技术领域
[0001] 本
发明涉及超高
精度的IP
定位技术中IP应用场景分类技术领域，具体地，涉及一种IP应用场景的分类方法。
背景技术
[0002] IP是互联网通信的
基础，是互联网设备的标识。全球42亿IPV4，IP会被网络运营商、机构、组织等
申请使用，网络运营商又可以将IP用于做企业专线、住宅用户等业务，所以每个IP都有其相应的用途即应用场景。
[0003] IP应用场景类型的确定，首先可以帮助IP地理
位置定位系统，根据不同类型IP采取不同的定位策略，提高IP定位结果准确性，提供更好的IP地理位置定位服务；其次，结合IP应用场景和用户的网络行为轨迹，可以对其进行用户画像，从而给用户提供更好的上网服务。
[0004] 目前，对IP应用场景的分类，相关行业研究和技术并没有统一标准。市场上，有公司将IP分为咖啡馆、网吧等，这种分类方法只是根据IP地理位置采集方式来确定IP的应用场景，表述IP被用到什么地方，并不能真实描述IP是如何被使用的。
[0005] 为了能够对IP的应用场景进行准确的分类，有必要提出一套完整的IP应用场景分类方法，供学术研究和商业产品使用。
发明内容
[0006] 本发明的目的在于，针对上述问题，提出一种IP应用场景的分类方法，以实现对IP应用场景的准确分类。
[0007] 为实现上述目的，本发明采用的技术方案是：一种IP应用场景的分类方法，主要包括以下步骤：
[0008] A、获取与IP相关的AS和Whois数据信息；
[0009] B、根据IP所属的网络服务商，对IP的应用场景初步分类；
[0010] C、根据IP的网络特征，对IP的应用场景进一步分类；
[0011] 进一步地，所述步骤A具体为通过分布式
网络爬虫技术，获取每个IP对应的AS和Whois数据信息。
[0012] 进一步地，所述步骤B具体为，利用
数据挖掘中的分词技术，对网络服务商的业务关键词进行学习，对IP应用场景初步分类为
数据中心、学校、机构和网络运营商。
[0013] 进一步地，所述步骤C具体为，利用
大数据挖掘技术，分析IP的网络特征，建立IP应用场景数据模型，利用
机器学习技术对IP应用场景进行分类，对网络运营商的IP进一步分类细分，最终将网络运营商的IP分为基础设施、企业专线、住宅用户、移动网络、WLAN和卫星。
[0014] 进一步地，所述IP的网络特征包括IP
块大小、活IP率、地理
覆盖范围、时延大小、路由汇聚情况和与骨干网距离。
[0015] 本发明各
实施例的一种IP应用场景的分类方法，由于主要包括：从IP所属的服务商出发，根据IP的网络特征，将IP按应用场景进行分类；从而可以克服
现有技术中对IP应用场景分类方法不确定，IP应用场景分类不准确的
缺陷。
[0016] 本发明的其它特征和优点将在随后的
说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
[0017] 下面通过实施例，对本发明的技术方案做进一步的详细描述。
具体实施方式
[0018] 以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0019] 具体地，一种IP应用场景的分类方法，包括：
[0020] A、获取与IP相关的AS和Whois数据信息；
[0021] B、根据IP所属的网络服务商，对IP的应用场景初步分类；
[0022] C、根据IP的网络特征，对IP的应用场景进一步分类；
[0023] 所述步骤A具体为通过分布式网络爬虫技术，获取并得到每个IP对应的AS和Whois数据信息。
[0024] 所述步骤B具体为，利用数据挖掘中的分词技术，对网络服务商的业务关键词进行学习，对IP应用场景初步分类为数据中心、学校、机构和网络运营商。
[0025] 所述步骤C具体为，利用大数据挖掘技术，分析IP的网络特征，建立IP应用场景数据模型，利用机器学习技术对IP应用场景进行分类，对网络运营商的IP进一步分类细分，最终将网络运营商的IP分为基础设施、企业专线、住宅用户、移动网络、WLAN和卫星。
[0026] 所述IP的网络特征包括IP块大小、活IP率、地理覆盖范围、时延大小、路由汇聚情况和与骨干网距离。
[0027] 本发明针对IP应用场景分类方法不确定的问题，提供一套完整的IP应用场景分类方法，从IP所属的服务商出发，根据IP的活跃程度（活IP率）、地理覆盖范围、时延大小等网络特征，将IP的应用场景进行分类。
[0028] 为解决上述问题，本发明是通过以下技术方案实现的：
[0029] 一套完整的IP应用场景分类方法，包含以下步骤：
[0030] 步骤1、获取IP相关数据信息；
[0031] 该步骤通过分布式网络爬虫技术，对IP相关的AS、Whois等信息进行获取。
[0032] 步骤2、根据IP所属的网络服务商，初步给出IP的应用场景；
[0033] 该步骤利用数据挖掘中的分词技术，对网络运营商的业务关键字进行学习，对IP应用场景进行数据中心、学校、机构和网络运营商的划分。
[0034] 步骤3、根据IP的网络特征，对网络运营商IP的应用场景进行细分；
[0035] 该步骤利用大数据挖掘技术，结合步骤2的分类，分析IP的网络特征，建立IP应用场景数据模型，然后利用机器学习技术对IP应用场景进行分类，将网络运营商的IP进行细分，最终将IP分为学校、数据中心、机构、基础设施、企业专线、住宅用户、移动网络、WLAN和卫星。
[0036] 与现有技术相比，本发明首次根据IP用途，对IP的应用场景进行分类，并提出一套完整的IP应用场景分类方法。
[0037] 在表1中，分别列出不同应用场景IP的网络特征。如活IP率，说明该类IP的活跃情况，如企业专线、数据中心、移动网络，其IP更多的是在较稳定的在线状态，即静态分配，而住宅用户是动态分配，处在较不稳定在线状态；时延大小、距离骨干网远近，说明网络状况，数据中心提供网络服务时延小，企业专线是光纤，住宅用户使用ADSL，时延稍大，移动网络涉及到切换网络，会使时延变大。
[0038] 表1 IP的9类用途及其特征
[0039]
[0040] 结合真实数据集，对本发明进行进一步说明。数据集是全球IPV4，以3个IP举例，如表2所示。
[0041] 表2 IP信息列表
[0042]
[0043] 步骤1、获取IP对应的AS及公司名称；
[0044] 通过分布式网络爬虫，获取IP的AS和Whois信息(网络公开数据)，得到表2中每个IP对应的AS及其对应的公司名称。
[0045] 步骤2、根据AS及公司名称中的关键字，利用数据挖掘的分词技术，初步给出应用场景。由于2.2.2.2和3.3.3.3分别对应的是学校(包含学校字样)和数据中心(包含托管服务字样)，所以该IP的应用场景已经确定，而1.1.1.1初步判断为网络运营商。
[0046] 步骤3、通过分析应用场景的网络特征，建立9类应用场景的数据特征模型，然后利用机器学习，分析1.1.1.1的网络特征，发现其符合住宅用户的IP类型特征，则将该IP进一步划分为住宅用户。
[0047] 经过上面3个步骤，最终将IP进行应用场景分类为学校、数据中心、机构、基础设施、企业专线、住宅用户、移动网络、WLAN和卫星。
[0048] 至少可以达到以下有益效果：克服现有技术中对IP应用场景分类方法不确定，IP应用场景分类不准确的缺陷，实现对IP应用场景的准确分类，
[0049] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
