NeighborGeo:基于neighbors的IP地理定位
X. Wang, D. Zhao, X. Liu, Z. Zhang, T. Zhao, NeighborGeo: IP geolocation based on neighbors, Comput. Netw. 257 (2025) 110896,
5. Case analysis
為了說明NeighborGeo在優化圖結構和利用鄰居信息進行預測方面的優勢,將目標IP地址的預測過程可視化,并將其與當前性能最好的方法RIPGeo進行比較。在此可視化中,藍色標記表示地標IP地址,綠色標記表示目標IP地址的實際位置,紅色標記表示預測位置。使用各種顏色的線來描繪影響關系:紅線表示對預測施加最顯著影響的地標,而藍色線表示次要影響地標。
這種顏色和線條的區分,不僅清晰地揭示了不同地標對地理定位精度的具體影響,而且便于深入分析。根據地標的分布情況,將其劃分為2個場景,對比NeighborGeo和RIPGeo的定位效果,從而突出所提模型的優勢。
5.1. Uniform landmark distribution
均勻地標分布
圖6展示了路標均勻分布條件下NeighborGeo(左)和RIPGeo(右)預測過程的可視化結果。通過這些圖,我們可以看到,在地標均勻分布的環境中,雖然我們的模型和RIPGeo在視覺上表現出相似的預測結果,但它們的權重分配策略存在顯著差異。RIPGeo傾向于關注單個地標,即使該地標不是離目標最近的。相比之下,該模型對附近地標的信息進行優先級分配。雖然由于圖神經網絡的全局優化過程,這兩個模型都可能表現出中心偏差,但我們的模型通過優先考慮附近的地標來實現更準確的預測。當標記點均勻分布時,預測誤差本質上是最小的,因為目標與周圍的標記點非常接近。因此,兩個模型之間的性能差異變得不那么明顯。
圖6所示。在紐約、洛杉磯和上海統一地標分布下的性能比較。
5.2. Uneven landmark distribution
地標分布不均勻
圖7顯示了NeighborGeo(左)和RIPGeo(右)預測過程的可視化結果。從這些數據可以看出,NeighborGeo在地標分布不均勻以及地點之間相對距離較遠的情況下提供了更精確的結果。這是因為RIPGeo經常對超出正常范圍的地標賦予更大的重要性。