หนึ่งแถวในชุดข้อมูล VPN หมายถึงอะไร และทำไมจึงสำคัญ
ผู้ให้บริการ จุดปลายทาง ที่อยู่ขาออก และการเข้าถึงได้คือสี่แถวที่ต่างกัน เลือกหน่วย เก็บที่มา และเผยแพร่สิ่งที่ชุดข้อมูลไม่ได้ครอบคลุม
ถามว่าหนึ่งแถวของชุดข้อมูล VPN แทนอะไร คำตอบก็ทบทวีคูณ ทั้งบริษัท ผู้รับฟัง ที่อยู่ขาออกสาธารณะ และผลของการเข้าถึงได้ แต่ละอย่างล้วนชอบด้วยเหตุผล และการผสมปนเปกันโดยไม่มีป้ายกำกับก็ให้ยอดรวมที่ฟังดูแม่นยำแต่ไม่มีความหมาย หน่วยคือการตัดสินใจเชิงออกแบบ และต้องตัดสินก่อนการนับครั้งแรก ความสับสนส่วนใหญ่ในสถิติ VPN ที่เผยแพร่มาจากการข้ามขั้นตอนนี้
แถวคือข้อกล่าวอ้าง ไม่ใช่สิ่งของ
ทุกแถวกล่าวอ้างบางอย่างเกี่ยวกับโลก และข้อกล่าวอ้างนั้นมีประธาน การระบุประธานคือสิ่งที่ทำให้แถวหนึ่งเทียบได้กับอีกแถวหนึ่ง
แถวผู้ให้บริการกล่าวอ้างว่าองค์กรหนึ่งให้บริการ แถวจุดปลายทางกล่าวอ้างว่าที่อยู่และพอร์ตหนึ่งพูดโปรโตคอล แถวขาออกกล่าวอ้างว่าทราฟฟิกออกจากที่อยู่หนึ่งในเวลาหนึ่ง แถวการวัดกล่าวอ้างว่าโพรบจากที่ใดที่หนึ่งสังเกตผลลัพธ์ สี่ประธาน สี่สคีมา และชุดข้อมูลที่ผสมปนเปกันโดยไม่มีตัวจำแนกก็ไม่อาจรวมเข้าด้วยกันได้เลย
ตัวจำแนกเป็นส่วนที่ถูกที่สุดของสคีมา และเป็นส่วนที่ถูกละเลยบ่อยที่สุด
เลือกหน่วยก่อนการนับ
เลือกหน่วยที่ตอบคำถามที่คุณมีจริง การนับจุดปลายทางตอบว่ามีผู้รับฟังประกาศไว้กี่ราย การนับผู้ให้บริการตอบว่ามีองค์กรเกี่ยวข้องกี่แห่ง การนับที่อยู่ขาออกตอบว่ามีต้นกำเนิดที่ดูเหมือนจริงอยู่กี่แห่ง
ตัวเลขเหล่านี้ใช้แทนกันไม่ได้ และความต่างก็มาก ผู้ให้บริการรายเดียวอาจดำเนินการที่อยู่หลายพันแห่ง และที่อยู่หนึ่งอาจรองรับผู้รับฟังโปรโตคอลหลายรายสำหรับบริการต่างกัน ดังนั้นจำนวนที่อยู่จึงไม่ใช่ทั้งขอบบนและขอบล่างของจำนวนผู้ให้บริการ ระบุหน่วยในประโยคเดียวกับตัวเลขทุกครั้ง ตัวเลขที่ไม่มีหน่วยคือความเห็นที่มีจุดทศนิยม
| 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 |
ไดเรกทอรีสาธารณะให้ผู้เข้าร่วมที่ประกาศไว้ในบริการนั้น ไม่ใช่บัญชีรายการของการติดตั้งเชิงพาณิชย์ องค์กร และส่วนตัวทั้งหมดในโลก และการปฏิบัติต่อมันเช่นนั้นก็พองทุกสถิติที่ได้มา
ที่มาอยู่ในสคีมา
แถวที่ไม่มีที่มาไม่อาจตรวจสอบซ้ำได้ บันทึกระเบียนต้นทาง เวลาการเก็บรวบรวมพร้อมเขตเวลา วิธีการสังเกต และสถานะการเห็นครั้งล่าสุด
แยกคุณลักษณะที่ประกาศไว้ออกจากที่สังเกตได้ เพราะมีน้ำหนักต่างกัน ป้ายประเทศในไดเรกทอรีเป็นข้อกล่าวอ้างที่ประกาศไว้ และไม่ใช่หลักฐานตำแหน่งทางกายภาพของเซิร์ฟเวอร์ การจัดสรร IP ระบุบล็อกเครือข่าย ไม่ใช่ผู้เช่าทุกรายภายใน และไม่ใช่ผู้ดำเนินการปัจจุบันของแอปพลิเคชันที่อยู่ข้างบน สองคอลัมน์และบันทึกหนึ่งรายการชนะฟิลด์ที่รวมกันหนึ่งฟิลด์ทุกครั้ง
{"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"}บรรทัด JSON บรรทัดเดียวทำให้สคีมาเป็นรูปธรรม และถกเถียงได้ง่ายกว่าย่อหน้าคำอธิบาย สังเกตว่าการประทับเวลามีเขตเวลา และวิธีการถูกระบุชื่อไม่ใช่บอกเป็นนัย
ลบรายการซ้ำตามคำถาม
รายการซ้ำขึ้นอยู่กับหน่วย ที่อยู่เดียวกันกับผู้รับฟังโปรโตคอลสองรายคือคู่จุดปลายทางหนึ่งคู่และบริการสองรายการ และการยุบรวมอย่างเงียบ ๆ ก็เปลี่ยนการนับ
ลบรายการซ้ำในระดับที่คำถามถามถึง และบันทึกว่ามีกี่แถวดิบที่หลอมรวมเข้าในแต่ละแถวที่เก็บไว้ อัตราส่วนนั้นเองคือข้อค้นพบ เพราะการหลอมรวมมากมักหมายความว่าแหล่งข้อมูลเผยแพร่ระเบียนตามผู้รับฟัง ผู้ให้บริการที่มีที่อยู่มากจะให้รูปแบบตรงกันข้าม ทั้งสองอย่างถูกต้อง และมีเพียงอัตราส่วนที่บันทึกไว้เท่านั้นที่ทำให้ผู้อ่านแยกแยะได้
จากนั้นเก็บแถวดิบไว้ ตารางที่ไม่มีรายการซ้ำเป็นเพียงมุมมอง และความสามารถในการสร้างใหม่จากข้อมูลดิบคือสิ่งที่ทำให้ผลลัพธ์ทำซ้ำได้
เผยแพร่คำแถลงขอบเขต
ระบุว่าคัดเลือกแหล่งข้อมูลอย่างไร ครอบคลุมภูมิภาคหรือเครือข่ายใด และอะไรที่จงใจไม่รวมไว้
จุดปลายทางองค์กรส่วนตัวและการติดตั้งที่ไม่ได้ประกาศไม่เคยปรากฏในรายการสาธารณะ ดังนั้นการไม่มีอยู่ในไดเรกทอรีจึงพิสูจน์เพียงว่าไดเรกทอรีไม่ได้ลงรายการไว้ ตรวจสอบข้อกำหนดของแหล่งข้อมูลและสิทธิ์การเผยแพร่ต่อก่อนเผยแพร่ และตัดฟิลด์ที่ไม่เคยจำเป็นออก การศึกษาจุดปลายทางแทบไม่ต้องใช้ตัวตนของผู้สมัครสมาชิก ข้อมูลรับรอง หรือประวัติการท่องเว็บ การเผยแพร่สิ่งเหล่านั้นจะเป็นอีกโครงการที่มีเหตุผลอีกอย่างหนึ่ง
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 | headสามคำสั่งนั้นให้จำนวนแถว การแบ่งตามหน่วย และภาพร่างของความครอบคลุมตามประเทศที่ประกาศไว้ เก็บภาพรวมที่ระบุวันที่เมื่อประชากรเปลี่ยน และแยกแยะสิ่งที่ล้าสมัยกับการขาดหายที่ยืนยันแล้ว ชุดข้อมูลที่จำกัดและมีประชากรชัดเจนย่อมดีกว่าข้อกล่าวอ้างที่ไม่มีหลักฐานว่ารวมทุก VPN บนอินเทอร์เน็ต