[發明專利]一種基于機器學習的DNS服務器軟件指紋識別系統和方法

在審

• 申請號: 201710093763.9
• 申請日: 2017-02-21
• 公開（公告）號: CN106899586A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 鄒福泰;周江林;裴蓓;潘理;李建華
• 申請（專利權）人: 上海交通大學;公安部第三研究所
• 主分類號: H04L29/06
• 分類號: H04L29/06;H04L29/12;G06F9/44;G06K9/00;G06K9/62
• 代理公司: 上海旭誠知識產權代理有限公司31220
• 代理人: 鄭立

技術領域

本發明涉及域名系統安全管理領域，具體涉及一種基于機器學習的DNS服務器軟件版本信息識別的系統與方法。

背景技術

域名系統(DNS)是一種分層結構的分布式命名管理系統，是因特網的核心元素之一，主要工作是負責將方便人類記憶的域名地址(如www.baidu.com)映射到因特網路由選擇的IP地址，絕大部分的互聯網應用功能都需要以域名系統作為基礎來實現，一旦域名系統發生故障，無法提供正常的域名解析服務，那么，相當多數的互聯網功能將隨之失效，給用戶帶來不便和難以估計的損失，因此域名系統的安全性相當重要，引起了眾多專家學者和運營商的關注和研究。

不幸的是，域名系統一直以來遭受著大量的攻擊，這些攻擊問題主要來自于執行錯誤、DNS協議漏洞、偽造的DNS查詢請求等原因。據中國互聯網絡信息中心(CNNIC)與國家域名安全聯盟發布的《中國域名服務安全現狀與態勢分布報告(2014)》顯示，我國頂級域名服務器普遍采用了Linux/Unix操作系統，兩者占比達到98％以上，同時，在所采用的DNS服務軟件方面，ISC BIND(Berkeley Internet Name Domain)依然是絕大部分頂級域名服務器首選的DNS服務軟件，比例占到了81.8％，但其中相當一大部分的BIND服務器依然使用的是較低版本，特別是其中32.6％的BIND服務軟件開啟了版本應答功能，這為域名服務器帶來一定的安全隱患。因此，在網絡安全政策允許下，特定DNS解析服務軟件的bug或者弱點應該被準確識別和控制。

網絡掃描和遠程應用檢測通常被用來獲取目標信息，指紋識別(fingerprint)技術將這一目標具象化。在DNS服務器軟件指紋識別方面，大多數現有方法是主動方式，通過發送請求然后根據響應返回包特征判斷。另外有研究學者提出了一種被動指紋識別技術，通過人工提取DNS服務器軟件版本特征用到流量分析中去。這些方法存在著局部失效或者人工工作量大、特征信息更新緩慢的缺點。

因此，本領域的技術人員致力于開發一種基于機器學習的DNS服務器軟件指紋識別系統和方法，采用機器學習的方式，檢測和識別DNS服務器軟件版本信息，提高DNS服務器的安全性。

發明內容

有鑒于現有的DNS服務器軟件指紋識別方法的缺陷，本發明提出了一種基于機器學習的檢測識別DNS服務器軟件版本信息系統和方法，利用開發人員先期在本地訓練生成的決策樹模塊作為核心分類模塊，以用戶目標DNS服務器域名作為輸入，程序化抽取該域名的查詢/響應報文特征記錄，作為決策樹模塊的輸入特征，經過決策樹模塊決策分類得到最終的目標DNS服務器域名的版本信息。

為了解決上述技術缺陷，本發明所述的一種基于機器學習的DNS服務器軟件指紋識別系統，包括輸入模塊、特征提取模塊、決策樹分類模塊和輸出模塊，其中，所述輸入模塊、特征提取模塊、決策樹分類模塊和輸出模塊依次連接，所述特征提取模塊被配置為在向特定的DNS服務器進行的查詢和響應中抽取特征；所述決策樹分類模塊被配置為在本地訓練生成，且產生DNS服務器的所述軟件指紋以及相對應的版本信息。

本發明還提供了一種基于機器學習檢測DNS服務器軟件指紋識別方法，其特征在于，包括以下步驟：

第1步、建立DNS服務器軟件版本信息數據集；

第2步、根據第1步中的所述數據集轉化抽取特征訓練集；

第3步、根據第2步中的所述訓練集獲得決策樹分類模塊；

第4步、將第3步中得到的所述決策樹分類模塊集成到識別系統中，用于對于用戶輸入的目標域名的DNS服務器軟件指紋和軟件版本信息的輸出。

進一步地，第1步中，建立DNS服務器軟件版本信息數據集的步驟包括：

(1.1)在本地虛擬機上安裝不同版本DNS服務器軟件；

(1.2)對于域名進行基于DNS查詢包的查詢請求；

(1.3)利用tcpdump/tshark截取DNS通信流量得到pcap流量包；所述pcap流量包即DNS服務器軟件版本信息數據集。

進一步地，第2步中，轉化抽取特征訓練集的步驟包括：

(2.1)以第1步得到的所述軟件版本信息數據集作為輸入，使用Python語言解析所述pcap流量包，得到每條查詢/響應的記錄；

(2.2)在所述記錄的內容中抽取出特征字段，匯總成特征訓練集備用。

進一步地，第3步中，獲得決策樹分類模塊的步驟包括：