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

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

通过对全球 CDN 的 IPv6 地址活动日志进行分析，本研究旨在展示 IPv6 地址不仅更加数量众多，而且种类繁多的特点，并提出了一种二维分类方法：根据活动实例在时间和空间上分类，以此来统计过去一年全球 IPv6 地址的使用和结构，并展示了分类的效果，证明该方法可以澄清当前 IPv6 地址实践的含义。

Jun, 2015

本文提出了一种基于超图的核心 - 边缘模型，通过对高阶网络的核心分数向量进行计算，解决了对应的非凸核心 - 边缘优化问题，被证明在人工合成和真实世界的网络数据集中表现得比竞争算法要好。

Feb, 2022

本文提出一种新的迭代算法，用于检测网络中的核心和边缘结构，利用非线性 Perron-Frobenius 理论技术，证明了在一个自然的离散优化问题的松弛版本下全局收敛于唯一的解。该算法的迭代成本在稀疏网络上随着节点数量的线性增长，使其可以用于大规模问题。我们从新的 logistic random graph model 的最大似然重排序的角度给出了算法的另一种解释，在判断核心 - 边缘检测算法方面也提供了一种新的基础。我们在一些合成和实际网络上展示了该算法，并证明它比当前的最先进技术具有优势。

Apr, 2018

本研究综合探索了超几何网络模型中重要特征核心 - 边缘结构，通过对流行度 - 相似度优化模型（PSO）和 S1/H2 模型的研究，使用基于标准随机行走马尔可夫链模型的方法研究了核心 - 边缘结构。观察到的核心 - 边缘集中度值表明，在某些条件下，核心 - 边缘结构可能非常显著。通过对网络几何结构中观察到的核心 - 边缘结构的显著性进行统计验证，验证了我们的发现。本研究扩展了网络科学，并揭示了适用于各个领域的核心 - 边缘洞察力，提升了交通和信息系统的网络性能和韧性。

Jun, 2024

该研究针对互联网路由架构的成本日益增加提出了一种基于双曲空间映射的网络映射方法，并证实该方法使互联网路由具有近乎理论最优的缩放性能，同时也提供了一种复杂网络社区结构的不同视角。

Sep, 2010

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