Details

Цель работы – обнаружение доступных IPv6-узлов, расположенных в сети Интернет, для реализации аудита информационной безопасности публичного адресного пространства IPv6. Объектом исследования являются активные IPv6-узлы глобальной сети Интернет. Предметом исследования являются методы их выявления на основе анализа структуры адресов, сетевых протоколов, DNS-инфраструктуры и машинного обучения. В работе рассмотрены особенности IPv6-адресации, механизмы SLAAC и DHCPv6, а также ограничения полного перебора адресного пространства. Методика исследования включает сбор адресов по NTP-трафику, анализ DNS-записей и генерацию IPv6-адресов с применением модели машинного обучения. Результатом работы является подход, объединяющий пассивный сбор адресов, DNS-анализ, исследование структуры IPv6-адресов и генерацию кандидатов. Лучший результат ML-генерации составил 9,33 % активных узлов при генерации 1 млн IPv6-адресов с префиксом 2001. Полученные результаты могут применяться для аудита IPv6-инфраструктуры и оценки доступности узлов. В работе использовались следующие технологии и информационные ресурсы: IPv6, NTP, DNS, ICMPv6, Python, chrony, XMap, IPv6 Hitlist, Tranco, PyTorch, CUDA, Transformer Decoder, серверная инфраструктура Timeweb, DNS-резолверы Cloudflare и Google.

The purpose of the work is to discover accessible IPv6 nodes located on the Internet in order to support information security auditing of the public IPv6 address space. The object of the study is active IPv6 nodes in the global Internet. The subject of the study is methods for their identification based on address structure analysis, network protocols, DNS infrastructure, and machine learning. The work examines the characteristics of IPv6 addressing, SLAAC and DHCPv6 mechanisms, and the limitations of exhaustive scanning of the IPv6 address space. The research methodology includes address collection through NTP traffic monitoring, DNS record analysis, and IPv6 address generation using a machine learning model. The result of the work is an approach that combines passive address collection, DNS analysis, IPv6 address structure analysis, and candidate address generation. The best machine learning generation result achieved a hit rate of 9.33% active nodes when generating one million IPv6 addresses with the 2001 prefix. The obtained results can be applied to IPv6 infrastructure auditing and node availability assessment. The following technologies and information resources were used in this work: IPv6, NTP, DNS, ICMPv6, Python, chrony, XMap, IPv6 Hitlist, Tranco, PyTorch, CUDA, machine learning models based on the Transformer architecture, Timeweb server infrastructure, and Cloudflare and Google DNS resolvers.