天天实时：窥探大型公共DNS解析器的缓存

今天分享的论文的主题是对大型公共DNS解析器缓存的探测和测量，研究团队来自于加州大学圣地亚哥分校。该论文设计并优化了针对大型公共DNS解析器的缓存探测工具：Trufflehunter，可对罕见或敏感域名使用的普遍性进行评估。作者对目前4个主流大型公共DNS解析器的缓存架构进行了分析，并对一些敏感域名进行了测量。该论文发表于2020年网络测量领域国际顶级会议ACM IMC（录用率：54 / 216 = 25%）。

01【背景介绍】

域名系统（DNS）负责将域名映射为IP地址，是互联网非常重要的基础设施，几乎所有互联网应用都依赖于域名系统。随着互联网体系的发展，域名解析的需求也愈发旺盛。因此，大型公共DNS服务也越来越流行，例如被人们熟知的Google Public DNS（GPDNS）“8.8.8.8”。

(相关资料图)

与传统的开放DNS解析器相比，大型公共DNS服务有着独特的性质。其一是作为面向全球、规模庞大且快捷专业的DNS服务，其用户规模非常庞大，所承载的解析需求也十分巨大[1]；其二是大型公共DNS服务为了实现负载均衡，往往有着复杂的缓存架构。这些DNS服务的缓存并不是整体、连续的，而是由诸多零散的DNS缓存所构成[4,5]。具体而言，它由众多的独立服务点（PoP，Points-of-Presence）组成。如图表1所示，用户的查询首先通过IP Anycast被路由到遍布全球的PoP中的一个；在PoP内，查询通过负载均衡被分配到前端缓存池中；如果负责处理查询的前端缓存并没有所查域名的结果，将再次通过负载均衡将请求转发到后端解析器池中的一个；最终，后端解析器执行递归查询获得结果，在回复结果的同时，请求处理路径之上的缓存也都会被填充。

图表1：公共DNS解析器响应过程

由于大型公共DNS服务的缓存节点众多且彼此独立，其对某个域名的缓存数量也可以作为衡量域名流行程度的评价标准。当一个域名越流行，用户对该域名的查询需求也就越多，其在大型公共DNS服务中的缓存数量也会更大。尤其是对于一些恶意或者敏感的域名，窥探大型公共DNS服务的缓存可以提供一个活跃用户数量的下限，以评估其危害的程度。同时，公共DNS的共享属性，也避免了因为缓存窥探行为损害用户隐私。

不过，由于大型公共DNS解析器缓存架构相对复杂，对其进行缓存窥探是极具挑战的工作。每个缓存探测的探针所得到的结果只包含了一个PoP中一个缓存的状态，但测量者并不知道结果来自于哪个缓存，也不知道来自于哪个PoP。论文的主要贡献便是开发了工具Trufflehunter，利用TTL信息和结果优化方法实现了对大型公共DNS解析器缓存情况的窥探，并利用该工具，基于对4大主流公共DNS服务的分析，评估了部分域名的使用普遍性。

02【研究方法】

1. 缓存探测与辨别

Trufflehunter在缓存探测方面与传统方法没有本质区别，都是在不设置期望递归（RD）标志的情况下查询一个特定的域名。这种方式可以防止后端解析器执行递归查询，从而根据结果确定缓存中是否有所查域名的记录[2,3]。

与此同时，响应中还会包含记录的TTL，这是区分是否来自同一缓存的关键。TTL是一个秒级单位的数值，随着时间的流逝而不断减小。所以，如果横轴为时间，纵轴为TTL的值，那么缓存TTL的变化应该是一条斜率为-1的线（TTL Line）。理论上，源自同一缓存的响应都会分布在同一条TTL Line上，因此TTL Line的数量也就对应了独立缓存的数量。

2. TTL Line识别优化

由于DNS响应中TTL只精确到秒，响应中的TTL值和探针维护的TTL Line之间可能存在亚秒级的测量偏差，出现如图表2所示的3种情况：（1）探针和缓存的TTL在解析器生成响应和响应到达探针主机之间保持不变，为理想状态下的正确情况。（2）生成响应和探测主机收到响应的亚秒级偏差使TTL值递减，导致TTL Line识别不准确。（3）探针和解析器时钟不同步，导致TTL测量不准确。

图表2：TTL Line的错误匹配情况

为避免上述问题，文章给出了启发式的方法：如果来自缓存探测的TTL位于同一TTL Line，则假定没有错误；如果一组TTL值位于两个相邻的TTL Line（相隔一秒），则假设其中一个出现错误并将其删除；如果TTL位于三条或更多相邻的TTL Line，每条线相隔一秒，则删除该组的第一条和最后一条线，理由是，第一条TTL Line可能由于TTL高估导致，而最后一条线可能由于TTL低估导致，但中间线上的TTL将至少包含一个正确的测量值。

3. PoP识别

在使用TTL Line 区分结果是否来自不同缓存的基础上，还需要明确结果来自于哪个PoP。文章研究了OpenDNS、Quad9、Cloudflare和GPDNS四家公共DNS服务商，这些公共解析器都可以通过特定的查询请求来确定响应来源。以GPDNS为例，用户可以首先通过查询“locations.publicdns.goog.”的TXT记录，获得IP网段与位置的映射关系；随后通过查询“o-o.myaddr.l.google.com”的TXT记录获得负责解析的具体地址，根据映射关系即可确定来源。

4. 数据收集

论文研究内容包括：首先通过查询一个由研究人员控制的域名，分析TTL的变化以及权威收到查询的情况，实现对4大主流公共DNS服务商缓存架构的探测；其次依靠用户模拟查询的情况和探测结果的比对，评估缓存探测框架Trufflehunter的准确率；最后利用Trufflehunter，对几个敏感域名在4个主流公共DNS解析器上的缓存情况进行测量，评估其使用的普遍程度。具体地，作者使用Ark网络来部署缓存窥探的探针，并使用了RIPE Atlas网络来执行用户查询模拟操作。

03【主要发现】

1. 4大公共DNS解析器缓存架构

图表3：OpenDNS和Quad9的缓存处理模式以及缓存架构

文章测量发现，OpenDNS和Quad9采用了最直接的缓存处理模式，所观测的每一个包含MAX TTL值的响应，都可观察到对权威解析器的查询。因此，OpenDNS和Quad9的前端没有缓存，查询是由后端解析器解决的。

图表4：Cloudflare的缓存处理模式以及缓存架构

对于Cloudflare而言，如图表4所示，所有响应都落在同一TTL Line上，而该Line源自第一次查询。也就是说，Cloudflare的DNS服务使用了共享前端缓存架构的DNS解析器。具体地，Cloudflare使用 knotDNS 的解析器，前端缓存有一个共享的支持数据库。

图表5：GPDNS的缓存处理模式以及缓存架构

Google的公共DNS解析器有一个独特的缓存处理模式，当查询到一个不包含域名的前端缓存时，GPDNS似乎会创建一个新的、独立的前端缓存。具体而言，当查询被负载平衡到一个缓存未命中的前端时，它将把查询转发给后端解析器。后端解析器向用户发送查询的响应，然后它将填补前端缓存中的空缓存。但填充的是Max TTL值，而不是后端缓存中缓存条目的当前TTL。因此，每一次对前端缓存的错过都会填充一个唯一可识别的新前端缓存。

如图表5所示，后端解析器的每一次缓存命中都被标记为一条垂直的虚线，该虚线标志着一个前端缓存在那个时间点上被填充了最大的TTL，从图中也可以看到确实有四条TTL Line与虚线在Max TTL处相交。

2. Trufflehunter的准确性评估

图表6：缓存估计偏差

对于不同的的公共解析器，Trufflehunter所表现出的准确性不尽相同。其中Quad9的后端解析器中使用到了Unbound，该软件默认不回答禁用了递归期望标志的查询，返回REFUSED，因此导致对大多数PoP的缓存数量都低估了50%以上。而GPDNS则是由于其特有的缓存模式，使得探测很难识别完全。

但整体上来看，Trufflehunter的结果是低于实际缓存数量的。不过，考虑到Trufflehunter的设计初衷是对于某个域名的普遍程度提供一个下限值参考，这种低估的结果是可以被接受的。

3. 敏感域名测量

文章中分别对隐私跟踪软件（Stalkerware），合约作弊服务（Contract Cheating Services）以及误植域名（Typo Squatting Domains）三种敏感服务的普遍程度进行了测量。

隐私跟踪软件：如图表7所示，文章对22个不同的Stalkerware在一个TTL周期中的缓存数量进行了测量，测量持续了近3个月，并将所观测到的最大值进行了统计。透过缓存数量可以看到的GPDNS承担了大部分解析工作，这也从侧面表明GPDNS所承载的域名解析请求量很大。

图表7：单个TTL周期内不同隐私跟踪软件的规模

合约作弊服务：此类域名通常是为学生提供家庭作业、项目甚至是整个课程代做的收费服务。文章对10个流行的合约作弊服务网站进行了测量，按照天为单位统计了网站的访问量，如图表8所示。比较有意思的是，一些服务在5月底时访问量有所减少，可能是因为学校逐步开始了暑假。

图表8：合约作弊服务每天的网络请求量

误植域名：此类域名是一种域名抢注滥用行为，即注册一个与流行域名相似的域名，并期望用户在浏览器等应用中输入网址时犯下拼写方面的错误。例如，ggoogle.in 便是google.in的一个误植域名。攻击者通过抢注这类域名，可以将用户错误访问后的流量导向自己控制的网站，以便进行钓鱼等欺诈活动。如图表9所示，论文对5个误植域名进行了测量。这5个域名在作者展开测量时已经被注册使用了2年之久，即使出现在一些黑名单上也不足为奇，但其中几个域名仍然表现出了很强的活跃性。

图表9：GPDNS上每天对误植域名的网络请求数

04【总结】

公共DNS解析器分布式缓存的特点，使得研究人员可在不侵害用户隐私的前提下，依然可以利用缓存窥探域名普遍性。论文提出了可行的、面向公共DNS服务的缓存窥探方法，提出了针对性的结果优化措施，形成探测框架Trufflehunter。尽管该方法在准确度上还有着不小的偏差，其仍可提供域名普遍性的最低限度参考值。论文还利用Trufflehunter的测量策略，尝试分析和解读了4个主流大型公共DNS解析器的内部缓存处理模式。

原文链接

https://cseweb.ucsd.edu/~schulman/docs/imc20-trufflehunter.pdf

开源工具链接

https://github.com/ucsdsysnet/trufflehunter

参考文献

[1] Giovane C. M. Moura, Sebastian Castro, Wes Hardaker, Maarten Wullink, and Cristian Hesselman. 2020. Clouding up the Internet: How Centralized is DNS Traffic Becoming?. In Proceedings ofthe ACM Internet Measurement Conference （Virtual Event, USA） （IMC ’20）. Association for Computing Machinery, New York,NY, USA, 42-49.

[2] Paul V. Mockapetris. 1987. Domain names - concepts and facilities. RFC 1034(1987), 1–55.

[3] Paul V. Mockapetris. 1987. Domain names - implementation and specification.RFC 1035 (1987), 1–55.

[4] Giovane C. M. Moura, John Heidemann, Moritz M ̈ uller, Ricardo de O. Schmidt, and Marco Davids. 2018. When the Dike Breaks: Dissecting DNS Defenses During DDoS.

[5] Lior Shafir, Yehuda Afek, Anat Bremler-Barr, Neta Peleg, and Matan Sabag. 2019. DNS Negative Caching in the Wild. In Proc. ACM SIGCOMM Conference Posters and Demos.

许威，编辑&审校|张一铭、刘保君‍‍‍‍‍‍‍‍‍

标签： 负载均衡 递归查询