IPGeoAI: Transformer-Based Geolocation with LLM Semantic Fusion
작성자
카테고리
Empty
저자
Avinash Kadimisetty, Andy Jinqing Yu, Philip Favaloro, Wenlong Liu, Xiaolu Xiong
💡 개요
본 연구는 기존의 IP 지오로케이션 방식이 복잡한 네트워크 인프라 변화에 대처하기 어렵다는 문제를 해결하고자 합니다. 이를 위해 IP 서브넷의 계층적 구조를 학습하는 Transformer Encoder와 LLM을 활용하여 자율 시스템(AS)의 비정형 텍스트 설명을 구조화된 의미론적 메타데이터로 변환하는 IPGeoAI 모델을 제안합니다. 이 모델은 수치적 네트워크 정보와 실제 세계의 의미론적 정보를 융합하여 기존 방식보다 월등히 향상된 도시 수준의 IP 지오로케이션 정확도를 달성합니다.
🔑 시사점 및 한계
•
시사점 1: Transformer 아키텍처와 LLM 기반의 의미론적 정보 융합은 복잡하고 동적인 IP 주소 할당 패턴을 효과적으로 해결하여 IP 지오로케이션의 정확도를 크게 향상시킬 수 있습니다.
•
시사점 2: 비정형 AS 설명을 구조화된 메타데이터로 변환하는 LLM 기반 접근 방식은 오프라인 사전 계산을 통해 대규모 데이터셋에 적용 가능하며, 이는 IP 지오로케이션 서비스의 성능을 실질적으로 개선하는 데 기여합니다.
•
한계점 또는 향후 과제: 논문에서 제시된 데이터셋이 독자적인(proprietary) 데이터셋이므로, 공개적으로 접근 가능한 다양한 데이터셋에 대한 추가적인 검증이 필요할 수 있습니다. 또한, LLM의 계산 비용 및 지속적인 업데이트 필요성도 고려해야 할 부분입니다.