IPGeoAI: LLM-семантика и Transformer для точной геолокации IP

Проблема традиционных методов геолокации

Определение местоположения пользователя по IP-адресу (IP Geolocation) критически важно для доставки контента, таргетинга и соблюдения цифровых прав. Однако традиционные базы данных и эвристические методы часто терпят неудачу в условиях сложной, нелинейной структуры современных сетей. Особенно остро проблема стоит в эпоху IPv6 и мобильных сетей с динамическими адресами, где классические подходы не могут эффективно разрешить географическую неоднозначность.

Архитектура IPGeoAI: от поиска к последовательному моделированию

Команда авторов (Avinash Kadimisetty, Andy Jinqing Yu и др.) предложила новый подход, переосмысливающий геолокацию не как задачу статического поиска по базе, а как задачу последовательного моделирования. В основе лежит Transformer Encoder, который выявляет иерархические зависимости внутри структуры IP-подсетей. Это позволяет модели «понимать» структуру сети лучше, чем простые хеширующие алгоритмы.

Инновация: LLM Semantic Fusion

Ключевое отличие IPGeoAI — интеграция неструктурированного семантического контекста через пайплайн извлечения признаков на базе больших языковых моделей (LLM). Процесс работает в два этапа:

• Оффлайн-предвычисление: LLM преобразуют сырые, зашумленные описания автономных систем (AS) в структурированные метаданные (например, классифицируя AS как «Университет», «Провайдер», «Глобальный» или «Локальный»).
• Multi-Head Cross-Attention: Эти семантические сигналы объединяются с числовыми топологическими данными сети. Такой подход стирает границу между абстрактной сетевой топологией и реальным семантическим идентитетом узла.

Результаты тестирования

Модель была протестирована на проприетарном наборе данных, охватывающем 200 000 городов. Использование иерархической стратегии вывода, которая уточняет грубые сигналы стран, позволило достичь значительных улучшений по сравнению с ведущим внешним коммерческим вендором.

Значение для индустрии

Успех IPGeoAI демонстрирует потенциал гибридных архитектур, где глубокие нейросети (Transformer) работают в связке с семантическим пониманием (LLM). Это решение не только повышает точность геолокации, но и масштабируется на весь объем интернет-трафика, что делает его перспективным для крупных инфраструктурных проектов и сервисов безопасности.

Источник: arXiv cs.AI ↗