IPGeoAI：基于Transformer融合LLM语义的位置定位技术

arXiv:2609.04559v1 Announce Type: new Abstract: 精准的城市级 IP 地理定位是现代数字生态的重要使能技术，支撑着从本地内容分发与定向投放到数字版权执法等各类服务。然而，传统的启发式与数据库驱动方法往往难以解析现代网络基础设施中复杂的非线性分配模式，尤其在快速膨胀的 IPv6 地址空间和 transient mobile networks 中表现乏力。本文提出 IPGeoAI，一种全新的深度学习模型架构，将地理定位从静态查询问题重新定义为序列建模任务。我们的方法利用 Transformer Encoder 捕获 IP 子网结构中固有的层级依赖关系。我们提出一种通过 Zero-Shot LLM Feature Extraction pipeline 整合非结构化语义上下文来解决地理歧义的方法。我们利用 Large Language Models，通过离线预计算流程，将原始、嘈杂的 Autonomous Systems (AS) 描述转化为结构化的领域特定元数据（如"University"与"ISP"或"Global"与"Local"）。通过 Multi-Head Cross-Attention 模块将这些语义信号融合进网络，我们弥合了数值网络拓扑与现实世界语义身份之间的鸿沟。在覆盖 200,000 个城市的专有数据集上进行的广泛离线评估表明，IPGeoAI 在城市级粒度上显著优于领先的外部厂商。通过采用由粗粒度国家信号逐步细化的层级推理策略，我们的模型实现了城市级准确率 6% 的提升，同时将覆盖率扩展至 100% 的流量。此外，在大规模在线生产测试中，该模型驱动了我们一级下游用例指标 0.35% 的统计显著性提升。