大部分团队对 DNS 的态度是:
- 配完 A/CNAME 就当没事
- 用户报“打不开”先重启 Nginx
- 解析慢/解析错/偶发 NXDOMAIN,靠换 8.8.8.8 玄学自愈
- 被劫持了才知道有 DNS 这一层
但 DNS 是分布式、多缓存、跨运营商、跨司法区的系统。
“能解析”和“解析是对的”是两件事。
本文把 DNS 当成可观测、可取证、可防御的底座:
从 dig +trace 开始,拆递归链每一跳;讲缓存污染怎么识别;讲 DNSSEC/DoH/HTTPDNS 怎么分层兜底;讲多权威一致性校验和解析审计怎么接进 CI/CD。适合出海、金融、SaaS、任何“解析错一秒就掉单”的业务。
一、先建立认知:DNS 不是“查 IP”,是“信任链”
一次解析背后:
text
浏览器缓存 → 系统缓存 → /etc/hosts → 本地递归(运营商/LocalDNS/转发器) → 根 → TLD → 权威 → 每层都有缓存、TTL、ECS、策略、可能篡改
任何一跳都能:
- 返回旧数据(TTL 没过期)
- 返回错数据(劫持/污染)
- 返回空(SERVFAIL/NXDOMAIN 异常)
- 返回“能通但慢”的垃圾 IP
所以排障第一原则:
永远别信“我这边能解析”=“用户那边也对”。
二、排障 SOP:从 stub 到权威逐跳打点
1. 本地视角
bash
# 忽略缓存,直问公共递归 dig @8.8.8.8 +nocache example.com dig @1.1.1.1 +nocache example.com # 看完整迭代链 dig +trace example.com # 看 TTL 剩余和应答来源 dig example.com +noall +answer +stats
关键看:
Query time:>50ms 就值得查链路SERVER:实际回答的递归是谁FLAGS:TC(截断)/RD(期望递归)/RA(可用递归)RCODE:NOERROR / NXDOMAIN / SERVFAIL / REFUSED
2. 逐跳定位
bash
dig @192.168.1.1 example.com # 路由器 dig @运营商DNS example.com # 运营商递归 dig @8.8.8.8 example.com # 公共递归 dig @ns1.example.com example.com # 直接问权威
对比四者结果:
- 权威对、递归错 → 递归缓存/劫持
- 公共递归对、运营商错 → 运营商链路问题
- 权威本身飘 → 多节点数据不一致
3. 抓包看报文
bash
tcpdump -ni any port 53 -vvv
异常信号:
- 大量 TC=1 但 TCP 不补查 → UDP 分片被丢
- 同 Query ID 多个响应 → 缓存投毒风险
- 权威返回和递归返回不一致 → 中间人/转发器篡改
三、缓存污染与劫持:怎么识别“解析在说谎”
1. 交叉验证法
bash
for r in 8.8.8.8 1.1.1.1 9.9.9.9; do echo "== $r ==" dig @$r +short example.com done
- 三家结果不同 → 至少有一家被污染/调度异常
- 运营商 DNS 返回广告页 IP,公共 DNS 正常 → 典型链路劫持
2. 权威直查兜底
bash
dig NS example.com dig @<权威NS> example.com +dnssec
权威返回正确、递归返回错误:
- 清本地缓存:
systemd-resolve --flush-caches/rndc flush - 终端侧切 DoH/HTTPDNS
- 服务端开 DNSSEC
3. 常见故障模式对照
现象 |
根因 |
偶发 NXDOMAIN |
权威/转发器限流、缓存断裂 |
返回陌生 IP |
运营商劫持/缓存投毒 |
解析慢但通 |
LocalDNS 递归链深、CNAME 过深 |
部分地域异常 |
ECS 判断错、线路配置漂移 |
改了 1 小时不生效 |
TTL 没提前降、ISP 忽略短 TTL |
四、协议层加固:DNSSEC / DoH / DoT / HTTPDNS 分层用
1. DNSSEC:防“响应被改”
- 权威侧签 KSK/ZSK,注册局配 DS 记录
- 递归侧验证 RRSIG
- 不解决隐私,解决“完整性”
验证:
bash
dig +dnssec example.com # 正常应看到 RRSIG;验证失败返回 SERVFAIL
2. DoT / DoH:防“链路被听/被改”
- DoT:853 端口 TLS
- DoH:走 443,和正常 HTTPS 混流
- 服务端内部别无脑全量 DoH(握手开销),终端/App 侧更合适
3. HTTPDNS:移动端终极兜底
- App 内置 SDK,绕过 LocalDNS
- 直接问自建/云厂商 HTTP 接口拿 IP
- 解决:运营商劫持、ECS 不准、TTL 不生效
text
App → HTTPS → HTTPDNS 服务(返回 IP 列表) → 直连 IP + Host 头
配合证书钉扎(证书固定/证书钉扎)防中间人。
五、多权威一致性:别“名义多活,实际单点”
很多团队配了两家 DNS 但:
- 一家有记录、一家漏了
- DNSSEC 只签了一家
- 智能线路策略只配在主力平台
工程做法:
- 单一声明源(Git 里一份 zone 模板)
- CI 对比多家权威回答一致性
bash
for ns in ns-a ns-b; do dig @$ns A www.example.com +short done | sort | uniq -c # 不一致直接流水线红
- DNSSEC 多供应商协同(DS 记录两家都挂)
- 变更走 API,不手敲控制台
六、把 DNS 排障接进可观测体系
1. 主动拨测(全球视角)
- 每 30s 从多地域探测:
- 解析成功率
- 返回 IP 是否符合预期
- 解析延迟 p50/p95
- DNSSEC 验证是否通过
- 告警:某国突然解析到旧 IP → 可能劫持或 TTL 卡住
2. 被动指标
- 递归侧:Unbound/Dnsmasq 记 query 类型、SERVFAIL 数
- 业务侧:首字节前“建连失败”里拆出 DNS 阶段耗时
- 前端:Resource Timing 里
domainLookupStart/End上报
3. 审计日志
每次解析变更记:
json
{"ts":"...","domain":"api.example.com","user":"alice", "before":"1.1.1.1","after":"2.2.2.2","ttl":60,"ticket":"MR-882"}
DNS 操作 GitOps 化,和 K8s 发布同权、同审批、同回滚。
七、TTL 与切换的“真实世界”约束
理论:TTL 60s 切得快。
现实:
- 部分 ISP 忽略短 TTL,按自己最小 300s 缓存
- 移动网络 LocalDNS 行为不可控
- HTTPDNS 能破 TTL,但只覆盖 App 端
工程 SOP:
- 计划切换前 24–48h 把 TTL 降到 60–120s
- 切完观察 1 个旧 TTL 周期
- 核心域名保留 A 记录兜底(CDN 挂了能直连源)
- 应用层 302 兜底:解析还没生效的用户,源站重定向到可用区
八、CNAME 链与记录陷阱(排障高频雷)
- CNAME 深度 >2 层 → 解析延迟叠加、排障难
- CNAME 和 MX 同主机名 → 协议冲突
- 裸域 CNAME → 多数场景不支持,用 ALIAS/ANAME 或 CDN 接入
- 泛解析
*.example.com别乱开,容易把内部子域暴露出去 - TXT 记录别堆验证串,CAA 要明确限定签发机构
九、最小落地清单
- [ ] 所有生产域名开 DNSSEC
- [ ] 配两家不同自治域权威 DNS,记录一致性 CI 校验
- [ ] 核心域名 TTL 日常 300s,变更前降 60s
- [ ] 移动端接 HTTPDNS,Web 端备 DoH
- [ ] 全球拨测:解析结果/延迟/DNSSEC 三指标看板
- [ ] 排障脚本化:dig +trace / 多递归对比 / 抓包
- [ ] DNS 变更走 GitOps,审计留痕
- [ ] CNAME 深度 ≤2,裸域用 ALIAS
- [ ] 季度演练:模拟权威故障、模拟污染、模拟 TTL 卡死
十、什么别用 DNS 干
- 把 DNS 当实时配置中心(TTL 决定它不实时)
- 只配一家权威还自称“高可用”
- 控制台手改生产记录不审计
- 开了 DNSSEC 但 DS 记录没挂注册局
- 解析错了先重启业务进程(先查解析链)
十一、总结
DNS 域名解析在架构里最被低估的能力,不是“配得对”,而是:
当全公司都以为网络通、只有你能在 5 分钟内证明“解析在说谎”。
配记录是入门,
查链路是工程,
防污染是安全,
多权威一致是可靠性,
把解析变更写进审计和拨测,才叫生产级。
用户说“网站打不开”,
新手重启 Nginx,
老手先敲一句 dig +trace。
互联网最老的基础设施(1983 年至今),
脆弱过、被劫持过、被投毒过,
但只要你把它当“信任链”而不是“电话簿”,
它就能稳到让业务感知不到它的存在。
DNS 不背锅的前提是:
你先有办法,在它出错的那一刻,把锅精准递回去。