研究采用混合方法生成 IPv6 地址的命中列表，包括从被动流数据中提取 IPv6 地址，利用可公开获取的资源（如 rDNS 数据）收集更多 IPv6 地址，并从多个角度进行 traceroute 测量以获得其他地址。最终给出不同扫描类型的具体建议。

Jul, 2016

本文介绍了 Entropy/IP：一种基于 IPv6 地址子集分析发现互联网地址结构的系统，它是完全自动化的并结合信息论和机器学习技术概率建模 IPv6 地址。通过该系统，可以成功地发现不包含活动主机的 IPv6 地址空间中潜在的子网和主机。

Jun, 2016

本文提出 IPv6 hitlists 的研究，通过 IPv6 hitlists 进行网络测量，利用群众外包技术进行客户端测量，利用熵聚类等技术将 hitlists 分组，最终发布相应的源码、分析工具和数据，以促进未来 IPv6 网络测量的相关研究。

Jun, 2018

采用随机探测技术发现了超过 130 万个 IPv6 路由器接口地址，并通过采纳新的探测策略和 IPv6 目标列表实现了 IPv6 拓扑的全面和深度发现。

May, 2018

本文介绍了一种名为「edgy」的方法，该方法通过活跃探测来显式发现 IPv6 网络周边， 并在其工作中发现了超过 64M IPv6 周边路由器地址以及超过 87M 个连接。

Jan, 2020

介绍了一种基于 6VecLM 的方法，该方法可以将 IPv6 地址映射到矢量空间中以解释语义关系并使用 Transformer 网络构建 IPv6 语言模型来预测地址序列，实验结果表明，该方法可以在地址空间上进行语义分类，并具有可控制字创新能力，优于现有算法，可为快速 IPv6 扫描提供高质量的候选集。

Aug, 2020

本研究探讨了使用深度学习设计 IPv6 目标生成算法的方法，并介绍了两种地址分类方法来优化目标生成模型的效果。实验表明，该方法在两个主动地址数据集中优于传统的 VAE 模型和最先进的目标生成算法。

Apr, 2022

该论文展示了一种基于 IPv6 地址相关性模型 - SiamHAN 的方法，即使在受到 TLS 加密保护的情况下，对于追踪目标用户和发现独特用户的任务，其准确性分别为 99％和 88％。

Apr, 2022

本文从移动蜂窝网络的互联网活动记录（IAR）数据中提取了有用信息，并识别出网络流量中的健康可预测性的时空模式。这些提取出的信息有助于网络运营商规划有效的网络配置和执行网络资源的管理和优化。我们在 Telecom Italia 的 IAR 数据上进行了实验。基于此，我们提出了移动流量分区方案。所提出的模型的实验结果有助于建模和分割网络流量模式。

Jul, 2019

本研究引入了 6GAN，一种建立在生成对抗网络和强化学习之上，力图通过多模式目标生成解决 IPv6 自定义地址配置和广泛重定向的挑战。实验结果表明，与现有的目标生成方法相比，本研究提出的方法生成了更高质量的目标候选集。

Apr, 2022