[论文解读] XLBoost-Geo: An IP Geolocation System Based on Extreme Landmark Boosting

Yu-Cheng Wang, Hongsong Zhu+4 more|arXiv (Cornell University)|Oct 26, 2020

Web Data Mining and Analysis参考文献 26被引用 7

一句话总结

XLBoost-Geo 是一种新颖的 IP 地理定位系统，通过从网页中挖掘大量高可靠性的地标来提升地理定位精度。该系统采用带有自适应损失函数的双向长短期记忆网络（LSTM-Ada）提取细粒度地理线索，再结合网络延迟和拓扑测量，将目标 IP 与最近的地标关联，从而在 RIPE Atlas 节点上实现 2,561 米的中位数误差距离，优于 SLG 和 IPIP。

ABSTRACT

IP geolocation aims at locating the geographical position of Internet devices, which plays an essential role in many Internet applications. In this field, a long-standing challenge is how to find a large number of highly-reliable landmarks, which is the key to improve the precision of IP geolocation. To this end, many efforts have been made, while many IP geolocation methods still suffer from unacceptable error distance because of the lack of landmarks. In this paper, we propose a novel IP geolocation system, named XLBoost-Geo, which focuses on enhancing the number and the density of highly reliable landmarks. The main idea is to extract location-indicating clues from web pages and locating the web servers based on the clues. Based on the landmarks, XLBoost-Geo is able to geolocate arbitrary IPs with little error distance. Specifically, we first design an entity extracting method based on a bidirectional LSTM neural network with a self-adaptive loss function (LSTM-Ada) to extract the location-indicating clues on web pages and then generate landmarks based on the clues. Then, by measurements on network latency and topology, we estimate the closest landmark and associate the coordinate of the landmark with the location of the target IP. The results of our experiments clearly validate the effectiveness and efficiency of the extracting method, the precision, number, coverage of the landmarks, and the precision of the IP geolocation. On RIPE Atlas nodes, XLBoost-Geo achieves 2,561m median error distance, which outperforms SLG and IPIP.

研究动机与目标

• 解决 IP 地理定位系统中可靠地标不足且稀疏的长期挑战。
• 增加高可靠性地标数量与密度，以提升地理定位精度。
• 开发一种成本低廉、可扩展的方法，从公开可用的网页内容中挖掘地标。
• 通过深度学习而非基于规则的方法提取细粒度地理线索（例如街道级别），提升地标质量。
• 证明仅依靠开放网页数据即可支持高精度 IP 地理定位，而无需依赖专有或 GPS 数据。

提出的方法

• 使用带有自适应损失函数的双向长短期记忆网络（LSTM-Ada），从网页中提取具有位置指示意义的线索。
• 系统识别并从非结构化网页内容中提取细粒度地理实体，如街道地址、城市和组织名称。
• 通过坐标选择算法，为具有多个候选位置的 IP 解决歧义，选择最合理的地理坐标。
• 利用网络延迟和拓扑测量，基于延迟和路由信息识别距离目标 IP 最近的地标。
• 将目标 IP 映射到最近地标对应的地理坐标，以最小化估计误差。
• 通过多篇网页间的一致性检查以及测量一致性，对地标候选进行验证与优化。

实验结果

研究问题

• RQ1 基于深度学习的网页实体抽取能否显著提升可靠 IP 地理定位地标数量与质量？
• RQ2 与基于关键词或正则表达式的传统方法相比，使用组织名称和细粒度位置线索能否提升地标密度与地理定位精度？
• RQ3 开放网页数据在多大程度上可独立支持高精度 IP 地理定位，而无需依赖 GPS 或专有数据库？
• RQ4 网络延迟与拓扑测量的整合在多大程度上能改善地标选择与地理定位精度？
• RQ5 在 LSTM 模型中使用自适应损失函数是否能优于传统基于规则或固定损失函数的方法，在位置线索提取方面表现更优？

主要发现

• XLBoost-Geo 在 RIPE Atlas 节点上实现 2,561 米的中位数误差距离，地理定位精度优于 SLG 和 IPIP。
• 与传统基于规则或正则表达式的传统方法相比，LSTM-Ada 模型显著提升了位置指示线索的提取准确率。
• 该系统成功挖掘出大量高可靠性的地标，显著提升了地标密度与在不同地理区域的覆盖范围。
• 利用组织名称作为额外线索，使系统能够发现此前未被探测到的地标，尤其在街道级别表现突出。
• 将网络测量与地标选择相结合，通过基于邻近性的映射方式将目标 IP 关联至最近的高精度地标，从而降低了估计误差。
• 所提出的方法证明，仅依靠公开可用的网页内容即可支持高精度 IP 地理定位，显著减少了对第三方或专有数据源的依赖。