IPGeoAI: трансформер и LLM улучшили геолокацию по IP — точность выросла на 6%
Для доставки локального контента, таргетинга и контроля цифровых прав сервисам важно знать, в каком городе находится пользователь. Традиционные базы данных и эвристики не всегда справляются с современными сетями, особенно с быстрорастущим пространством IPv6 и мобильными подсетями.
Группа исследователей представила модель IPGeoAI, которая переводит задачу геолокации из статического поиска в моделирование последовательностей. Архитектура использует энкодер трансформера для выявления иерархических зависимостей в структуре IP-подсетей.
Её особенность — применение больших языковых моделей (LLM) для обработки сырых описаний автономных систем (AS). Метод Zero-Shot LLM Feature Extraction превращает такие описания в структурированные признаки, например, тип организации (университет против провайдера) или масштаб (глобальный против локального). Затем семантические данные объединяются с численной моделью сети через модуль Multi-Head Cross-Attention.
На проприетарном наборе данных, охватывающем 200 тысяч городов, IPGeoAI значительно превзошла внешнего коммерческого вендора на уровне города. Благодаря иерархической стратегии вывода, которая уточняет сигналы от страны к городу, точность выросла на 6%, а охват достиг 100% трафика.
Крупномасштабные онлайн-тесты также показали статистически значимый прирост в 0,35% для целевого показателя первого уровня. По данным авторов, результат подтверждает полезность объединения логики LLM с численными характеристиками сетевой инфраструктуры.
