:

English

Geographical Location Recognition of IP Based on Network Structure Features

School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China

Corresponding author: Gaolei FEI,fgl@usctc.edu.cn

Received Date: 2018-06-13
Accepted Date: 2018-12-17
Available Online: 2019-05-01
Fund Project: The National Natural Science Foundation of China (61301274, 61471101), The Basic Scientific Research Service Fee of the Central University (ZYGX2015Z008)

Abstract: The existing IP location technology determines the location of IP by querying IP to register information databases or using time-delay information. In fact, due to the influence of various factors, most of the IP in the network can not get accurate and reasonable positioning results. For this reason, a region recognition method of IP is proposed based on network structure features. This method obtains the network topology information between the two nodes by sending the Traceroute detection packet from the detection nodes to the IPs that need to be located Comparing the network structure features between the nodes to be located and the known geographical nodes determines where the nodes located. The actual test shows that this method can achieve better results.

Key words:

1. [1]
  张少波, BHUIYAN M Z A, 刘琴, 等. 移动社交网络中基于代理转发机制的轨迹隐私保护方法[J]. 电子与信息学报, 2016, 38(9): 2158–2164. doi: 10.11999/JEIT151136
  ZHANG Shaobo, BHUIYAN M Z A, LIU Qin, et al. The method of trajectory privacy preserving based on agent forwarding mechanism in mobile social networks[J]. Journal of Electronics &Information Technology, 2016, 38(9): 2158–2164. doi: 10.11999/JEIT151136
2. [2]
  王荣荣. 基于位置的社交网络隐私安全研究[D]. [硕士论文], 华东师范大学, 2016. 15-31.
  WANG Rongrong. Research on location based social network privacy security [D]. [Master dissertation], East China Normal University, 2016. 15-31.
3. [3]
  李晴, 叶阿勇, 许力. 社交网络中基于定位欺骗的隐私攻击研究[J]. 信息网络安全, 2017, 1(5): 51–56. doi: 10.3969/j.issn.1671-1122.2017.05.008
  LI Jing, YE Ayong, and XU Li. Research on privacy attack based on location cheating in social network[J]. Information Network Security, 2017, 1(5): 51–56. doi: 10.3969/j.issn.1671-1122.2017.05.008
4. [4]
  MUIR J A and OORSCHOT P C V. Internet geolocation: Evasion and counterevasion[J]. ACM Computing Surveys, 2009, 42(1): 1–23. doi: 10.1145/1592451.1592455
5. [5]
  PADANABHAN V N and SUBRAMANIAN L. An investigation of geographic mapping techniques for internet hosts[J]. ACM Sigcomm Computer Communication Review, 2001, 31(4): 173–185. doi: 10.1145/964723.383073
6. [6]
  GUEYE B, ZIVIANI A, CROVELLA M, et al. Constraint-based geolocation of internet hosts[J]. IEEE/ACM Transactions on Networking, 2006, 14(6): 1219–1232. doi: 10.1109/TNET.2006.886332
7. [7]
  ZHOU Haifeng, TAN Liansheng, et al. Traffic matrix estimation: Advanced—Tomogravity method based on a precise gravity model[J]. International Journal of Communication Systems, 2015, 28(10): 1709–1728. doi: 10.1002/dac.2787
8. [8]
  朱畅华, 裴昌幸, 李建东, 等. 基于线性规划的Internet端到端时延的估计[J]. 电子与信息学报, 2004, 26(3): 446–452.
  ZHU Changhua, PEI Changxing, LI Jiandong, et al. Linear programming based estimation of internet end-to-end delay[J]. Journal of Electronics &Information Technology, 2004, 26(3): 446–452.
9. [9]
  KATZBASSET E, JOHN J P, KRISHNAMURTHY A, et al. Towards IP geolocation using delay and topology measurements[C]. ACM SIGCOMM Conference on Internet Measurement 2006, Rio De Janeriro, Brazil, 2006: 71–84.
10. [10]
  ERIKSSON B, BARFORD P, SOMMERS J, et al. A learning-based approach for IP geolocation[C]. Passive and Active Measurement, International Conference, Zurich, Switzerland, 2010: 171–180.
11. [11]
  CHEN Jingning, LIU Fenlin, WANG Tianpeng, et al. Towards region-level IP geolocation based on the path feature[C]. International Conference on Advanced Communication Technology IEEE, PyeongChang, South Korea, 2015: 468–471.
12. [12]
  REN Lianxing. Method for IP geolocation based on Path Similarity[C]. International Conference on Wireless Communication and Sensor Networks. Boston, USA, 2017: 315–319.
13. [13]
  CHUN B, CULLER D, ROSCOE T, et al. PlanetLab: an overlay tested for broad-coverage services[J]. ACM SIGCOMM Computer Communication Review, 2003, 33(3): 3–12. doi: 10.1145/956993.956995
14. [14]
  谢钧, 俞璐, 金凤林. 基于排队时延和丢包率的拥塞控制[J]. 电子与信息学报, 2010, 32(9): 2058–2064. doi: 10.3724/SP.J.1146.2009.01228
  XIE Jun, YU Lu, and JIN Fenglin. Congestion control based on queuing delay and packet Loss probability[J]. Journal of Electronics &Information Technology, 2010, 32(9): 2058–2064. doi: 10.3724/SP.J.1146.2009.01228
15. [15]
  SHAVITT Y and ZILBERMAN N. Geolocation Databases Study[J]. IEEE Journal on Selected Areas in Communications, 2011, 29(10): 2044–2056. doi: 10.1109/JSAC.2011.111214
16. [16]
  赵帆, 罗向阳, 刘粉林. 网络空间测绘技术研究[J]. 网络与信息安全学报, 2016, 2(9): 1–11. doi: 10.11959/j.issn.2096-109x.2016.00097
  ZHAO Fan, LUO Xiangyang, and LIU Fenlin. Research on cyberspace surveying and mapping technology[J]. Chinese Journal of Network and Information Security, 2016, 2(9): 1–11. doi: 10.11959/j.issn.2096-109x.2016.00097
1. [1]
  谷允捷, 胡宇翔, 谢记超. 基于重叠网络结构的服务功能链时空优化编排策略. 电子与信息学报, 2019, 41(11): 2675-2683.
2. [2]
  刘浩然, 张力悦, 范瑞星, 王海羽, 张春兰. 基于改进鲸鱼优化策略的贝叶斯网络结构学习算法. 电子与信息学报, 2019, 41(6): 1434-1441.
3. [3]
  汪荣贵, 韩梦雅, 杨娟, 薛丽霞, 胡敏. 多级注意力特征网络的小样本学习. 电子与信息学报, 2019, 41(0): 1-7.
4. [4]
  张杰鑫, 庞建民, 张铮, 邰铭, 刘浩. 基于非相似余度架构的网络空间安全系统异构性量化方法. 电子与信息学报, 2019, 41(7): 1594-1600.
5. [5]
  施伟锋, 卓金宝, 兰莹. 一种基于属性空间相似性的模糊聚类算法. 电子与信息学报, 2019, 41(11): 2722-2728.
6. [6]
  赵斐, 张文凯, 闫志远, 于泓峰, 刁文辉. 基于多特征图金字塔融合深度网络的遥感图像语义分割. 电子与信息学报, 2019, 41(10): 2525-2531.
7. [7]
  董书琴, 张斌. 基于深度特征学习的网络流量异常检测方法. 电子与信息学报, 2019, 41(0): 1-9.
8. [8]
  高丽江, 杨海钢, 李威, 郝亚男, 刘长龙, 石彩霞. 具有高资源利用率特征的改进型查找表电路结构与优化方法. 电子与信息学报, 2019, 41(10): 2382-2388.
9. [9]
  刘政怡, 段群涛, 石松, 赵鹏. 基于多模态特征融合监督的RGB-D图像显著性检测. 电子与信息学报, 2019, 41(0): 1-8.
10. [10]
  李世宝, 王升志, 刘建航, 黄庭培, 张鑫. 基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建. 电子与信息学报, 2019, 41(10): 2302-2309.
11. [11]
  张烨, 许艇, 冯定忠, 蒋美仙, 吴光华. 基于难分样本挖掘的快速区域卷积神经网络目标检测研究. 电子与信息学报, 2019, 41(6): 1496-1502.
12. [12]
  潘一苇, 彭华, 李天昀, 王文雅. 一种新的时分多址信号射频特征及其在特定辐射源识别中的应用. 电子与信息学报, 2019, 41(11): 2661-2668.
13. [13]
  盖杉, 鲍中运. 基于改进深度卷积神经网络的纸币识别研究. 电子与信息学报, 2019, 41(8): 1992-2000.
14. [14]
  贺丰收, 何友, 刘准钆, 徐从安. 卷积神经网络在雷达自动目标识别中的研究进展. 电子与信息学报, 2019, 41(0): 1-13.
15. [15]
  谢湘, 张立强, 王晶. 残差网络在婴幼儿哭声识别中的应用. 电子与信息学报, 2019, 41(1): 233-239.
16. [16]
  郭晨, 简涛, 徐从安, 何友, 孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报, 2019, 41(6): 1302-1309.
17. [17]
  王新玉, 李治莹, 邵帅, 虞志刚. 考虑任务不确定性的片上网络鲁棒性应用映射问题研究. 电子与信息学报, 2019, 41(5): 1152-1159.
18. [18]
  杨磊, 李埔丞, 李慧娟, 方澄. 稳健高效通用SAR稀疏特征增强算法. 电子与信息学报, 2019, 41(12): 2826-2835.
19. [19]
  寇广, 王硕, 张达. 基于深度堆栈编码器和反向传播算法的网络安全态势要素识别. 电子与信息学报, 2019, 41(9): 2187-2193.
20. [20]
  陈莹, 陈湟康. 基于多模态生成对抗网络和三元组损失的说话人识别. 电子与信息学报, 2019, 41(0): 1-7.

图 1 网络测量模型图

下载: 全尺寸图片幻灯片

图 2 测量拓扑示例

下载: 全尺寸图片幻灯片

图 3 数据集1：国内IP地址分布情况

下载: 全尺寸图片幻灯片

图 4 数据集2：北美IP地址分布情况

下载: 全尺寸图片幻灯片

表 1 情况1：华盛顿大学探测波士顿中可能是同一C网的IP对路径信息(可达)

IP	11跳	12跳	13跳	14跳	15跳	16跳
128.197.26.34	162.252.70.97	192.5.89.17	207.210.143.202	128.197.254.121	128.197.254.166	128.197.26.34
128.197.26.35	162.252.70.97	192.5.89.17	207.210.143.202	128.197.254.121	128.197.254.146	128.197.26.35

下载: 导出CSV

表 2 情况2：华盛顿大学探测华盛顿州中非同一C网的IP对路径信息(可达)

IP	5跳	6跳	7跳	8跳	9跳	10跳
147.222.6.71	209.124.190.236	209.124.190.237	147.222.255.248	147.222.63.254	147.222.63.203	147.222.6.71
168.156.125.39	209.124.190.170	209.124.190.171	168.156.125.39

下载: 导出CSV

表 3 情况1的最小单位网络结构特征

IP	11跳	12跳	13跳	14跳	15跳	16跳
128.197.26.34	162.252.70.*	192.5.89.*	207.210.143.*	128.197.254.*	128.197.254.*	128.197.26.34
128.197.26.35	162.252.70.*	192.5.89.*	207.210.143.*	128.197.254.*	128.197.254.*	128.197.26.35

下载: 导出CSV

表 4 情况2的最小单位网络结构特征

IP	5跳	6跳	7跳	8跳	9跳	10跳
147.222.6.71	209.124.190.*	209.124.190.*	147.222.255.*	147.222.63.*	147.222.63.*	147.222.6.71
168.156.125.39	209.124.190.*	209.124.190.*	168.156.125.39

下载: 导出CSV

表 5 中国高校IP分布情况

省份	安徽	北京	山东	江苏	河南	浙江	广东	辽宁	总计
数目	113	88	135	155	111	102	131	110	945

下载: 导出CSV

表 6 美国高校IP分布情况

州	华盛顿	田纳西	佐治亚	密歇根	马萨	密西西比	加州	弗吉尼亚	伊利	总计
数目	52	31	32	40	91	38	126	68	18	496

下载: 导出CSV

点击查看大图

图(4)表(6)

计量

PDF下载量: 31
文章访问数: 497
HTML全文浏览量: 226
引证文献数: 0

通讯作者: 陈斌, bchen63@163.com

1.
沈阳化工大学材料科学与工程学院沈阳 110142

基于网络结构特征的IP所属区域识别

通讯作者: 费高雷,fgl@usctc.edu.cn

English

Geographical Location Recognition of IP Based on Network Structure Features

Corresponding author: Gaolei FEI,fgl@usctc.edu.cn

计量

文章相关

通讯作者: 陈斌, bchen63@163.com