AS to Organization mapping

本数据集包含历史和当前版本的AS到组织映射数据集。数据集的方法论在PAM 2023会议上发表的论文《Improving the Inference of Sibling Autonomous Systems》中有详细描述，并获得了PAM 2023最佳社区工具奖。数据集按ASN组织，每个ASN关联多个列，包括状态、参考组织、兄弟ASN等，以及与CA2O和PDB的比较结果。

This dataset encompasses historical and current versions of the AS-to-organization mapping datasets. The methodology of the dataset is detailed in the paper titled 'Improving the Inference of Sibling Autonomous Systems,' presented at the PAM 2023 conference, which also won the PAM 2023 Best Community Tool Award. The dataset is organized by ASN (Autonomous System Number), with each ASN associated with multiple columns including status, reference organization, sibling ASNs, and comparison results with CA2O and PDB.

原始信息汇总

数据集概述：AS到组织映射

数据集内容

• 数据集名称：AS到组织映射
• 数据集描述：包含历史和当前版本的AS到组织映射数据集。

数据集结构

• 组织方式：按ASN组织。
• 列信息：
  • Status：匹配状态（匹配/未匹配（孤儿）/无错误提示）
  • Reference Orgs：相关组织列表，包含三种主要类型的字典。
  • Sibling ASNs：推断的兄弟ASN。
  • PDB.org：PDB映射的组织。
  • PDB.org_id：PDB映射的组织ID。
  • Name：Whois中的AS名称。
  • Descr：Whois中的描述字段。
  • Website：ASN的网站URL。
  • Comparison with CA2O：与CA2O的比较结果（同意/不同意）。
  • Comparison with PDB：与PDB的比较结果（同意/不同意）。

数据集荣誉

• 奖项：获得PAM 2023最佳社区工具奖。

数据集使用

• 问题报告：通过创建问题报告数据集中的任何不准确性。

搜集汇总

数据集介绍

构建方式

AS to Organization mapping数据集的构建基于《Improving the Inference of Sibling Autonomous Systems》一文中提出的方法，该方法在Passive and Active Measurement Conference (PAM) 2023上进行了详细阐述。数据集通过整合多个数据源，包括Whois、PDB和CA2O，对每个自治系统编号（ASN）进行映射，并标注其状态、参考组织、兄弟ASN等信息。数据集的构建过程注重多源数据的交叉验证，以确保映射的准确性和可靠性。

使用方法

使用AS to Organization mapping数据集时，用户可以通过ASN查询其对应的组织信息、兄弟ASN以及与其他数据源的比较结果。数据集以CSV格式提供，每个ASN对应一行，各列分别表示不同的信息字段。用户可以根据需要筛选和分析特定ASN的数据，或进行跨数据源的比较研究。数据集的使用方法简单直观，适用于网络拓扑分析、自治系统关系研究等场景。

背景与挑战

背景概述

AS to Organization mapping数据集由研究人员在2023年创建，旨在解决自治系统（AS）与组织之间映射关系的推断问题。该数据集的核心研究问题是通过多源数据融合，提升AS与组织映射的准确性和可靠性。数据集的主要贡献在于其采用了Whois、PDB和CA2O等多种数据源，结合了先进的推断方法，显著提高了AS与组织映射的精度。该数据集在Passive and Active Measurement Conference (PAM) 2023上获得了最佳社区贡献奖，展示了其在网络测量领域的广泛影响力。通过提供历史与当前版本的映射数据，该数据集为网络拓扑分析、网络安全研究以及互联网基础设施管理提供了重要支持。

当前挑战

AS to Organization mapping数据集在构建过程中面临多重挑战。首先，数据源的多样性和不一致性增加了数据融合的复杂性，如何有效整合Whois、PDB和CA2O等不同来源的数据成为关键问题。其次，AS与组织映射的准确性依赖于推断算法的性能，尤其是在面对孤儿AS或缺乏明确组织信息的情况下，推断的难度显著增加。此外，数据集的更新与维护需要持续跟踪AS的动态变化，确保映射关系的时效性。这些挑战不仅影响了数据集的构建过程，也对相关领域的研究提出了更高的要求，推动了网络测量与推断技术的进一步发展。

常用场景

经典使用场景

在互联网自治系统（AS）研究领域，AS to Organization mapping数据集被广泛应用于分析AS与其所属组织之间的映射关系。通过整合Whois、PDB和CA2O等多源数据，该数据集为研究者提供了精确的AS与组织关联信息，帮助深入理解互联网拓扑结构和组织间的网络关系。

解决学术问题

该数据集有效解决了AS与组织映射关系推断中的不确定性问题。通过多源数据融合和一致性验证，显著提高了映射的准确性和可靠性。其方法论在PAM 2023会议上发表，并荣获最佳社区贡献奖，为互联网拓扑分析和网络资源管理提供了重要的学术支持。

实际应用

在实际应用中，AS to Organization mapping数据集被广泛用于网络运营商、网络安全公司和研究机构的日常工作中。例如，网络运营商可以利用该数据集优化路由策略，网络安全公司则可通过分析AS与组织的关系识别潜在的网络威胁，提升网络安全管理效率。

数据集最近研究

最新研究方向

在互联网自治系统（AS）与组织映射领域，AS to Organization mapping数据集的最新研究方向聚焦于提升AS与组织间关联的准确性与全面性。该数据集通过整合Whois、PDB和CA2O等多源数据，构建了一个动态更新的AS与组织映射关系库。当前研究热点包括利用CAIDA ASRank API进行组织推断的优化，以及通过多源数据对比验证映射结果的可靠性。该数据集在PAM 2023会议上荣获最佳社区贡献奖，标志着其在网络测量与数据分析领域的重要地位。其研究成果不仅为网络拓扑分析提供了坚实基础，还为网络安全、网络性能优化等应用场景提供了关键数据支持。