La géolocalisation IP est essentielle à une part considérable de l'internet moderne : localisation de contenu, détection des fraudes, ciblage publicitaire, conformité réglementaire. Ce marché englobe des milliers d'entreprises et des milliards d'appels API quotidiens. Pourtant, les utilisateurs de ces données ne disposent d'aucun moyen fiable et indépendant de comparer les fournisseurs.
Ceux qui dépendent des données de géolocalisation IP ne disposent pas des informations nécessaires pour prendre une décision éclairée :
On choisit la première API ou base de données gratuite venue, on l'intègre et on ne la valide jamais. L'hypothèse « ça suffira » ou « tous les fournisseurs se valent » n'est jamais vérifiée.
Après avoir constaté des erreurs de géolocalisation, certaines équipes se méfient de toute la catégorie. Elles mettent en place des solutions de contournement ou évitent les fonctionnalités dépendantes de la localisation. Aucune donnée ne permet de quantifier le risque réel.
Les organisations soucieuses de conformité dépensent entre 10 000 et plus de 100 000 dollars par an en géolocalisation commerciale. Le choix du fournisseur repose sur l'engagement commercial et les livres blancs publiés par les entreprises elles-mêmes.
Ces trois profils partagent le même problème : l'absence de source de vérité neutre. Les affirmations concernant la précision proviennent des fournisseurs eux-mêmes, testées sur leurs propres ensembles de données, dans des conditions qu'ils contrôlent et selon une méthodologie qu'ils divulguent rarement.
Les limites des bases de données de géolocalisation ne sont pas nouvelles. La littérature scientifique les documente depuis plus d'une décennie :
Première étude de terrain utilisant les données d'un fournisseur d'accès Internet d'un vaste réseau européen. Conclusion : les bases de données de géolocalisation peuvent prétendre à une précision à l'échelle nationale, mais certainement pas à l'échelle de la ville. Un niveau de détail plus fin diminue en réalité la précision.
Des bases de données évaluées à l'aide d'environ 100 000 adresses IP regroupées en points de présence ont été analysées. La cohérence entre les bases de données est faible au niveau des villes. MaxMind a signalé une perte de précision d'environ 1,5 % par mois en raison de la réattribution des blocs d'adresses IP.
Étude portant sur 1,64 million d'adresses IP de routeurs issues du jeu de données Ark de CAIDA. Cohérence de 95,8 % au niveau national entre les bases de données, mais seulement 71 % au niveau des villes. La précision varie considérablement selon les régions, ARIN (Amérique du Nord) affichant des résultats particulièrement faibles au niveau des villes.
Proposition d'une méthode d'évaluation basée sur le délai. Confirmation que la fiabilité des bases de données n'est pas uniforme selon les régions, et que des incohérences importantes persistent entre les principaux fournisseurs commerciaux.
Étude des geofeeds RFC 8805, un mécanisme permettant aux opérateurs de réseau de publier eux-mêmes leur géolocalisation IP. Même ces données autodéclarées contiennent des inexactitudes importantes.
Chaque étude a apporté des contributions importantes. Mais elles partagent des limitations structurelles : elles testent un ensemble fixe d'adresses IP à un seul moment donné, elles s'appuient sur des données de référence soit privées (données des FAI), soit synthétiques (WHOIS, noms d'hôtes DNS, points de repère connus), et elles se concentrent principalement sur les adresses IP d'infrastructure plutôt que sur le trafic des utilisateurs finaux.
Un article récent de l'Université de Chicago a exploré l'utilisation des données de localisation issues de tests de débit grand public comme vérité terrain — la première étude à valider la géolocalisation IP par rapport aux localisations réelles déclarées par les utilisateurs à grande échelle. Les chercheurs ont constaté que la précision varie considérablement selon la zone géographique, l'opérateur et le mode d'accès — des nuances uniquement visibles grâce à une référence de localisation utilisateur.
L'Arena s'appuie sur l'approche de la localisation utilisateur comme vérité terrain, adaptée à la collecte continue de données participatives :
L'appariement des noms de villes est complexe. Plutôt que de comparer directement les noms bruts renvoyés par les fournisseurs, nous effectuons un géocodage inverse des coordonnées de chaque fournisseur à l'aide du même service de géocodage que celui utilisé pour la vérité terrain. Cela garantit que les deux parties utilisent les mêmes conventions de dénomination, limites administratives, langue, etc.
L'erreur de distance utilise la formule de Haversine. Nous rapportons l'erreur de distance médiane pondérée par fournisseur, chaque soumission étant pondérée par 1/précision² (pondération par inverse de la variance). Les soumissions dont la précision GPS dépasse 5 km sont exclues afin d'éviter que le recours du navigateur à la localisation par IP ne fausse les résultats. Les tests répétés depuis la même adresse IP et la même localisation sont dédupliqués au sein de fenêtres glissantes de 7 jours.
| Dimension | Études traditionnelles | IP Accuracy |
|---|---|---|
| Vérité terrain | Données FAI, WHOIS, noms d'hôtes DNS, points de repère | Localisation de l'appareil de l'utilisateur (GPS, positionnement Wi-Fi) |
| Types d'IP | Souvent des adresses IP de routeurs/infrastructure | Adresses IP des utilisateurs finaux |
| Fraîcheur | Instantané statique, publié une seule fois | Classements en direct, mis à jour en continu |
| Portée | Généralement 1 à 2 régions ou un seul FAI | S'accroît grâce aux contributions |
| Réseaux | Généralement un seul type de réseau | Résidentiel, mobile, entreprise, point d'accès |
| Reproductibilité | Nécessite souvent des données privées | Méthodologie ouverte, résultats publics |
| Fournisseurs | 2 à 4 bases de données | 15 fournisseurs, extensible |
Les données de localisation de l'appareil sont sensibles. Les coordonnées de l'utilisateur sont utilisées exclusivement à des fins de comparaison en temps réel et ne sont jamais enregistrées.
Horodatage, adresse IP, ville/région/pays de référence et précision (sans coordonnées), ville/région/pays et coordonnées renvoyées par le fournisseur, résultat de la correspondance de la ville, correspondance du pays, erreur de distance.
Les coordonnées de l'appareil, son empreinte numérique et l'identité de l'utilisateur ne sont pas enregistrés.
La précision de la localisation varie selon l'appareil. Le GPS mobile offre une précision de 5 à 15 m. Le positionnement Wi-Fi sur ordinateur peut atteindre 50 à 200 m. Notre agrégation pondérée atténue ce biais en accordant plus de poids aux mesures de haute précision.
Biais d'échantillonnage. Les contributions participatives ne sont pas géographiquement uniformes. Les données concernant les régions sous-représentées doivent être interprétées avec prudence.
VPN, trafic proxy. Les utilisateurs connectés à un VPN verront apparaître une incohérence intentionnelle entre la localisation de leur appareil et leur adresse IP. Les soumissions identifiées comme trafic anonyme, proxy ou d'hébergement sont automatiquement exclues du classement.
Niveaux d'API des fournisseurs. Certains fournisseurs proposent une précision variable selon les niveaux de service. Nous testons ceux auxquels nous avons accès.
La manière la plus simple de contribuer est de lancer un test. Les tests provenant de régions sous-représentées, de réseaux mobiles et de zones géographiques non occidentales sont particulièrement précieux — c'est là que les fournisseurs divergent le plus et que les données sont rares.
La méthodologie est ouverte. Si vous êtes un fournisseur souhaitant être inclus ou un chercheur intéressé par le jeu de données, contactez-nous à arena@ipaccuracy.com.