VPN डेटासेटमधील एका ओळीचा अर्थ काय, आणि ते का महत्त्वाचे आहे
प्रदाता, अंतिम बिंदू, निर्गमन पत्ता आणि पोहोचक्षमता या चार वेगवेगळ्या ओळी आहेत। एकक निवडा, उगम ठेवा, डेटासेट जे व्यापत नाही ते प्रकाशित करा।
VPN डेटासेटची एक ओळ काय दर्शवते असे विचारा, आणि उत्तरे वाढत जातात: एक कंपनी, एक श्रोता, एक सार्वजनिक निर्गमन पत्ता, एक पोहोचक्षमता निकाल। प्रत्येक वैध आहे, आणि त्यांना लेबलांशिवाय मिसळल्यास अचूक वाटणारी पण काहीही न सांगणारी बेरीज तयार होते। एकक हा रचनेचा निर्णय आहे, आणि तो पहिल्या मोजणीपूर्वी घ्यावा लागतो। प्रकाशित VPN आकडेवारीतील बहुतेक गोंधळ ती पायरी वगळल्यामुळे येतो।
ओळ एक दावा आहे, वस्तू नाही
प्रत्येक ओळ जगाबद्दल काहीतरी दावा करते, आणि दाव्याला एक विषय असतो। विषयाला नाव देणे हेच ओळीला दुसऱ्या ओळीशी तुलनीय बनवते।
प्रदात्याची ओळ दावा करते की संस्था सेवा देते। अंतिम बिंदूची ओळ दावा करते की विशिष्ट पत्ता आणि पोर्ट एक प्रोटोकॉल बोलतात। निर्गमनाची ओळ दावा करते की रहदारी कधीतरी एका पत्त्यावरून बाहेर पडली। मापनाची ओळ दावा करते की कुठूनतरी एक तपासणीने निकाल पाहिला। चार विषय, चार योजना, आणि भेदकाशिवाय त्या मिसळणारा डेटासेट अजिबात एकत्रित करता येत नाही।
भेदक हा योजनेतील सर्वात स्वस्त भाग आहे आणि सर्वात जास्त वगळला जाणारा भाग।
मोजणीपूर्वी एकक निवडा
तुमच्याकडे खरोखर असलेल्या प्रश्नाचे उत्तर देणारे एकक निवडा। अंतिम बिंदू मोजणे किती श्रोत्यांची घोषणा झाली हे सांगते; प्रदाते मोजणे किती संस्था सहभागी होत्या हे सांगते; निर्गमन पत्ते मोजणे किती दृश्यमान उगम आहेत हे सांगते।
हे आकडे परस्पर बदलण्यायोग्य नाहीत, आणि फरक मोठे आहेत। एक प्रदाता हजारो पत्ते चालवू शकतो, आणि एक पत्ता वेगवेगळ्या सेवांसाठी अनेक प्रोटोकॉल श्रोते ठेवू शकतो। त्यामुळे पत्त्यांची मोजणी प्रदात्यांच्या मोजणीसाठी वरची किंवा खालची मर्यादा नाही। प्रत्येक वेळी आकड्याच्याच वाक्यात एकक सांगा। एककाशिवाय आकडा म्हणजे दशांश बिंदू असलेले मत।
| Unit | The row asserts | What a count of it means |
|---|---|---|
| Provider | An organisation offers a service | How many operators appear |
| Endpoint | An address and port speak a protocol | How many listeners were advertised |
| Exit address | Traffic left from an address | How many apparent origins exist |
| Observation | A probe saw a result | How many tests ran, not how many servers |
सार्वजनिक निर्देशिका त्या सेवेतील घोषित सहभागींना पुरवते। ती जगातील प्रत्येक व्यापारी, संस्थात्मक आणि खाजगी तैनातीची यादी नाही, आणि तिला तसे मानल्यास प्रत्येक व्युत्पन्न आकडेवारी फुगते।
उगम योजनेतच असतो
उगमाशिवाय ओळीची पुन्हा तपासणी करता येत नाही। स्रोत नोंद, तिच्या कालविभागासह संकलन वेळ, निरीक्षण पद्धत आणि शेवटच्या दर्शनाची स्थिती नोंदवा।
घोषित गुणधर्म वेगळे ठेवा निरीक्षित गुणधर्मांपासून, कारण त्यांचे वजन वेगळे आहे। निर्देशिकेचे देश लेबल घोषित दावा आहे, आणि ते सर्व्हरच्या भौतिक स्थानाचा पुरावा नाही। IP वाटप नेटवर्क ब्लॉक ओळखते, त्यातील प्रत्येक भाडेकरूला नाही, आणि वरच्या अनुप्रयोगाच्या सध्याच्या चालकालाही नाही। दोन स्तंभ आणि एक टीप प्रत्येक वेळी एका एकत्रित क्षेत्रापेक्षा चांगले असतात।
{"endpoint": "203.0.113.10:1194/udp", "unit": "endpoint", "advertised_country": "NL",
"observed_at": "2026-11-03T02:15:00Z", "method": "udp_probe", "last_seen": "2026-11-03"}एकच JSON ओळ योजना मूर्त करते आणि वर्णनाच्या परिच्छेदापेक्षा त्यावर चर्चा करणे सोपे आहे। लक्षात घ्या की वेळशिक्का कालविभाग घेतो आणि पद्धत गर्भित नाही, नामनिर्देशित आहे।
प्रश्नानुसार पुनरावृत्ती काढा
पुनरावृत्ती एककावर अवलंबून असते। दोन प्रोटोकॉल श्रोत्यांसह तोच पत्ता एक अंतिम-बिंदू जोडी आणि दोन सेवा आहे, आणि तो शांतपणे एकत्र केल्यास मोजणी बदलते।
प्रश्न ज्या पातळीविषयी विचारतो त्या पातळीवर पुनरावृत्ती काढा, आणि प्रत्येक ठेवलेल्या ओळीत किती कच्च्या ओळी आकसल्या ते नोंदवा। ते प्रमाण स्वतःच एक शोध आहे, कारण मोठे आकसणे सहसा स्रोत प्रति-श्रोता नोंदी प्रकाशित करतो असा अर्थ देतो। अनेक पत्ते चालवणारा प्रदाता उलटा नमुना देतो। दोन्ही बरोबर आहेत, आणि केवळ नोंदवलेले प्रमाणच वाचकाला ते वेगळे ओळखू देते।
मग कच्च्या ओळी ठेवा। पुनरावृत्तीमुक्त तक्ता एक दृश्य आहे, आणि कच्च्या इनपुटमधून तो पुन्हा उभारण्याची क्षमता हीच निकाल पुनरुत्पादनीय बनवते।
व्याप्ती विधान प्रकाशित करा
स्रोत कसे निवडले, ते कोणते प्रदेश किंवा नेटवर्क व्यापतात, आणि काय जाणीवपूर्वक अनुपस्थित आहे ते नमूद करा।
खाजगी कॉर्पोरेट अंतिम बिंदू आणि अघोषित तैनाती सार्वजनिक याद्यांमध्ये कधीही दिसत नाहीत, म्हणून निर्देशिकेत अनुपस्थिती केवळ हे सिद्ध करते की निर्देशिकेने ती सूचीबद्ध केली नाही। प्रकाशनापूर्वी स्रोताच्या अटी आणि पुनर्वितरण परवानग्या तपासा, आणि कधीही आवश्यक नसलेली क्षेत्रे काढून टाका। अंतिम-बिंदू अभ्यासाला ग्राहक ओळख, क्रेडेन्शियल किंवा ब्राउझिंग इतिहास क्वचितच लागतो। ते प्रकाशित करणे वेगळ्या औचित्याचा वेगळा प्रकल्प ठरेल।
wc -l vpn-endpoints.jsonl
jq -r '.unit' vpn-endpoints.jsonl | sort | uniq -c
jq -r '.advertised_country' vpn-endpoints.jsonl | sort | uniq -c | sort -rn | headती तीन आदेश ओळ-मोजणी, एकक विभाजन आणि घोषित देशानुसार व्याप्तीचे रेखाचित्र देतात। लोकसंख्या बदलल्यास तारखेसह स्नॅपशॉट ठेवा, आणि जुन्या व पुष्ट अनुपस्थितीत फरक करा। स्पष्ट लोकसंख्या असलेला मर्यादित डेटासेट इंटरनेटवरील प्रत्येक VPN समाविष्ट असल्याच्या असमर्थित दाव्यापेक्षा चांगला आहे।