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

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

本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不同对象的大小和纵横比变化，实验证明该算法优于现有基于深度学习的最先进跟踪器。

Nov, 2020

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

本文提出了一种基于孪生网络的目标跟踪方法，其中引入了目标强调模块来提高相似性响应映射的目标区域的聚焦能力，同时使用校正损失来训练模型以减少分类和回归之间的不匹配，实验表明该方法优于当前模型在性能上表现，同时效率达到 38 fps。

Mar, 2023

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

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

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

本研究提出了一种名为 SATIN 的 Siamese Attentioal Keypoint Network 用于高效追踪和准确定位目标，其可利用轻量级沙漏网络、交叉注意力模块和关键点检测方法来提高特征图的辨别力和定位能力，并在多个基准数据集上获得了最新的性能表现。

Apr, 2019