简易构建适合风控系统的ip库

ip作为识别和定位用户的手段来说,对互联网企业起着至关重要的作用,特别是在精准营销、反欺诈等业务方面。本文描述如何简单的去构建自己的ip地址库。

拿来主义

实际上,对大部分用户来说,如果要求不高,完全可以拿现成的资源来使用:

  1. 老外的数据有maxmind,不过对国内有些水土不服
  2. BAT级别的公司有开放api支持,但不提供离线库
  3. 国内也有第三方的优秀提供商,比如ipip.net。他们提供免费的离线库,以及收费的服务。是国内比较专业的ip信息服务商,也有一篇高质量的ip库构建文章讲述了来龙去脉。普通使用,推荐直接使用该库

吃饱了撑着

但对我们这样的风控公司来说,现成的资源有以下不足:

  1. 需要离线的数据库。我们的产品是提供私有化的大数据风控平台,由于涉及的信息比较敏感,需要隔绝外网来保证数据隐私性和安全性,api的方式不合适

  2. 需要定期更新的数据库。ip地址经常变化,需要精准度高、更新频繁的来源,评测下来,现存的第三方提供商还是存在数据覆盖率和准确性方面的不足

  3. 需要规范化的数据。我们需要手机、身份证、ip等多个维度的归属地,但数据来源多样,比如:在很多场合,这种数据不一致没关系,但我们的风控引擎会拿来作比较计算,这种不一致会导致大量的计算偏差,引起误报

  4. 有的显示“南京”, 有的显示“南京市”

  5. 有的显示县级市,有的显示地级市

  6. 有些城市改过名称,有的显示老名称,有的显示新名称

  7. 有的精确到市,有的精确到区

  8. ...

  9. 有一些优秀的数据源提供精确到区的数据,但我们不需要采用。ip分配多变,而且运营商分配顶多到市一级,所以区县级的数据准确度会有很大挑战,影响风控使用,建议是先弃掉

  10. 对于非主动获取的第三方数据,习惯上不信任,需要去进行评估和重新验证,贸然使用会有不良后果

所以,我们做了一些工作,来构建自己的ip库,方便我们的风控系统使用。本文余下部分会描述我们的大概思路(具体实现会采用简要方法来说明)。

ip库原始数据获取

作为一个非专业公司,不可能像 ipip.net 那样花很大的力气去撒点做网络探测和分析,最省事的就是爬取网上的资源。这里举一个简单例子,拿局域网内最大的搜索引擎公司作为数据来源。

写一个一行的爬虫:

seq 0 256 4294967296 | awk '{print rshift(and($1, 0xFF000000), 24) "." rshift(and($1, 0x00FF0000), 16) "." rshift(and($1, 0x0000FF00), 8) "." and($1, 0x0)}' | xargs -n 1 -P 100 -I {} curl -s "https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?query={}&co=&resource_id=6006&t=1476339401938&ie=utf8&oe=gbk&cb=op_aladdin_callback&format=json&tn=baidu&cb=jQuery110206188213690050863_1476338807087&_=1476338807111" -w "\n" | iconv -f "gbk" -t "utf-8" | awk -F \" '{print $26","$18}' > ip.result

整条命令通过shell管道来实现,分别包括:

  1. 生成ip c段地址列表,由seq来生成相应的数字

  2. 将数字转为ip的字符串形式,由awk来转换

  3. 利用curl向度娘发起请求

  4. 请求地址可以直接在度娘页面上请求后,看网络后台即可得到。这里不截图展示了

  5. 该请求比较简单,只用替换一个ip作为参数,直接xargs即可

  6. 度娘没有下限,可以暴力一些,所以通过xargs的多进程特性,开启多进程支持(这里设为100)

  7. 转一下utf8

  8. 直接把原始ip和结果输出,直接awk即可

  9. 等。这个简易爬虫效率上并不高,而且需要执行256256256=16777216次访问,所以需要超过1天来完成。直接扔服务器上让他慢慢跑吧

ip库构建

去重处理

原始数据拿来后,需要进行整理,首先需要去掉重复信息,比如原始的数据是这样的

bigsec

这些c段紧靠在一起,完全没有必要,再通过一行命令去做去重

cat ip.result | sed -e 's/,/./' | sort -n -t . -k 1,1 -k 2,2 -k 3,3 -k 4,4 | awk -F . '{print $1"."$2"."$3"."$4","$5}' | awk -F , 'last!=$2{last=$2;print}' 

说明:

  1. 首先按照ip进行排序,由于之前有多进程并发操作,结果数据会有乱序情况出现,不利于去重
  2. 利用awk,只输出归属地相同的邻近行的第一行
  3. 最终得到的结果中,任意相邻的两行地址都不一样

地理位置规范化

这里涉及到我们去建地址库的初衷,由于有的数据来源地理位置不统一,比如有的显示市,有的显示区,有的县级市地级市傻傻分不清楚。所以需要对所有归属地进行规范化处理。

整个过程略复杂,我们通过算法去自动生成和校正如下的映射表,然后再利用规范化算法得到统一的地址。整个过程略复杂,而且映射表数据需要不停的自动化构建来校准,就不展示更多的细节。

山东: 名称: 山东省 城市: 济南: 名称: 济南市 章丘: 名称: 济南市 青岛: 名称: 青岛市 即墨: 名称: 青岛市 平度: 名称: 青岛市 胶南: 名称: 青岛市 莱西: 名称: 青岛市 淄博: 名称: 淄博市 枣庄: 名称: 枣庄市 滕州: 名称: 枣庄市 东营: 名称: 东营市 烟台: 名称: 烟台市 龙口: 名称: 烟台市 莱阳: 名称: 烟台市 莱州: 名称: 烟台市 蓬莱: 名称: 烟台市

ip库生成

得到最终数据后,需要做最后打包。

一种最简单的方式是直接将上述数据作为最终数据,然后使用的时候读入,塞进一个 treemap 即可。但这种方式效率比较低,生成的包也比较大,从而影响到使用地理库的应用。

我们采用了另一种方法,逆向了ipip.net的数据格式,用该格式打出自己的数据包,这里有几个好处:

  1. 该数据格式比较精简,能大大减少最终胜出的数据包大小
  2. 由于用户比较多,网上有多语言的客户端,方便借鉴(不过实际使用还需要自己重新优化,网上和官方的库效率还是较低;要用的话也尽量用官方的库,有些网友的库不正确)
  3. 由于我们会共享数据给一些关系好的客户,所以采用标准的格式,他们只要替换数据文件即可

生产级别的ip库构建

上文描述了构建的大概过程,但核心的部分由于篇幅限制采用了简易方法进行说明,如果要做生产级别的还需要注意一下方面:

  1. 更好的原始数据获取

  2. 百度的数据来源并不是最好的

  3. 需要更健壮复杂的爬虫系统,简单的bash脚本还是有玩具性质,进拿来做展示用

  4. 大部分时间只关心国内数据,可以利用现有的asn数据来识别国家,减少数据爬取的规模。网上也有国内ip段的划分

  5. c段地址有点粗,不太准确,而且爬取效率低,需要更聪明的爬取策略

  6. 持续的数据获取,以及自动化的校准库和ip库构建。由于ip数据变化频率高,只有不停更新才能保证更好的精度

  7. 统一ip、手机、身份证、wifi地址等数据做统一的地理信息库。单个维度的信息往往只能用来做展示,如果有强计算需求的话需要做统一的数据库