Token Lab搜索

DNS / AI OPERATIONS

AI 如何改善 DNS:配置、安全、巡检与可观测性

从域名上线到故障与攻击调查,讲清 AI 比规则和脚本多解决什么、需要哪些证据,以及如何验证收益与控制变更。

来源与版本详情
本文目录

1. AI 到底能为 DNS 增加什么

DNS 把名字映射为地址、邮件路由和其他服务信息。它既是流量入口,也是组织资产、业务依赖和攻击行为的交汇点。一个域名配置错误,可能同时影响网站、证书签发、邮件投递、内部服务发现和安全策略。本文面向开发者、SRE 与安全工程师,用一个域名上线案例,把配置、安全、巡检与可观测性连接为同一个运维闭环。

先给出判断:AI 最有价值的地方,是理解不完整的业务意图,关联分散的证据,并选择下一步验证;不是把 DNS 的确定性规则改为概率判断。 固定格式校验、签名验证、缓存计时、权限检查,规则和传统程序通常更便宜、更稳定。如果系统已经有一条准确、低成本的规则,给它再套一个大模型不会自动改善结果。

本文把 AI 分成三类。传统机器学习从流量特征中学习恶意行为或异常分布;时序模型识别与时段、地区、工作负载有关的偏离;大语言模型(LLM)理解工单与文档、编排只读工具、组织故障假设与解释变更。一个会聊天的 DNS 控制台不等于更可靠的 DNS 系统。 是否更好,要看错误变更是否减少、告警是否更有用、定位是否更快,以及增加了多少成本和风险。

工作 规则、脚本的优势 AI 可能增加的价值与适用条件
记录校验 检查 IP、类型、名称、TTL、CNAME 冲突 从业务请求生成候选方案,解释跨服务依赖;前提是有真实资产与服务商文档
安全检测 精确匹配已知恶意域名、执行访问策略 组合弱信号发现未收录行为;前提是有代表性流量、标签和误报预算
日常巡检 稳定复现同一组探测 将大量发现映射到负责人、业务影响与修复顺序;前提是资产关系可信
故障诊断 测量时延、RCODE、DNSSEC 状态 跨日志、变更和网络证据提出可证伪假设;前提是来源、时间和视角完整

2. 先理解 DNS:为什么“记录正确”仍然可能失败

客户端通常把问题交给递归解析器。解析器先查缓存,必要时沿根、顶级域与权威服务器的委派关系查询,得到答案后返回并缓存。注册商通常管理父区委派和 DS 等信息,DNS 托管商管理子区记录,二者不是同一个控制面。只看托管商控制台的 A 记录,无法证明用户真的能解析到它。 [S1]

zone 是被委派管理的命名空间;RRset 是同名、同类、同类型的记录集合。A/AAAA 指向地址,CNAME 表示别名,MX 指定邮件服务器,TXT 承载验证或策略,NS 参与委派,SOA 描述区的管理信息。标准 CNAME 所在名称不能随意同时放 A、MX 等普通数据;DNSSEC 有规定的例外。区顶点必须存在 SOA/NS,因此不能简单放一个标准 CNAME 来替代它。某些服务商的 ALIAS、ANAME 或 flattening 是服务商能力,不能当成通用线上的记录类型。[S2]

TTL 是缓存的时间约束,不是“全球传播完成倒计时”。缓存命中、预取、操作系统与应用自身缓存、递归器策略,都会影响你看到什么。负缓存也很关键:新建一个刚被查询过且不存在的名字,旧的 NXDOMAIN 仍可能暂时存在。 RFC 2308 规定权威负答复使用 SOA TTL 与 SOA.MINIMUM 的较小值建立负缓存寿命;支持 serve-stale 的递归器还可能在刷新失败时按策略返回过期数据。[S3][S4]

再区分三种安全机制。DNSSEC 通过签名与信任链验证来源与完整性,并不加密查询,也不保证域名背后的应用可信。DoT 与 DoH 保护客户端到所选解析器等相应传输链路,不能代替 DNSSEC,解析器仍能看到它处理的查询。父区 DS、子区 DNSKEY/RRSIG 不匹配,可能令验证解析器返回 SERVFAIL;单看“权威能答”会漏掉这类故障。[S5][S6][S7]

3. 贯穿案例:把 example.com 的新 API 上线

假设团队要发布 api.example.com,同时保留邮件服务与内部域名视图。以下地址 192.0.2.10、192.0.2.20 属于文档示例地址,不是可部署的公网目标。案例、数字和架构是本文原创教学设计,不是 tokenlab.fyi 的真实 DNS 审计。

请求只写“把新 API 切到新入口”,AI 首先应识别缺失信息:具体名字、当前与目标 RRset、生产还是测试、是否有 IPv6、代理/CDN 模式、证书覆盖、变更窗口、回滚条件、邮件或第三方验证是否共享这个名称。缺少目标 IP、所有权或环境时,正确输出是缺失项,不能猜一个看似合理的记录。

输入应形成一个带来源的上下文包:工单 ID、只读当前区快照与版本、服务资产 ID、允许变更的名称集合、服务商文档版本、最近变更、解析探测和证书状态。输出先是结构化提案:增加/修改/删除哪些 RRset,每项理由、依赖、验证方法与回滚快照;自然语言解释与机器可执行 diff 分开保存。

原创参考设计:AI 提出方案,独立校验与授权把关;实际 DNS 解析不经过 LLM。
原创参考设计:AI 提出方案,独立校验与授权把关;实际 DNS 解析不经过 LLM。 打开原尺寸图

4. 配置应用:从自然语言到受控变更

AI 在这里改善的是“需求到配置”的翻译与核对成本。同一个“接入邮件服务”可能涉及 MX、SPF、DKIM、DMARC、服务商验证 TXT 和已有发信平台。固定模板很难覆盖工单中隐含的多个提供商;LLM 可以从被授权的文档中提取字段,找出矛盾,并解释为何应合并 SPF 机制而非直接新增另一条 SPF 策略。但 SPF 的 DNS 查询次数约束、MX 目标、DKIM selector 与 DMARC 对齐,仍要由相应解析器和测试验证。DMARC 是否通过涉及邮件身份与认证结果,不能仅靠存在一条 TXT 就认定配置成功。[S8][S9]

建议实现六步:读取实际状态;生成最小 diff;执行类型/名称/作用域与服务商约束校验;预览实际提供商差异;按风险审批并应用;从权威与代表性递归器验证。DNSControl 的 preview 计算并显示变更,push 执行变更;octoDNS 也提供跨服务商的声明式管理基础。这些工具的确定性计划已经有价值,AI 的增量是帮助生成、解释和检查计划,而不是抢走其执行职责。 [S10][S11]

变更记录应包含预期版本与计划哈希。审批之后执行之前,再读一次状态;如果管理员刚改过同一 RRset,就让旧计划失效。支持版本条件更新的提供商可做原子比较;不支持时要用外部锁、受控单写者和重新计划缩小竞争窗口,不能声称一次读取消除了竞态。超时后先核对变更 ID 和实际状态,再决定重试,避免重复删除或覆盖。

配置校验还应关注:相对名称被错误拼接后缀;FQDN 尾点;同一 RRset 不一致 TTL;TXT 的字符串分段与转义;通配符与委派边界;私网地址泄露到公网区;AAAA 指向未就绪 IPv6 入口;CAA 与证书签发策略;顶点和 NS/DS 的高影响变更。模型可以解释错误,实际拒绝条件必须在模型外执行。

TTL 为什么不能交给 AI 凭感觉优化

假设旧 A 记录 TTL 为 3600 秒,12:00 将权威 TTL 降为 300 秒。一个在 11:59:59 缓存了旧值的解析器,正常情况下仍可能保留到接近 13:00。12:05 直接切地址,并不能让这个缓存追溯使用新 TTL。应先等待此前的缓存窗口,再切换,并保留旧入口继续服务足够时间;邮件、长连接与应用缓存还要独立考虑。

AI 可以结合发布窗口、历史查询量和容灾要求提出候选 TTL,说明较短 TTL 增加上游负载、较长 TTL 延长旧值影响。最终选择是受业务约束的策略决策,不能把“建议 300 秒”写成全网五分钟完成。 回滚同样只是发布另一版状态,不能收回已经进入缓存的错误答案。[S3][S4]

截至本文核对日,DMARC 已有 2026 年 5 月的 RFC 9989,取代 RFC 7489/9091;生成配置与策略发现逻辑时应按当前规范和接收方实际支持情况核对,不能只复制旧模板。[S9]

5. 安全应用:从单个域名特征到行为证据

DNS 是攻击的基础设施之一:钓鱼与命令控制需要命名;DGA 动态产生域名;隧道可以把信息编码进查询名称或响应;随机子域攻击可能绕过缓存压向权威。分别处理保护 DNS 基础设施与利用 DNS 发现终端攻击:前者关心可用性、反射放大、访问控制、速率和容量;后者关心查询者、域名与行为关联,检测位置和响应动作不同。

机器学习的价值在于组合多个不充分的信号:子域长度、字符分布、唯一子域比例、NXDOMAIN 比例、周期性、查询类型、域龄、被动 DNS 关系、终端身份与业务用途。随机-looking 名称并不必然恶意,CDN、追踪与软件更新也可能出现长串标签;固定熵阈值容易误伤。模型若学习了环境差异,可能比单阈值有更好的召回与排序,但必须在本组织流量中验证。Cloudflare 公开介绍过使用 ML 检测 DGA 与 DNS 隧道;这支持“这类方法被应用”,不证明任何环境中都优于规则。[S12]

LLM 更适合把“某终端查询新域名、低频固定周期、EDR 同时发现异常进程”整理为调查摘要,列出缺失证据和限定响应范围。它不应按自然语言直觉直接将一个共享 CDN 域名加入全公司阻断列表。可先监测、隔离单终端、要求进一步证据,再对经过验证的域名执行有过期时间、例外和撤销路径的阻断。

可见性决定能力上限。 只监控企业 UDP/53,而终端可直接访问外部 DoH,则 DNS 日志并不完整。应通过授权的终端与递归器策略获得可见性,并明确未覆盖部分;加密流量的统计分类不能凭空恢复确切查询内容。权威日志通常看到的是递归器,不等于最终用户身份;缓存命中也不会到达权威。[S6][S7]

6. 为什么“99%准确率”仍然可能制造告警灾难

假设每天分析 100 万个“终端—域名时间窗”,真实恶意比例为 0.01%,即 100 个。检测器召回率 95%,良性样本误报率 0.1%。那么真阳性 95 个、假阴性 5 个;999900 个良性样本带来约 1000 个假阳性。告警精确率只有约 8.7%,即十多个告警才有一个真问题。这是合成算例,不是厂商测试。

p 为真实恶意比例,r 为召回率,f 为良性样本误报率,均为无量纲比例;Precision 是告警中真实恶意的比例。代入 、、,结果约为 0.086766。

合成低基率算例:95 个真实告警,约 1000 个误报;告警精确率仅约 8.7%。
合成低基率算例:95 个真实告警,约 1000 个误报;告警精确率仅约 8.7%。 打开原尺寸图

因此,安全 AI 的目标不应只写“发现更多异常”。应评价固定分析师工时下确认了多少事件、每千台终端误报数、检测延迟、误阻断业务影响,以及不同地区与工作负载的表现。训练测试按时间和域名/组织关系隔离,避免同一攻击家族或近重复域名同时出现在两边造成虚高结果。新软件上线会改变分布,白名单也会失效,要监控漂移并回收过期例外。

模型分数不自动是校准后的恶意概率。告警阈值应结合误阻断成本与漏报成本选择,先用影子模式比较现有规则,再逐步开放范围。高风险动作的依据是证据与授权,不是模型写出“置信度 0.98”。

7. 巡检应用:自动检查之外,AI 应负责什么

巡检首先是确定性证据采集。对每个区记录:父区 NS 与子区 NS 是否一致且可达、必要 glue 是否完整、权威副本是否按区的更新机制收敛、DNSSEC 信任链与签名有效期、UDP/TCP/IPv4/IPv6 能否访问、负缓存与 TTL、CNAME 链及循环、无主记录、CAA 和邮件策略、公开与内部视图是否符合资产意图。[S13][S14]

注意“是否一致”的业务语义。GeoDNS、负载均衡和 split-horizon 本来就可能返回不同答案;SOA serial 相同也不能证明所有控制面一致,某些托管平台并不向用户暴露传统区传送流程。巡检基准必须记录预期差异,而非把所有不相同都当故障。

AI 最能改善的是发现后的归并、解释与排队。一千条失效别名,可能属于一个已经下线的供应商;十条低严重度 DNS 告警,可能共同指向唯一支付入口。把记录连到服务目录、负责人、变更与流量,才能按暴露面、业务关键性和证据强度安排处理。没有资产关系的模型只是在美化告警文字。

悬空 CNAME 尤其需要谨慎:目标 NXDOMAIN 或 HTTP 404 只是可疑信号,并不证明第三方资源可被他人认领。应由服务商所有权规则、资源存在性与资产负责人确认风险;检查本身无需实际抢注资源。自动清理也要先证明没有有效依赖,并保存可恢复快照与审计记录。

8. 可观测性:观测的究竟是哪一层

可观测性不是多收几条日志,而是让故障假设能被观测证据区分。至少分开四层:终端调用与系统缓存、递归解析器、权威 DNS、业务连接与 TLS。权威平均时延很低,并不能证明用户解析成功;递归时延低,也可能只是快速返回 NXDOMAIN。

证据层 应采集的信号 能回答与不能回答的问题
客户端/合成探测 名称、类型、解析器、视图、RCODE、期望 RRset、时延、时间 能否在该视角得到预期结果;不能代表所有用户
递归器 QPS、缓存命中/未命中、上游错误、校验状态、超时 本地解析链发生什么;看不到未经过它的 DoH
权威 请求、返回码、区域与网络、TCP 回退、容量 权威是否可服务;通常不能知道所有终端请求量
变更与应用 diff、版本、审批、发布、TLS/HTTP、业务错误 DNS 变化是否与业务现象同时间;相关性不能单独证明原因

CoreDNS 的 Prometheus 插件提供请求计数、响应码与请求时长等指标;缓存和转发插件有各自附加指标。读数必须确认版本和标签,不能把整个 DNS 端到端耗时误写为单个服务端处理耗时。高基数 QNAME、用户 IP 不宜直接做 Prometheus label;详细查询应进入有访问控制、采样与保留期的日志系统。[S15]

LLM 的增量是按自然语言问题生成受限查询、把跨系统时间线对齐、提出下一项区分性探测。时间序列模型的增量是考虑周期、分组与基线,减少固定全局阈值噪音。异常检测提供“哪里偏离”,检索与推理帮助解释“可能为什么”,两者都不能代替原始测量。

9. 故障案例:部分用户 NXDOMAIN,是否应该回滚

12:00 预发布客户端查询了尚未创建的 api.example.com;假设负缓存 TTL 为 900 秒。12:02 新记录创建,权威两台都返回预期地址;12:03 探测显示公共递归器 A 正常,企业递归器 B 返回 NXDOMAIN,负缓存剩余约 720 秒,其他条件保持不变。

一个只看告警文字的助手可能建议反复重建记录。更好的系统先并列假设:负缓存;父区委派错误;DNSSEC 验证失败;split-horizon 预期差异;局部递归器网络故障。然后检查可区分证据:直接权威查询是否正确、受影响递归器的 SOA/负 TTL 是否递减、该名字是否刚创建、DNSSEC 与 EDE 是否有错误、探测属于哪个视图。EDE 可以补充失败原因,但不是所有服务器都提供,其信息也应结合可信上下文解释。[S16]

合成故障:先对齐权威与递归视角,再选择新探测;这是支持假设的证据,不是已证明的根因。
合成故障:先对齐权威与递归视角,再选择新探测;这是支持假设的证据,不是已证明的根因。 打开原尺寸图

在这个合成案例里,时间与递减的负 TTL 支持负缓存假设。下一步应在预计窗口后复测,必要时由有权限的人对自己管理的缓存定向清理,保持权威配置稳定;如果窗口后仍失败或权威本身异常,就否定旧假设继续排查。AI 的收益是更快提出并验证正确问题,而不是用流畅语言提前宣布根因。

如果验证解析器统一 SERVFAIL,但直连权威有答案,则需要检查 DS/DNSKEY/RRSIG、签名时间、时钟以及网络分片/TCP;不能看到 SERVFAIL 就一律删除 DS。临时绕过校验只适合隔离的诊断视角,不应把关闭生产 DNSSEC 当作通用修复。

10. Kubernetes 与多云:为什么上下文越多,AI 越可能有用

在 Kubernetes 中,“DNS 慢”可能来自搜索后缀与 ndots 放大、CoreDNS 饱和、转发器、上游网络、NodeLocal DNSCache、连接跟踪、丢包或上游权威。应用的短名称查询可能生成多个候选查询;要同时观察应用实际输入与解析器看到的完整名称。CoreDNS 正常,不证明某节点到它的网络正常。

AI 可把 Pod 的 DNSPolicy、resolv.conf、节点分布、CoreDNS 指标、发布 diff 和流量峰值关联,提出“只在某批节点发生”“只有缓存未命中变慢”等可验证定位。其优势来自跨对象推理,前提是数据来自同一故障窗口并且正确映射 workload 与节点;只给一段错误日志,不足以得出根因。[S17]

多云还要区分私有 zone 关联、VPC/VNet 解析器、跨网络条件转发、私有端点和公共委派。检索必须带账户、项目、区域、网络和视图作用域。模型把同名的内部与公网区合并,可能比人工漏看一条记录更危险。 工具接口应从身份与环境自动注入作用域,而非让模型自由填写任意账户。

11. 一个可落地的架构:把 AI 放在证据与动作之间

第一层是确定性采集器,调用 DNS 查询、配置 API、资产目录与遥测系统。第二层是证据存储,保存时间、来源、解析视角、查询参数、原始返回和配置版本。第三层是规则/统计/ML 检测,产生有证据 ID 的发现。第四层是 LLM 助手,通过检索与受限工具生成提案、假设和报告。第五层是独立策略引擎、审批与执行器。LLM 默认不能读取长期写密钥,也不能绕开最后一层。

工具输入输出应采用固定 schema,并限制查询量、域名范围、超时与返回长度。查询字符串、TXT、网页和工单都可能携带提示注入,“日志里出现了要求删除 zone 的文字”只是数据,不是授权。配置写入必须核对策略、操作者身份、计划哈希与有效期。模型版本、检索文档版本、证据引用和执行结果一起入审计。

高频请求链路使用解析器、缓存、规则与已部署的模型;复杂 LLM 调查放在旁路。模型超时或供应商不可用时,DNS 解析继续运行,已有监控与人工 runbook 仍可用。对生产变更按风险分级:自动只读采集最容易开放;低风险提案可自动生成;批量删除、NS/DS 与全局安全策略需要更严格的授权与验证。跨提供商更新一般不是一个原子事务,要设计部分成功、补偿与停止条件。

12. 工具怎么选:不要为了 AI 重写成熟 DNS 基础设施

组件 推荐考虑的工具 选择理由与边界
DNS 声明式管理 DNSControl / octoDNS 已有 provider、差异与变更工作流;AI 生成候选配置,复用计划与审核 [S10][S11]
查询与校验 dig、dnspython、DNSViz 获取真实响应;DNSViz 展示 DNSSEC 链;不把模型输出当测量 [S14][S18]
集群与服务发现 CoreDNS 插件与指标生态成熟;模型辅助诊断,数据面按既有机制服务 [S15][S17]
指标与调查 Prometheus、Grafana、组织现有日志平台 先有可查询证据,再加受限自然语言接口;不假定它们默认理解 DNS 根因
商业 DNS 安全 Cloudflare、Infoblox 等 比较检测位置、数据覆盖、误报与响应控制;产品声明不能替代本地验证 [S12][S19]

Cloudflare 公开描述了基于流量基线的 Advanced DNS Protection,以及 DGA/隧道 ML 检测;它们分别面对不同检测任务,不能合并成“AI 全自动管理所有 DNS”。Infoblox 公开描述流式分析、威胁情报与机器学习的 DNS 安全方案;其网络覆盖与部署方式必须按当前产品与合同核对。[S12][S19][S20]

对于已有 GitOps 的团队,最合理的第一步通常是只读诊断助手 + 配置 PR 草稿 + 独立校验。对于安全团队,先做离线/影子检测和分析师排序;对于只有几十条稳定记录的小站,可靠 IaC、监控与人工 review 可能已经足够。本文没有执行厂商横评,也不声称哪个模型或供应商全面领先。

13. 如何证明 AI 更好:收益、成本与落地顺序

比较至少三组:人工/现有流程;规则与自动化工具;相同工具与权限下加入 AI。这样才能避免把“终于接入日志平台”的收益全算给模型。用历史事故回放和合成故障,按难度匹配任务;记录诊断用时分布、正确定位率、证据引用正确率、不必要变更数、误阻断率、人工复核时间与推理费用。错误建议没被执行,也应计入建议质量。

SLO 应定义“在指定时间窗内,指定用户视角,对预期存在的名字得到正确且及时的结果”。NOERROR 可能是无数据答复,NXDOMAIN 对预期不存在的探针又可能完全正确。合成解析 SLI 与真实应用请求 SLI 要分开,指标分母也不能混用。假设一个月有 1000 万次符合定义的探测,目标 99.99%,错误预算为 1000 次;这不是 1000 分钟,也不直接等于业务请求预算。

经济账也要完整。假设每月 200 次调查,AI 平均节约 8 分钟、人工综合成本每小时 60 美元,则毛节约 1600 美元。若模型与检索成本 300 美元、系统维护 600 美元、额外复核 200 美元,则净节约 500 美元。都是假设;若误变更带来 3000 美元预期损失,方案反而亏损。真正的改善是相同或更低风险下缩短决策路径,而非生成更多分析文字。

落地顺序应是:先规范资产、配置版本和遥测;再上线只读证据助手;再生成可审核 diff;最后根据影子评测决定是否开放明确范围的自动处置。研究空间包括跨环境迁移、低基率检测、置信度校准、隐私保护学习、带证据的因果诊断,以及并发与缓存约束下的安全规划。每个方向都要以可测量结果定义,而不是“更智能”三个字。

14. 本地实验、负向测试与独立练习

下面实验是 Python 3.11+ 标准库程序,无联网、无 API key、无真实 DNS 写入。它验证一个故意受限的 A/CNAME 配置门禁、带时间与视角的负缓存证据判读,以及上面的低基率算术。它测试确定性护栏,不模拟 LLM 的推理能力,也不是完整 zone validator。 生产系统还要处理更多记录类型、DNSSEC、委派、认证和提供商事务语义。

下载下面的 Python 文件后在本地运行,无需网络或 API key。

dns-evidence-gate.py
python3 dns-evidence-gate.py

预期输出

checks=25 clean=candidate stale_plan=rejected cache=negative_cache_candidate
synthetic_tp=95 fn=5 fp=999.9 precision=8.6766%
Python · dns-evidence-gate.py
"""Offline teaching fixture. No network, model calls, or production writes.
Python 3.11+. Only A/CNAME records, not a complete DNS validator.
"""
import copy
import hashlib
import ipaddress
import json
import math


def canonical_name(value):
    if not isinstance(value, str) or not value.endswith('.'):
        raise ValueError('absolute_name_required')
    name = value.lower()
    labels = name[:-1].split('.')
    if len(name.encode('ascii')) > 254 or any(
        not label or len(label) > 63 or
        any(c not in 'abcdefghijklmnopqrstuvwxyz0123456789-' for c in label) or
        label.startswith('-') or label.endswith('-') for label in labels
    ):
        raise ValueError('restricted_hostname_required')
    return name


def validate(records, zone='example.com.'):
    """Restricted hostname-only zone policy, deliberately rejects other types."""
    zone = canonical_name(zone)
    by_name = {}
    for record in records:
        if set(record) != {'name', 'type', 'ttl', 'value'}:
            raise ValueError('schema')
        name = canonical_name(record['name'])
        if name != zone and not name.endswith('.' + zone):
            raise ValueError('outside_zone')
        ttl = record['ttl']
        if type(ttl) is not int or not 30 <= ttl <= 86400:
            raise ValueError('ttl_policy')
        kind, value = record['type'], record['value']
        if kind == 'A':
            if ipaddress.ip_address(value).version != 4:
                raise ValueError('ipv4_required')
        elif kind == 'CNAME':
            canonical_name(value)
            if name == zone:
                raise ValueError('apex_cname')
        else:
            raise ValueError('unsupported_type')
        by_name.setdefault(name, []).append(record)
    for rr in by_name.values():
        if any(r['type'] == 'CNAME' for r in rr) and len(rr) != 1:
            raise ValueError('cname_conflict')
        if len({r['ttl'] for r in rr}) != 1:
            raise ValueError('rrset_ttl')
    return 'candidate'


def plan_hash(records):
    return hashlib.sha256(json.dumps(records, sort_keys=True,
                                     separators=(',', ':')).encode()).hexdigest()


def apply_gate(records, approved_hash, expected_version, actual_version):
    # Illustrates checks, not an atomic provider write or a lock.
    if expected_version != actual_version:
        raise ValueError('stale_plan')
    if plan_hash(records) != approved_hash:
        raise ValueError('changed_plan')
    return validate(records)


def diagnose(authority, recursive, now):
    """Suggest a hypothesis and next test; never claims proven root cause."""
    required = {'name', 'type', 'view', 'at', 'rcode', 'answer', 'source'}
    if not authority or not required <= authority.keys() or not required <= recursive.keys():
        return 'investigate'
    if any(not 0 <= now - o['at'] <= 60 for o in (authority, recursive)):
        return 'investigate'
    if any(authority[k] != recursive[k] for k in ('name', 'type', 'view')):
        return 'investigate'
    ttl = recursive.get('negative_ttl')
    if (authority['source'] == 'authoritative' and
        recursive['source'] == 'recursive' and
        authority['rcode'] == 'NOERROR' and authority['answer'] and
        recursive['rcode'] == 'NXDOMAIN' and not recursive['answer'] and
        type(ttl) is int and ttl - (now - recursive['at']) > 0):
        return 'negative_cache_candidate'
    return 'investigate'


def run_checks():
    checks = 0
    def reject(fn):
        nonlocal checks
        try:
            fn()
        except (ValueError, UnicodeError):
            checks += 1
        else:
            raise AssertionError('unsafe candidate accepted')
    clean = [{'name': 'api.example.com.', 'type': 'A',
              'ttl': 300, 'value': '192.0.2.20'}]
    assert validate(clean) == 'candidate'
    checks += 1
    for patch in ({'value': 'not-an-ip'}, {'value': '2001:db8::1'},
                  {'name': 'api.otherexample.com.'}, {'ttl': True}, {'ttl': 0},
                  {'name': 'api.example.com'}, {'type': 'TXT'}, {'extra': 1}):
        bad = copy.deepcopy(clean)
        bad[0].update(patch)
        reject(lambda: validate(bad))
    alias = {'name': 'api.example.com.', 'type': 'CNAME',
             'ttl': 300, 'value': 'edge.example.net.'}
    reject(lambda: validate(clean + [alias]))
    reject(lambda: validate([dict(alias, name='example.com.')]))
    reject(lambda: validate(clean + [dict(clean[0], ttl=600, value='192.0.2.10')]))
    digest = plan_hash(clean)
    assert apply_gate(clean, digest, 'v1', 'v1') == 'candidate'
    checks += 1
    reject(lambda: apply_gate(clean, digest, 'v1', 'v2'))
    reject(lambda: apply_gate([dict(clean[0], ttl=600)], digest, 'v1', 'v1'))
    auth = {'name': 'api.example.com.', 'type': 'A', 'view': 'public',
            'at': 180, 'rcode': 'NOERROR', 'answer': ['192.0.2.20'],
            'source': 'authoritative'}
    rec = dict(auth, source='recursive', rcode='NXDOMAIN', answer=[], negative_ttl=720)
    assert diagnose(auth, rec, 180) == 'negative_cache_candidate'
    checks += 1
    for a, r, now in ((None, rec, 180), (auth, dict(rec, view='private'), 180),
                      (auth, rec, 241), (auth, dict(rec, negative_ttl=0), 180),
                      (auth, dict(rec, rcode='SERVFAIL'), 180),
                      (auth, dict(rec, type='AAAA'), 180),
                      (dict(auth, answer=[]), rec, 180),
                      (auth, dict(rec, at=200), 180)):
        assert diagnose(a, r, now) == 'investigate'
        checks += 1
    tp, fn, fp = 100 * .95, 100 * .05, 999900 * .001
    precision = tp / (tp + fp)
    assert math.isclose(precision, .086765914695406, rel_tol=1e-12)
    checks += 1
    print(f'checks={checks} clean=candidate stale_plan=rejected cache=negative_cache_candidate')
    print(f'synthetic_tp={tp:.0f} fn={fn:.0f} fp={fp:.1f} precision={precision:.4%}')


if __name__ == '__main__':
    run_checks()

负向测试覆盖:CNAME/A 冲突、非法地址、越区名称、非法 TTL、审批后的状态变化、视图混淆、过期证据、负 TTL 已耗尽与缺少权威证据。任何一个不应因为模型“解释得通”而被放行。证据不足返回 investigate,不是自动宣布缓存故障。

迁移到真实环境时,先用只读适配器填充同样的证据字段,保留原始响应。人工审核探针目标,限定 QPS 与超时。不要把脚本的 candidate 状态连接成生产写权限,也不要把提供商 API 成功当作用户侧验收。

练习一:旧 TTL 为 3600 秒,负 TTL 为 900 秒,设计一次新名称上线和现有名称切换,分别解释等待窗口。练习二:构造“权威正确、递归 SERVFAIL”的 DNSSEC 事故,列出能区分签名错误与网络失败的证据。练习三:在 benign CDN 流量上测误报,再按域名家族和时间隔离测试集。练习四:给一个已经获批的计划制造并发修改,证明旧计划被拒绝。能够独立完成设计、实现、调试与评估,才算真正掌握这套方法。

预测、检验与证据记录

展开答案前先预测一个结果;练习后记录差异和迁移测试。记录仅存本地,在不同语言版本间共用。

打开记录/导出/清除 →

数学复核范围逐篇记录,不代表完成论文实证复现;可在笔记中记录疑似错误。 复核范围

原始资料与延伸阅读

资料核对:2026 年 11 月 16 日。架构与算例为原创教学设计,产品能力依据官方文档;未执行厂商横评或生产 DNS 审计。

  1. S1 · RFC 1034 — DNS conceptshttps://www.rfc-editor.org/rfc/rfc1034 · 2026-11-16
  2. S2 · RFC 2181 — DNS clarificationshttps://www.rfc-editor.org/rfc/rfc2181 · 2026-11-16
  3. S3 · RFC 2308 — Negative cachinghttps://www.rfc-editor.org/rfc/rfc2308 · 2026-11-16
  4. S4 · RFC 8767 — Serve stalehttps://www.rfc-editor.org/rfc/rfc8767 · 2026-11-16
  5. S5 · RFC 4033 — DNSSEC introductionhttps://www.rfc-editor.org/rfc/rfc4033 · 2026-11-16
  6. S6 · RFC 7858 — DNS over TLShttps://www.rfc-editor.org/rfc/rfc7858 · 2026-11-16
  7. S7 · RFC 8484 — DNS over HTTPShttps://www.rfc-editor.org/rfc/rfc8484 · 2026-11-16
  8. S8 · RFC 7208 — SPFhttps://www.rfc-editor.org/rfc/rfc7208 · 2026-11-16
  9. S9 · RFC 9989 — DMARC (May 2026; obsoletes RFC 7489/9091)https://www.rfc-editor.org/info/rfc9989/ · 2026-11-16
  10. S10 · DNSControl — preview/pushhttps://docs.dnscontrol.org/commands/preview-push · 2026-11-16
  11. S11 · octoDNS — official repositoryhttps://github.com/octodns/octodns · 2026-11-16
  12. S12 · Cloudflare — ML for malicious domainshttps://blog.cloudflare.com/threat-detection-machine-learning-models/ · 2026-11-16
  13. S13 · RFC 9471 — Glue requirementshttps://www.rfc-editor.org/rfc/rfc9471 · 2026-11-16
  14. S14 · DNSViz — DNSSEC visualizationhttps://dnsviz.net/ · 2026-11-16
  15. S15 · CoreDNS — Prometheus metricshttps://coredns.io/plugins/metrics/ · 2026-11-16
  16. S16 · RFC 8914 — Extended DNS Errorshttps://www.rfc-editor.org/rfc/rfc8914 · 2026-11-16
  17. S17 · Kubernetes — Debugging DNS resolutionhttps://kubernetes.io/docs/tasks/administer-cluster/dns-debugging-resolution/ · 2026-11-16
  18. S18 · dnspython — official documentationhttps://www.dnspython.org/ · 2026-11-16
  19. S19 · Infoblox — Threat Defensehttps://www.infoblox.com/products/threat-defense/ · 2026-11-16
  20. S20 · Cloudflare — Advanced DNS Protectionhttps://developers.cloudflare.com/ddos-protection/advanced-ddos-systems/overview/advanced-dns-protection/ · 2026-11-16

继续学习

RAG · Agent architecture