CN101938529B - 域名数据生存期的过期干预方法和递归服务器 - Google Patents

Abstract

本发明提供一种域名数据生存期的过期干预方法和递归服务器。该方法包括：当接收到网络客户端的域名查询请求时，根据域名查询请求中携带的网络客户端标识，获取网络客户端标识对应的状态转移概率参数；根据状态转移概率参数，获取查询域名的预测查询域名列表；预测查询域名列表中包括预测查询域名和预测查询域名的预测概率；若所述预测查询域名对应的预测域名数据已过期，根据预测查询域名的预测概率延长缓存中预测域名数据的生存期。采用本发明的技术方案，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性，干预效率较高，灵活性较强。

Description

域名数据生存期的过期干预方法和递归服务器

技术领域

本发明属于互联网技术领域，涉及一种域名数据生存期的过期干预方法和递归服务器。

背景技术

域名系统(Domain Name System，以下简称DNS)主要用于完成从域名到互联网协议(Internet Protocol；以下简称IP)地址的映射及其它互联网资源的解析，是当今互联网中重要的基础设施。

现有技术中，DNS包括递归服务器和权威服务器。通常情况下，权威服务器中的域名数据都配置有一个的生存期(Time To Live；以下简称TTL)，TTL是可以用来表示递归服务器允许域名数据在其缓存中存放的时间。当递归服务器从权威服务器中获取域名数据的时候，同时获取该域名数据的TTL；同时，递归服务器中还记录获取该域名数据的时间点(例如：通常为从1970年1月1日零点零分零秒直到保存该域名数据的时刻总共经历的秒数)，这里称为“保存时间点”。由于递归服务器不能把域名数据永远放在缓存中，当域名数据的TTL过期，递归服务器就丢弃缓存的该域名数据。网络客户端向递归服务器查询该域名数据时，在递归服务器中会生成一个“查询时间点”(例如：通常为从1970年1月1日零点零分零秒直到查询该记录的时刻总共经历的秒数)。当递归服务器检测到查询的域名数据的“查询时间点”减去“保存时间点”后的值小于该域名数据的TTL时，说明递归服务器的缓存中该域名数据还没有过期，递归服务器会立即将该域名数据放入响应包中，并返回给发出请求的网络客户端。当递归服务器检测到查询的域名数据的“查询时间点”减去“保存时间点”后的值大于该域名数据的TTL时，则认为该域名数据已经过期；递归服务器此时从缓存中清空该域名数据，并向对应的权威服务器提出查询请求，获取查询请求对应的域名数据；然后将该域名数据返回给查询请求的网络客户端；同时还将查询得到的域名数据保存在缓存中。

为了有效地提高查询性能，现有技术中通常采用将递归服务器的缓存中的域名数据的TTL延长即将缓存中的TTL值统一改大，或者根据访问量的总体统计，将频繁访问的域名的TTL调大，以延长域名数据在递归服务器的缓存中的存放时间，从而实现对递归服务器中的TTL进行干预。

但是上述TTL的干预方法，没有考虑到权威服务器中域名数据更新的情况，直接将TTL调大导致在递归服务器的域名数据与权威服务器中的域名数据不一致，从而增加域名数据查询出错的概率。而且现有的TTL的干预方法都没有考虑到未来的查询行为，对TTL进行干预的干预效率较低。

发明内容

本发明提供一种域名数据生存期的过期干预方法和递归服务器，用以解决现有技术中对递归服务器中的域名数据的TTL的干预方法容易造成不一致性以及干预效率较低的缺陷，能够有效地提高对递归服务器中的域名数据的TTL的干预效率。

本发明提供一种域名数据生存期的过期干预方法，包括：

当接收到网络客户端的域名查询请求时，根据所述域名查询请求中携带的网络客户端标识，获取所述网络客户端标识对应的状态转移概率参数；

根据所述状态转移概率参数，获取所述查询域名的预测查询域名列表；所述预测查询域名列表中包括预测查询域名和所述预测查询域名的预测概率；

若所述预测查询域名对应的预测域名数据已过期，根据所述预测查询域名的预测概率延长所述缓存中所述预测域名数据的生存期。

本发明提供一种递归服务器，包括：

第一获取模块，用于当接收到网络客户端的域名查询请求时，根据所述域名查询请求中携带的网络客户端标识，获取所述网络客户端标识对应的状态转移概率参数；

第二获取模块，用于根据所述状态转移概率参数，获取所述查询域名的预测查询域名列表；所述预测查询域名列表中包括预测查询域名和所述预测查询域名的预测概率；

延长生存期模块，用于若所述预测查询域名对应的预测域名数据已过期，根据所述预测查询域名的预测概率延长所述缓存中所述预测域名数据的生存期。

本发明的域名数据生存期的过期干预方法和递归服务器，通过获取查询域名的对应的状态转移概率参数，从而获取预测查询域名列表；并根据预测域名查询列表中的预测查询域名的预测概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本发明的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本发明的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的域名数据生存期的过期干预方法的流程图；

图2为本发明实施例二提供的域名数据生存期的过期干预方法的流程图；

图3为本发明实施例三提供的域名数据生存期的过期干预方法的流程图；

图4为本发明实施例四提供的递归服务器的结构示意图；

图5为本发明实施例五提供的递归服务器的结构示意图；

图6为本发明实施例六提供的递归服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例一提供的域名数据生存期的过期干预方法的流程图。本实施例的域名数据生存期的过期干预方法，应用于递归服务器中，用于对递归服务器的缓存中域名数据的TTL进行干预，执行主体为递归服务器。如图1所示，本实施例的域名数据生存期的过期干预方法，具体可以包括如下步骤：

步骤100、接收网络客户端的域名查询请求，该域名查询请求中包括网络客户端标识和查询域名；

具体地，递归服务器接收网络客户端的域名查询请求，该域名查询请求中包括的网络客户端的标识接收网络客户端的域名查询请求，该域名查询请求中包括网络客户端的标识和查询域名具体可以为该网络客户端的IP地址。

步骤101、根据网络客户端标识，获取该网络客户端对应的状态转移概率参数；

具体地，递归服务器根据步骤100获取的该网络客户端的IP地址，从自身即递归服务器中获取预先存储的该网络客户端所对应的状态转移概率参数；该状态转移概率参数以矩阵的形式存储。因此，该状态转移概率参数也可以称之为状态转移概率矩阵。该状态转移概率矩阵表示的域名的状态转移概率矩阵，其中可以包括该网络客户端下一次可能要查询的查询请求中所包括的查询域名的相关信息，可以称之为预测查询域名的相关信息。

步骤102、根据状态转移概率参数，获取查询域名的预测查询域名列表；该预测查询域名列表中包括预测查询域名和该预测查询域名的预测概率；

具体地，递归服务器根据步骤101中获取的状态转移概率参数中的预测查询域名的相关信息，从状态转移概率参数中获取步骤100中的域名查询请求中查询域名对应的预测查询域名列表，该域名查询列表中包括预测查询域名以及预测查询域名的预测概率。

步骤103、若预测查询域名对应的预测域名数据已过期，根据预测查询域名的预测概率延长缓存中预测域名数据的生存期。

具体地，递归服务器根据步骤102获取到预测查询域名之后，递归服务器将该预测查询域名与当前递归服务器的缓存中存储的域名进行比对。当递归服务器检测到其自身的缓存中存储有该预测查询域名时，采用将“预测时间点”(例如可以为从1970年1月1日零点零分零秒直到上述比对该域名的时刻总共经历的秒数)减去“保存时间点”(例如：通常为从1970年1月1日零点零分零秒直到保存该域名数据的时刻总共经历的秒数)得到一预测时间。当该预测时间大于预测域名数据的TTL时，就表示预测查询域名对应的预测域名数据已过期。然后根据预测查询域名的预测概率有选择有目的地延长递归服务器的缓存中预测域名数据的TTL。具体地，先根据预测查询域名的预测概率计算需要延长的TTL的变化量，然后根据TTL和需要延长的TTL的变化量更新递归服务器中的域名数据的TTL的值。

本实施例的域名数据生存期的过期干预方法，通过获取查询域名的对应的状态转移概率参数，从而获取预测查询域名列表；并根据预测查询域名列表中的预测查询域名的预测概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本实施例的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

需要说明的是，在上述实施例的基础上，步骤103中，若预测查询域名对应的预测域名数据已过期，可以根据预测概率将预测域名数据的生存期延长一定的时间段。例如可以延长的时间段为预测概率乘以一固定时间段如整数倍的TTL。这里优选的延长的时间段为预测概率乘以TTL。

需要说明的是，在上述实施例的基础上，步骤101中，根据网络客户端的标识，获取该网络客户端对应的状态转移概率参数，具体包括：

(1)根据网络客户端标识，获取网络客户端对应的群集；

(2)获取群集对应的状态转移概率参数。

具体地，在递归服务器中预存储有多个群集，每一个群集中都对应有至少一个网络客户端。根据步骤100获取的域名查询请求中的网络客户端标识，可以获取到该网络客户端对应的群集，然后根据递归服务器中预存储的各群集对应状态转移概率参数，获取该客户端对应的群集的状态转移概率参数。该状态转移概率参数是其对应的群集中所包括的所有域名的状态转移概率参数。

图2为本发明实施例二提供的域名数据生存期的过期干预方法的流程图。如图2所示，本实施例的域名数据生存期的过期干预方法，在包括上述实施例技术方案的基础上，在步骤100之前，还包括如下步骤：

步骤200、获取N个网络客户端在第一时间段内的查询时间序列，得到N个查询时间序列d_train＝{X¹，...，X^N}；

其中Xⁱ表示第i个网络客户端在第一时间段内的查询时间序列，i＝1，......，N，N为正整数；d_train＝{X¹，...，X^N}中各查询时间序列包括对应的网络客户端标识和按照查询时间顺序排列的目标域名列表。

具体地，这里获取的N个网络客户端的查询时间序列，是根据N个网络客户端在第一时间段内的查询数据得到的。这里的查询数据包括网络客户端标识、查询时间和查询的目标域名。其中获取查询数据具体可以从递归服务器中的日志里面获取。对于某一个网络客户端，按照查询时刻的先后顺序，将第一时间段内查询的目标域名按顺序排列，所得即为该网络客户端对应的目标域名列表。将该网络客户端标识与对应的目标域名列表合称为该网络客户端的查询时间序列。各网络客户端查询时间序列的获取可以参考现有相关技术，在此不再赘述。

这里获取的N个网络客户端的查询时间序列为参考的查询时间序列，用于后续划分群集，因此也可以称之为训练集。

各查询时间序列包括对应的网络客户端标识优选地为该网络客户端的IP地址，这样还可以同时根据该IP地址，识别该网络客户端的物理地址。

步骤201、根据N个查询时间序列，获取参考模型的模型参数和群集数目K；K为正整数；

具体地，在本实施例中，为了有效地对划分群集，首先必须选择一个参考模型，并根据步骤100获取的N个网络客户端的查询时间序列，即N个查询时间序列，获取该参考模型的模型参数以及群集数目。

步骤202、根据模型参数和群集数目K，对N个查询时间序列进行聚类处理，使得N个查询时间序列分别划分至K个群集；

具体地，根据步骤101获取的模型参数和群集数目K，对N个查询时间序列进行聚类处理，将N个查询序列划分至K个群集中。由于每个查询序列对应一个网络客户端，即相当于将N个网络客户端划分至K个群集中。

步骤203、根据参考模型的模型参数，获取并存储群集对应的状态转移概率参数。

具体地，根据步骤201中获取的参考模型的模型参数，获取并存储步骤202所得的K个群集中各群集对应的状态转移概率参数亦即状态转移概率矩阵。由于每个群集对应一定数量的网络客户端，获取到各群集对应的状态转移概率参数，也就可以获取到各网络客户端对应的状态转移概率参数。其中根据上述参考模型的模型参数，必然获取到与上述网络客户端对应的群集的所对应的状态转移概率参数。该状态转移概率参数是归属于其对应的群集的时间查询序列中的所有域名对应的状态转移矩阵。

本实施例的域名数据生存期的过期干预方法，通过获取网络客户端对应的域名的状态转移概率参数，便于后续根据状态转移概率参数获取预测查询域名列表；并根据预测查询域名列表中的预测查询域名的预测概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本实施例的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

图3为本发明实施例三提供的域名数据生存期的过期干预方法的流程图。在上述实施例二的基础上，本实施例的域名数据生存期的过期干预方法以选取参考模型为一阶混合马尔可夫模型为例，详细描述本发明的技术方案。如图3所示，本实施例的域名数据生存期的过期干预方法，具体可以包括如下步骤：

步骤300、获取N个网络客户端在第一时间段内的查询时间序列d_train＝{X¹，...，X^N}；

具体地，这里的N个网络客户端的查询时间序列，也可以称之为查询时间序列训练集。其中Xⁱ表示第i个网络客户端的查询时间序列，其中i∈[1，......N]。这里假设

i_ip表示该第i个网络客户端的标识，例如这里可以取第i个网络客户端的IP地址。表示该第i个网络客户端该第一时间段内的查询的第j个目标域名，j∈[1，...，L_i]。L_i可以表示域名查询序列Xⁱ的长度，即该查询时间序列Xⁱ中包括L_i个目标域名。

如下述表1所示，为查询6个网络客户端在某一时间段内的查询时间序列。

表1

步骤301、选取一阶混合马尔可夫模型，根据获取的查询时间序列d_train＝{X¹，...，X^N}，获取群集数目为K时对应的一阶混合马尔可夫模型的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}；

这里K＝1，2......，M；M为大于1的正整数。此时还不能够确定群集数目K。也就是说此时的群集数目K是假定选取的。例如可以顺次取K为从1到100之间的整数。对于每一个假定的K值，根据查询时间序列d_train，通过期望最大化算法迭代获取对应的一阶混合马尔可夫模型的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}，其中π_K表示群集数目为K时，各群集对应的马尔可夫链在一阶混合马尔可夫模型中的权重，θ^I _K表示群集数目为K时，各群集对应的马尔可夫链在一阶混合马尔可夫模型中的初始状态概率向量，θ^T _K表示群集数目为K时，各群集对应的马尔可夫链的状态转移概率矩阵。

本实施例以参考模型为一阶混合马尔可夫(亦即Markov)模型为例。该一阶混合马尔可夫模型中包括至少一个马尔可夫链，每一个马尔可夫对应一个群集。

基于网络客户端的域名查询行为通常具有思维连贯性，当前要查询的域名通常受到之前所查询的域名的影响。而且基于计算复杂度的考虑，认为当前查询的域名只与前一次查询的域名相关。所以，这里选取的马尔可夫模型假设各网络客户端将要查询的目标域名只与前一次查询的目标域名有关。

步骤302、根据群集数目K＝1，2，......，M时，一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}以及N个网络客户端在第二时间段内的测试查询时间序列d_test＝{X′¹，K，X′^N}，获取群集K的值以及对应的一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}。；

具体地，采用“样本外预测对数得分”的方法，还需要获取一个独立于上述步骤300的查询时间序列的一个测试查询时间序列；例如该测试查询时间序列为d_test＝{X′¹，K，X′^N}测试查询时间序列的获取可以参照上述查询时间序列的获取，在此不再赘述。采用“样本外预测对数得分”的方法，通过最小化下述函数Score(K，d_test)的值，便可以获取到此时对应的群集数目K的值以及对应的一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}。

$\mathrm{Score}(K,d_{\mathrm{test}})=-\frac{{\mathrm{\Σ}}_{j=1}^N{\log }_{2}p\left(X^{\′j}\right|{\mathrm{\θ}}^K)}{{\mathrm{\Σ}}_{i=1}^N\mathrm{length}\left(X^{\′i}\right)}$

p(X′^j|θ^K)表示在群集数目为K时，第j个网络客户端在第二时间段内的测试查询时间序列X′^j的概率密度函数，length(X′ⁱ)表示第i个网络客户端在第二时间段内的测试查询时间序列X′ⁱ的长度。

关于概率密度函数的模型的相关技术可以参考现有技术，在此不再赘述。

本实施例中的第一时间段和第二时间段仅仅表示两个时间段没有交叠，两者没有前后顺序。

步骤303、根据模型参数和群集数目K，采用贝叶斯决策器对查询时间序列d_train＝{X¹，K，X^N}中的每一个查询时间序列进行聚类处理，将各查询时间序列划分至K群集中。

具体地，根据步骤301获取的一阶混合马尔可夫模型的模型参数和步骤302获取的群集数目K的值，采用贝叶斯决策器对查询时间序列d_train＝{X¹，K，X^N}中的每一个查询时间序列进行聚类处理。这里的贝叶斯决策器可以采用以下公式：

$p\left(c_k\right|X^i,{\mathrm{\θ}}^K)=\frac{p\left(c_k\right|{\mathrm{\θ}}^K)p_k\left(X^i\right|c_k,{\mathrm{\θ}}^K)}{{\mathrm{\Σ}}_{j=1}^{K}p\left(c_j\right|{\mathrm{\θ}}^K)p_j\left(X^i\right|c_j,{\mathrm{\θ}}^K)},$

其中参数k∈[1，...，K]；贝叶斯决策器表示是的函数p(c_k|Xⁱ，θ^K)为群集c_k的后验概率函数；c_j表示第j个群集，c_k表示第k个群集，p(c_j|θ^K)表示群集c_j的先验概率，p_j(Xⁱ|c_j，θ^K)、p_k(Xⁱ|c_k，θ^K)表示查询时间序列Xⁱ的似然函数。

将每一个查询时间序列带入后验概率函数p(c_k|Xⁱ，θ^K)，将参数k从1取到K(K表示群集的数目)，分别计算后验概率函数p(c_k|Xⁱ，θ^K)的值，然后根据函数p(c_k|Xⁱ，θ^K)＝max{p(c₁|Xⁱ，θ^K)，p(c₂|Xⁱ，θ^K)，...，p(c_k|Xⁱ，θ^K)，...，p(c_K|Xⁱ，θ^K)}，获取后验概率函数p(c_k|Xⁱ，θ^K)的最大值，最后将该时间查询序列划分至对应的后验概率函数p(c_k|Xⁱ，θ^K)取最大值所对应的群集c_k中。例如将第1个查询时间序列带入后验概率函数中，将参数k从1取到K，计算后验概率函数p(c_k|X，θ)的值。当k＝6时，后验概率函数p(c_k|X，θ)取最大值。此时将第1个查询时间序列划分至群集c₆中。同理可以完成将查询时间序列中所有查询时间序列划分至对应的群集中。由于每一个查询时间序列对应一个网络客户端，因此便相当于将N个网络客户端划分至K个群集中。

步骤304、根据参考模型的模型参数，获取并存储群集对应的域名的状态转移概率矩阵。

具体地，根据步骤302获取的参考模型的模型参数，获取步骤303所得的各群集对应的域名的状态转移概率矩阵，亦即获取各网络客户端对应的状态转移概率矩阵。各网络客户端是以所属群集为对象与对应的域名的状态转移概率矩阵对应。一个群集中至少包括至少一个网络客户端。然后存储获取得到的各群集对应的域名的状态转移概率矩阵，亦即各网络客户端对应的状态转移概率矩阵。

步骤305、接收第一网络客户端的域名查询请求，该域名查询请求中包括第一网络客户端的标识和查询域名；

具体地，这里第一网络客户端的标识具体可以为该第一网络客户端的IP地址。

步骤306、根据第一网络客户端的标识，获取第一网络客户端对应的状态转移概率矩阵；

具体地，根据步骤304存储的各网络客户端对应的状态转移概率矩阵。获取第一网络客户端对应状态转移概率矩阵。

步骤307、根据获取的状态转移概率矩阵，获取查询域名的预测查询域名列表；

其中该预测查询域名列表中包括预测查询域名和预测查询域名的预测概率。例如以下表2为根据获取的状态转移矩阵获取的预测查询域名列表。该预测查询域名列表中包括预测查询的域名1，域名2，......域名6以及各预测查询的域名对应的预测概率。

表2

域名	预测概率
		域名1	0.52
域名2	0.2
		域名3	0.15
域名4	0.1
		域名5	0.02
域名6	0.005
		域名7	0.005

步骤308、判断递归服务器的缓存中是否存储有预测查询域名对应的预测域名数据；当递归服务器的缓存中未存储有预测域名数据，执行步骤309；当递归服务器的缓存中存储有预测域名数据，执行步骤310；

具体地，将该预测查询域名与当前递归服务器的缓存中存储的域名进行比对，判断递归服务器的缓存中是否存储有预测查询域名对应的预测域名数据。

步骤309、不进行任何操作；

步骤310、判断预测域名数据是否过期；当预测域名数据过期执行步骤312；否则当预测域名数据未过期，执行步骤311；

具体地，这里判断预测域名数据是否过期，具体采用判断预测域名数据的预测时间是否大于预测域名数据的TTL来判断。当判断预测域名数据的预测时间大于预测域名数据的TTL，说明预测域名数据过期，反之，预测域名数据未过期。这里的预测时间为将“预测时间点”(例如可以为从1970年1月1日零点零分零秒直到上述比对该域名的时刻总共经历的秒数)减去“保存时间点”(例如：通常为从1970年1月1日零点零分零秒直到保存该域名数据的时刻总共经历的秒数)所得的时间。

步骤311、当预测域名数据未过期，不进行任何操作；

此时对应的预测时间小于预测域名数据的TTL。

步骤312、当预测域名数据过期，根据预测查询域名的预测概率延长缓存中预测域名数据的TTL。

具体地，此时对应的预测时间大于预测域名数据的TTL。可以根据步骤307获取的预测概率延长缓存中预测域名数据的TTL。例如，可以根据预测概率将预测域名数据的生存期延长一定的时间段。例如可以延长的时间段为预测概率乘以一固定时间段如整数倍的TTL。这里优选的延长的时间段为预测概率乘以TTL。

本实施例的域名数据生存期的过期干预方法，通过获取查询域名的对应的状态转移概率矩阵，从而获取预测查询域名列表；并根据预测查询域名列表中的预测查询域名的预测概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本实施例的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

需要说明的是，上述实施例中是选用参考模型为一阶混合马尔可夫来说明本发明的技术方案，实际应用中可以采用其他的基于时间序列的参考模型。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

图4为本发明实施例四提供的递归服务器的结构示意图。如图4所示，本实施例的递归服务器具体可以包括：第一获取模块11、第二获取模块12和延长生存期模块13。

当本实施例的递归服务器接收到网络客户端的域名查询请求时，递归服务器的第一获取模块11根据接收到的域名查询请求中携带的网络客户端标识，从递归服务器中获取该网络客户端标识对应的状态转移概率参数。该状态转移概率参数以矩阵的形式存储。因此，该状态转移概率参数也可以称之为状态转移概率矩阵。第二获取模块12与第一获取模块11连接。第二获取模块12根据第一获取模块11获取的状态转移概率参数，获取查询域名的预测查询域名列表；该预测查询域名列表中包括预测查询域名和该预测查询域名的预测概率。延长生存期模块13与第二获取模块12连接。延长生存期模块13用于判断缓存中是否存储有第二获取模块12获取的预测查询域名的预测域名数据，当缓存中存储有该预测查询域名对应的预测域名数据的预测时间大于该预测域名数据的TTL，根据第二获取模块12获取的预测查询域名的预测概率延长递归服务器的缓存中该预测域名数据的生存期。

本实施例的递归服务器各模块的交互过程和实现负载均衡的实现方式可参照方法实施例的相关描述，在此不再赘述。

本实施例的递归服务器，通过各模块实现获取查询域名的对应的状态转移概率参数，从而获取预测查询域名列表；并根据预测查询域名列表中的预测查询域名的概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本实施例的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

需要说明的是，如图4所示，本实施例的递归服务器中还可以包括接收模块10。接收模块10接收网络客户端的域名查询请求，该域名查询请求中包括该网络客户端标识和查询域名。第一获取模块11与接收模块10连接，第一获取模块11根据接收模块10接收到的域名查询请求中携带的网络客户端标识，从自身即递归服务器中获取预存储的网络客户端标识对应的状态转移概率参数，后续参考上述实施例，在此不再赘述。

图5为本发明实施例五提供的递归服务器的结构示意图。如图5所示，在上述实施例四的基础上，第一获取模块11，具体可以包括：第一获取单元111和第二获取单元112。

其中第一获取单元111与接收模块10连接。第一获取单元111根据接收模块10接收到的域名查询请求中的网络客户端的标识，获取网络客户端对应的群集。第二获取单元112与第一获取单元111连接。第二获取单元112获取第一获取单元111获取的群集对应的状态转移概率参数。第二获取模块12与第二获取单元112连接，执行如上述实施例四中的相关操作。

如图5所示，本实施例的递归服务器中的延长生存期模块13具体可以包括：确定单元131和延长生存期单元132。

其中确定单元131与第二获取模块12连接，确定单元131用于判断第二获取模块12获取的预测查询域名对应的预测域名数据是否过期，并确定预测查询域名对应的预测域名数据已经过期。延长生存期单元132分别与第二获取模块12和确定单元131连接。延长生存期单元132用于当确定单元131确定预测查询域名对应的预测域名数据已经过期，根据第二获取模块12获取的预测查询域名的预测概率延长缓存中预测域名数据的生存期。

本实施例的递归服务器各模块的交互过程和实现负载均衡的实现方式可参照方法实施例的相关描述，在此不再赘述。

本实施例的递归服务器，通过各模块及单元实现根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

图6为本发明实施例六提供的递归服务器的结构示意图。如图6所示，在上实施例五的基础上，本实施例的递归服务器还包括：第三获取模块14、第四获取模块15、聚类处理模块16和处理模块17。

第三获取模块14获取N个网络客户端在第一时间段内的查询时间序列，得到N个查询时间序列d_train＝{X¹，...，X^N}；Xⁱ表示第i个网络客户端在第一时间段内的查询时间序列，其中i＝1，......N，N为正整数；各查询时间序列包括对应的网络客户端标识和按照查询时间顺序排列的目标域名列表。第四获取模块15与第三获取模块14连接。第四获取模块15根据第三获取模块14获取的N个查询时间序列，获取参考模型的模型参数和群集数目K；K为正整数。聚类处理模块16分别与第三获取模块14和第四获取模块15连接。聚类处理模块16根据第四获取模块15获取的模型参数和群集数目K，对第三获取模块14获取的N个查询时间序列进行聚类处理，使得N个查询时间序列分别划分至K个群集。因为每个查询时间序列对应一个网络客户端，因此即相当于将N个网络客户端划分至K个群集中。每个群集中至少包括一个客户端。处理模块17分别与第四获取模块15和聚类处理模块16连接。处理模块17根据第四获取模块15获取的参考模型的模型参数以及聚类处理模块16聚类处理的结果，获取并存储各群集对应的域名的状态转移概率参数。每个群集中包括至少一个网络客户端，可以根据各群集中包括的网络客户端，获取各群集中包括的网络客户端对应的域名的状态转移概率参数。

如图6所示，本实施例的第四获取模块15，具体可以包括：第三获取单元151和第四获取单元152。

其中第三获取单元151与第三获取模块14连接。第三获取单元151根据第三获取模块14获取的N个查询时间序列，获取群集数目为K时，一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}，其中K＝1，2......，M；M为大于1的正整数；其中π_K表示群集数目为K时，各群集对应的马尔可夫链在一阶混合马尔可夫模型中的权重，θ^I _K表示群集数目为K时，各群集对应的马尔可夫链在一阶混合马尔可夫模型中的初始状态概率向量，θ^T _K表示群集数目为K时，各群集对应的马尔可夫链的状态转移概率参数亦即状态转移概率矩阵。第四获取单元152与第三获取单元151连接。第四获取单元152根据第三获取单元151获取的群集数目K＝1，2，......，M时，一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}、以及N个网络客户端在第二时间段内的测试查询时间序列，获取群集数目K以及对应的一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}。

具体地，第四获取单元152首先获取N个网络客户端在第二时间段内的测试查询时间序列d_test＝{X′¹，...，X′^N}，X′ⁱ表示第i个网络客户端在第二时间段内的测试查询时间序列，各测试查询时间序列包括对应的网络客户端标识和按照查询时间顺序排列的目标域名列表；并且根据N个网络客户端的测试查询时间序列d_test和第三获取单元151获取的群集数目K＝1，2，......，M时，一阶混合马尔可夫的模型参数θ^K＝{π_K，θ^I _K，θ^T _K}，获取函数Score(K，d_test)取最小值时对应的群集数目K以及对应的一阶混合马尔可夫的模型参数θ^K＝{π_K θ^I _K，θ^T _K}；

$\mathrm{Score}(K,d_{\mathrm{test}})=-\frac{{\mathrm{\Σ}}_{j=1}^N{\log }_{2}p\left(X^{\′j}\right|{\mathrm{\θ}}^K)}{{\mathrm{\Σ}}_{i=1}^N\mathrm{length}\left(X^{\′i}\right)}$

其中p(X′^j|θ^K)表示在群集数目为K时，第j个网络客户端第二时间段内的测试查询时间序列X′^j的概率密度函数，length(X′ⁱ)表示第i个网络客户端在第二时间段内的测试查询时间序列X′ⁱ的长度。

其中聚类处理模块16具体与第四获取单元152连接，执行如上所述相关操作。处理模块17具体也与第四获取单元152连接，执行如上所述相关操作。

本实施例的递归服务器的聚类处理模块16具体根据第四获取模块15获取的模型参数和群集数目K，采用贝叶斯决策器对第三获取模块14获取的N个查询时间序列进行聚类处理，以将N个查询时间序列分别划分至K个群集中。

具体地，聚类处理模块16根据第四获取模块15获取的模型参数和群集数目K，将第三获取模块14获取的第i个网络客户端的查询时间序列Xⁱ带入贝叶斯决策器所表示的后验概率函数p(c_k|Xⁱ，θ^K)中；通过函数p(c_k|Xⁱ，θ^K)＝max{p(c₁|Xⁱ，θ^K)，p(c₂|Xⁱ，θ^K)，K，p(c_k|Xⁱ，θ^K)，K，p(c_K|Xⁱ，θ^K)}，获取参数k＝1，.....K中后验概率函数p(c_k|Xⁱ，θ^K)取最大值时对应的群集c_k，将查询时间序列划分至后验概率值最大的群集c_k中；

其中：

参数k∈[1，K，K]；p(c_k|Xⁱ，θ^K)表示第i个网络客户端的查询时间序列Xⁱ处于群集c_k中的后验概率；c_j表示第j个群集，c_k表示第k个群集，p(c_j|θ^K)表示在一阶混合马尔可夫的模型参数θ^K下，群集c_j的先验概率；p(c_k|θ^K)表示在一阶混合马尔可夫的模型参数θ^K下，群集c_k的先验概率；p_j(Xⁱ|c_j，θ^K)、p_k(Xⁱ|c_k，θ^K)表示查询时间序列Xⁱ的似然函数。采用该模块，可以将第三获取模块14获取的N个查询时间序列进行聚类处理，使N个查询时间序列划分至K个群集中。

本实施例的递归服务器中的延长生存期模块13具体用于若缓存中的预测查询域名对应的预测域名数据的预测时间大于预测域名数据的生存期，将预测查询域名的生存期延长一时间段，例如可以延长的时间段为预测概率乘以一固定时间段如整数倍的TTL。这里优选的延长的时间段为预测概率乘以TTL。

本实施例的递归服务器各模块的交互过程和实现负载均衡的实现方式可参照方法实施例的相关描述，在此不再赘述。

本实施例的递归服务器，通过各模块实现获取网络客户端对应的域名的状态转移概率矩阵，便于后续根据状态转移概率矩阵获取预测查询域名列表；并根据预测查询域名列表中的预测查询域名的预测概率，延长递归服务器的缓存中过期的预测域名数据的TTL。采用本实施例的技术方案，根据预测概率有效地延长预测域名数据的TTL，能够有效地减少域名数据在递归服务器与权威服务器中的不一致性。而且采用本实施例的技术方案，干预效率较高，灵活性较强，能够有效地提高递归服务器的查询性能。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种域名数据生存期的过期干预方法，其特征在于，包括：

当接收到网络客户端的域名查询请求时，根据所述域名查询请求中携带的网络客户端标识，获取所述网络客户端标识对应的状态转移概率参数；

根据所述状态转移概率参数，获取所述查询域名的预测查询域名列表；所述预测查询域名列表中包括预测查询域名和所述预测查询域名的预测概率；

若所述预测查询域名对应的预测域名数据已过期，根据所述预测查询域名的预测概率延长缓存中所述预测域名数据的生存期。

2.根据权利要求1所述的域名数据生存期的过期干预方法，其特征在于，根据所述域名查询请求中携带的网络客户端标识，获取所述网络客户端标识对应的状态转移概率参数，具体包括：

根据所述网络客户端的标识，获取所述网络客户端对应的群集；

获取所述群集对应的所述状态转移概率参数。

3.根据权利要求1所述的域名数据生存期的过期干预方法，其特征在于，若所述预测查询域名对应的预测域名数据已过期，根据所述预测查询域名的预测概率延长所述缓存中所述预测域名数据的生存期，具体包括：

若所述预测查询域名对应的预测域名数据已过期，将所述预测域名数据的生存期延长一时间段，所述时间段的长度为所述生存期乘以所述预测概率。

4.根据权利要求2所述的域名数据生存期的过期干预方法，其特征在于，还包括：

获取N个网络客户端在第一时间段内的查询时间序列，得到N个查询时间序列，N为正整数；各所述查询时间序列包括对应的网络客户端的标识和按照查询时间顺序排列的目标域名列表；

根据所述N个查询时间序列，获取参考模型的模型参数和群集数目K；K为正整数；

根据所述模型参数和所述群集数目K，对所述N个查询时间序列进行聚类处理，使得所述N个查询时间序列分别划分至K个群集；

根据所述参考模型的模型参数，获取并存储所述群集对应的域名的所述状态转移概率参数。

5.一种递归服务器，其特征在于，包括：

第一获取模块，用于当接收到网络客户端的域名查询请求时，根据所述域名查询请求中携带的网络客户端标识，获取所述网络客户端标识对应的状态转移概率参数；

第二获取模块，用于根据所述状态转移概率参数，获取所述查询域名的预测查询域名列表；所述预测查询域名列表中包括预测查询域名和所述预测查询域名的预测概率；

延长生存期模块，用于若所述预测查询域名对应的预测域名数据已过期，根据所述预测查询域名的预测概率延长缓存中所述预测域名数据的生存期。

6.根据权利要求5所述的递归服务器，其特征在于，所述第一获取模块，包括：

第一获取单元，用于根据所述网络客户端标识，获取所述网络客户端对应的群集；

第二获取单元，用于获取所述群集对应的所述状态转移概率参数。

7.根据权利要求5所述的递归服务器，其特征在于，所述延长生存期模块包括：

确定单元，用于确定所述预测查询域名对应的预测域名数据已过期；

延长生存期单元，用于根据所述预测查询域名的预测概率延长所述缓存中所述预测域名数据的生存期。

8.根据权利要求7所述的递归服务器，其特征在于，所述延长生存期单元，具体用于将所述预测域名数据的生存期延长一时间段，所述时间段的长度为所述生存期乘以所述预测概率。

9.根据权利要求6或7所述的递归服务器，其特征在于，还包括：

第三获取模块，用于获取N个网络客户端在第一时间段内的查询时间序列，得到N个查询时间序列，N为正整数；各所述查询时间序列包括对应的网络客户端的标识和按照查询时间顺序排列的目标域名列表；

第四获取模块，用于根据所述N个查询时间序列，获取参考模型的模型参数和群集数目K；K为正整数；

聚类处理模块，用于根据所述模型参数和所述群集数目K，对所述N个查询时间序列进行聚类处理，使得所述N个查询时间序列分别划分至K个群集；

处理模块，用于根据所述参考模型的模型参数，获取并存储所述群集对应的域名的所述状态转移概率参数。

Images