SIDN Labs 正将机器学习引入 DNS 基础设施安全，利用月产 620 万条 DMAP 爬虫数据与日增 20 亿条的 ENTRADA 历史 DNS 数据库，自动识别数千个假冒网店、检测僵尸网络模式并辅助滥用分析师锁定恶意 .nl 站点，解决海量数据人工难以处理的瓶颈。
机制：从学术前沿到工程落地
SIDN Labs 采取“创新优先”策略，持续跟踪学术文献并筛选可迁移的新方法。近年深度学习在图像识别、自动驾驶、医学影像等高风险决策场景的突破，带动 arXiv 机器学习类论文从 2010 年的不足 230 篇激增至 2020 年的 13,788 篇；苹果更推出专用 ML 处理器。实验室将这些进展映射到 DNS 安全领域，重点评估算法在注册局、注册商、DNS 运营商自有数据集上的可用性，而非单纯追求模型精度。
数据：两大核心数据集支撑训练与推理
针对 .nl 域名，实验室维护两套规模级数据源：DMAP 爬虫每月产出 6.2 百万次新测量，用于训练假冒网店分类器；ENTRADA 历史 DNS 数据库日增 20 亿以上数据点，支撑僵尸网络行为模式挖掘。数据量级使人工特征工程失效，也倒逼模型必须支持增量更新与近实时推理，这是算法选型的硬约束。
取舍：负责任部署与运营协同
研究明确将“负责任使用”置于核心：算法输出不直接封禁，而是生成线索供滥用分析师复核，并以此建立跨注册商、注册局的协作治理流程。Logo 滥用检测即采用该模式——模型标记可疑站点，分析师确认后触发下架联动。这种人机结合设计规避了误判风险，同时让 ML 成果能落入现有运维工单体系。
对运维团队而言，SIDN Labs 的实践展示了如何把学术界的模型爆发转化为可落地的 DNS 安全能力：先盘点自有海量日志与主动测量数据，再按“增量训练＋人工复核＋跨方联动”最小流程引入 ML，而非盲目堆叠算力。
原文: APNIC Blog（2021-09-03）｜编译自 APNIC Blog，事实以原文为准。
来源：APNIC Blog