我们在做网络资产梳理、攻击面管理或安全监控时经常会拿到一大串 IP 地址但光看 IP 很难知道它到底是数据库服务器、CDN 节点、家庭宽带还是机房出口。这时候反向 DNSReverse DNS里的 PTR 记录就非常有价值。PTR 主机名往往会携带大量“自描述”信息比如业务缩写、机房代号、地域拼音、网络类型等。本文要讲的 Ptrclassify核心思路就是从这些 PTR 主机名里“猜”出主机的用途和地理位置。它本身不是搜索引擎也不是漏洞扫描器而是一个基于命名规则与特征匹配的分类分析工具。接下来我会从 PTR 记录原理讲起逐步拆解 Ptrclassify 的设计思路、安装使用、二次开发与工程落地并结合真实场景给出可复制的代码示例和排错经验。先说清楚任何基于 PTR 主机名的推断都是“概率性结论”不是 100% 准确。PTR 记录由 IP 归属方自行维护命名风格千差万别有些管理员甚至不维护 PTR。所以本文所有结论都以“辅助判断、降低人工成本”为目标不能替代真实的资产指纹识别。1. 背景与核心概念1.1 什么是 PTR 记录DNSDomain Name System负责域名和 IP 之间的映射。平时我们输入www.example.comDNS 返回对应的 IP这叫“正向解析”。反过来给一个 IP 地址查询它对应什么域名这叫“反向解析”记录类型就是 PTRPointer Record。PTR 记录存放在特殊域名in-addr.arpa下。IPv4 地址是反着写在in-addr.arpa前面的。比如 IP 是1.2.3.4它的反向解析域名就是4.3.2.1.in-addr.arpa。IPv6 也有对应的ip6.arpa规则类似但地址更长平时用得相对少一些。普通开发者接触 PTR 不多但在邮件服务器场景中很常见很多邮件服务器会拒绝 PTR 记录缺失或 PTR 与发信域名不一致的邮件因为垃圾邮件经常伪造域名。PTR 记录也因此被广泛用于反垃圾邮件、日志审计、网络溯源和资产识别。1.2 为什么 PTR 主机名能提供线索PTR 记录最终返回的是一个“主机名”比如59.45.175.221.broad.dg.gd.dynamic.163data.com.cn223.75.120.135.broad.xx.gd.dynamic.163data.com.cnecs-1-2-3-4.compute.hwclouds-dns.com1.2.3.4.vultr.comstatic-5-6-7-8.ip.cn这些名字是管理员或云平台自动生成的虽然没有统一标准但往往可以拆出这些信息网络类型dynamic表示动态分配static表示静态地址broad表示宽带拨号。地理位置dg、gz、bj等拼音缩写通常对应东莞、广州、北京。运营商163data通常是网易ct是中国电信cm是中国移动cu是中国联通。云厂商hwclouds-dns指华为云vultr.com指 Vultraliyun指阿里云。业务属性mail、ns、web、db这类关键词直接暴露了服务类型。设备类型router、gateway、switch、nas等。这就是 Ptrclassify 这类工具存在的空间海量 IP 需要快速批量分类人工一个个看 PTR 记录肯定不现实于是把命名规则、关键词词典和地理位置库固化到程序里自动输出分类结果。1.3 Ptrclassify 能做什么从名字推测Ptrclassify 是“PTR Classify”的组合目标就是把 PTR 主机名作为输入输出结构化的分类结果。典型输出可以包含IP 地址原始 PTR 主机名主机用途分类数据中心、IDC 机房、云主机、宽带动态、政企专线、CDN、邮件服务器等地理位置推断省级、市级、可能的国家或地区运营商或云厂商推断置信度或匹配命中情况从工程角度看它解决的是“拿到一堆 IP 后先粗筛一遍再决定要不要深入扫描”的问题。它不负责发现漏洞也不负责确认业务系统只负责给 IP 打标签属于资产测绘链路里的“前置分类器”。2. Ptrclassify 核心设计思路2.1 整体流程一个比较完整的 Ptrclassify 实现处理流程可以分成五步输入 IP 列表批量发起反向 DNS 查询。对返回的 PTR 主机名做清洗和标准化。对主机名进行 Tokens 切分例如按.、-拆分。依次匹配关键词词典、位置词典、正则规则得到分类结果。汇总输出支持 JSON、CSV、数据库导入等格式。这个流程本质上是一个“规则分类器”并不是深度学习方法。它的优势是快、可解释、好调试缺点是词典需要长期维护不同地区的命名风格差异很大。2.2 主机名 Tokens 化PTR 主机名很难直接整串匹配因为域名体系命名太自由。常用的做法是把主机名拆成小片段Token再逐一判断含义。举个简单例子原主机名223.75.120.135.broad.xx.gd.dynamic.163data.com.cn 按 . 切分 223 75 120 135 broad xx gd dynamic 163data com cn对这个 Token 序列程序可以识别出broad表示动态宽带、gd是广东、xx可能是某地市拼音缩写、dynamic表示动态地址、163data是网易自建网络。这样就能给出一个比较可信的标签家庭宽带、广东、网易网络。为了适配更多命名风格还需要同时支持按键-切分。比如云服务器常见命名ecs-1-2-3-4.compute.hwclouds-dns.com 按键 - 切分后 ecs 1 2 3 4ecs在云厂商语境里就是 Elastic Compute Service弹性云服务器。这里要注意ecs-1-2-3-4中间的1-2-3-4实际上是 IP 的变形不能用-拆得太碎否则会丢失语境。所以工程上推荐的做法是同时保留“按点切分”和“按横线切分”的结果让后续规则去灵活匹配而不是只采用一种切分策略。2.3 关键词词典设计词典是 Ptrclassify 分类能力的核心。我建议按照“网络类型、地理标识、运营商、云厂商、业务关键词”五类来组织每类维护一个 Python 字典或 JSON 文件。网络类型词典{ dynamic: {category: 动态地址, confidence: 0.8}, static: {category: 静态地址, confidence: 0.7}, broad: {category: 宽带拨号, confidence: 0.75}, adsl: {category: ADSL拨号, confidence: 0.75}, ftth: {category: 光纤宽带, confidence: 0.65} }地理关键词词典需要同时考虑拼音缩写、拼音全称和英文地名{ bj: {province: 北京, city: 北京, confidence: 0.9}, sh: {province: 上海, city: 上海, confidence: 0.9}, gz: {province: 广东, city: 广州, confidence: 0.9}, sz: {province: 广东, city: 深圳, confidence: 0.85}, gd: {province: 广东, confidence: 0.9}, guangdong: {province: 广东, confidence: 0.95} }这里有个典型坑点sz在中文拼音里可能是“深圳”Shenzhen、“苏州”Suzhou也可能是“石家庄”的简称具体要看上下文。单独出现sz时置信度要降低如果旁边还有js江苏或gd广东就能进一步确定是“苏州”还是“深圳”。2.4 位置推断策略位置推断不能只依赖词典至少要分四个层级国家.cn、.jp、.us等顶级域但不一定代表主机所在国家因为很多企业注册的是.com。省级gd、js、zj、sc等通常出现在运营商宽带主机名中。市级sz、gz、nj、hz等需要结合省一级信息消歧。ISP 节点man、jinan、nanjing等。部分运营商会在 PTR 里写城市级的英文名。比较稳妥的做法是“多字段投票”如果gd和gz同时出现则结果是广东省广州市如果只有sz则结果是“广东省或江苏省需进一步确认”置信度调低。2.5 云厂商识别云厂商的主机名往往带自家品牌关键词。例如阿里云aliyun、alibabacloud腾讯云tencent、qcloud华为云hwclouds、huaweicloud百度云bcehost微软 Azurecloudapp.net亚马逊 AWSamazonaws.comGoogle Cloudgoogleusercontent.comVultrvultr.com这里可以建一个厂商前缀映射表命中后直接打厂商标签。需要注意的是很多云厂商的 PTR 记录可以被用户自定义修改所以厂商标签只代表“该地址段属于某云厂商”不代表业务系统真的部署在该厂商也不代表业务归属。3. 环境准备与快速上手3.1 运行环境本文示例以 Python 3.8 为运行环境用到的库主要是dnspython发送反向 DNS 查询ipaddress处理 IP 格式校验Python 标准库json、csv配置读取与结果导出标准库在开始之前建议先创建虚拟环境python3 -m venv ptrclassify-env source ptrclassify-env/bin/activate pip install dnspython版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。如果你的系统 Python 版本较低可以优先升级到 3.8 以上再操作。3.2 项目目录结构为了后续扩展建议按下面的结构组织项目ptrclassify/ ├── config/ │ ├── keywords.json │ └── isp_rules.json ├── ptrclassify/ │ ├── __init__.py │ ├── classifier.py │ ├── location.py │ ├── query.py │ └── utils.py ├── data/ │ ├── input_ips.txt │ └── output_result.csv ├── main.py └── requirements.txtclassifier.py负责主机名分类location.py负责地理位置解析query.py负责批量 PTR 查询main.py是入口脚本。4. 完整实战解析一批 IP 的 PTR 主机名这一节我们实现一个最小可用的 Ptrclassify 版本能够完成以下功能读取 IP 列表批量发起反向 DNS 查询对 PTR 主机名做分类输出 CSV 和 JSON 结果4.1 创建配置文件先创建config/keywords.json。这是一个简化版关键词库实际使用中可以根据你的业务不断扩充。{ network_type: { dynamic: {category: 动态地址, confidence: 0.8}, static: {category: 静态地址, confidence: 0.7}, broad: {category: 宽带拨号, confidence: 0.8}, adsl: {category: 宽带拨号, confidence: 0.75}, ftth: {category: 光纤宽带, confidence: 0.7} }, location: { gd: {province: 广东, confidence: 0.9}, gz: {province: 广东, city: 广州, confidence: 0.9}, sz: {province: 广东, city: 深圳, confidence: 0.85}, js: {province: 江苏, confidence: 0.9}, nj: {province: 江苏, city: 南京, confidence: 0.9}, bj: {province: 北京, city: 北京, confidence: 0.9}, sh: {province: 上海, city: 上海, confidence: 0.9}, zj: {province: 浙江, confidence: 0.9}, hz: {province: 浙江, city: 杭州, confidence: 0.9} }, cloud_provider: { aliyun: 阿里云, alibabacloud: 阿里云, tencent: 腾讯云, qcloud: 腾讯云, hwclouds: 华为云, huaweicloud: 华为云, amazonaws: AWS, googleusercontent: Google Cloud, vultr: Vultr, digitalocean: DigitalOcean }, service_keyword: { mail: 邮件服务, mx: 邮件服务, ns: 域名解析, dns: 域名解析, web: Web服务, www: Web服务, db: 数据库, mysql: 数据库, redis: 缓存数据库, proxy: 代理服务, vpn: VPN设备, nas: 网络存储, router: 路由器, gateway: 网关, switch: 交换机, cdn: CDN节点, cache: CDN/缓存节点 } }4.2 编写 PTR 查询模块ptrclassify/query.py负责反向 DNS 查询。这里用到dnspython的dns.reversename.from_address和dns.resolver.resolve方法。# 文件路径ptrclassify/query.py import dns.resolver import dns.reversename from concurrent.futures import ThreadPoolExecutor, as_completed def query_ptr(ip: str, timeout: float 3.0) - str: 查询单个 IP 的 PTR 记录返回主机名。 如果查询失败或没有 PTR 记录返回空字符串。 try: reverse_name dns.reversename.from_address(ip) answers dns.resolver.resolve(reverse_name, PTR, lifetimetimeout) for answer in answers: return str(answer.target).rstrip(.) except Exception: return def batch_query_ptr(ip_list, max_workers20, timeout3.0): 批量查询 PTR 记录使用线程池加速。 返回 dict{ip: hostname} result {} def _query_one(ip): return ip, query_ptr(ip, timeouttimeout) with ThreadPoolExecutor(max_workersmax_workers) as executor: futures [executor.submit(_query_one, ip) for ip in ip_list] for future in as_completed(futures): ip, hostname future.result() result[ip] hostname return result这里有几个细节需要说明。dns.reversename.from_address会自动把 IP 转换成 PTR 查询所需的in-addr.arpa形式。dns.resolver.resolve(reverse_name, PTR, lifetimetimeout)中的lifetime是单次查询超时时间。线程数不要开太大一般 20 到 50 比较合适太大容易触发本地递归服务器限流。如果 DNS 解析失败函数返回空字符串不要直接抛异常中断整个批量任务。4.3 编写分类模块ptrclassify/classifier.py负责把 PTR 主机名转换成结构化分类结果。核心逻辑是 Tokens 切分、关键词匹配、置信度计算。# 文件路径ptrclassify/classifier.py import json import os class PtrClassifier: def __init__(self, config_pathconfig/keywords.json): with open(config_path, r, encodingutf-8) as f: self.config json.load(f) self.network_type_map self.config.get(network_type, {}) self.location_map self.config.get(location, {}) self.cloud_map self.config.get(cloud_provider, {}) self.service_map self.config.get(service_keyword, {}) staticmethod def tokenize(hostname: str): 将主机名拆成 token 列表同时保留按点切分和按横线切分的结果。 返回去重后的 token 列表。 tokens [] for part in hostname.lower().split(.): tokens.append(part) for sub in part.split(-): if sub: tokens.append(sub) # 去重但保持顺序 seen set() unique_tokens [] for token in tokens: if token not in seen: unique_tokens.append(token) seen.add(token) return unique_tokens def classify(self, ip: str, hostname: str): 对单个 IP 主机名进行分类。 返回结构化结果。 result { ip: ip, hostname: hostname, network_type: None, province: None, city: None, cloud_provider: None, service_keyword: None, confidence: 0.0, } if not hostname: result[confidence] 0.0 return result tokens self.tokenize(hostname) matched_flags [] # 1. 网络类型匹配 for token in tokens: if token in self.network_type_map: result[network_type] self.network_type_map[token][category] matched_flags.append(network_type) # 2. 位置匹配 province_candidates [] city_candidates [] for token in tokens: if token in self.location_map: item self.location_map[token] if province in item: province_candidates.append(item[province]) if city in item: city_candidates.append(item[city]) if province_candidates: result[province] max(set(province_candidates), keyprovince_candidates.count) matched_flags.append(province) if city_candidates: result[city] max(set(city_candidates), keycity_candidates.count) matched_flags.append(city) # 3. 云厂商匹配 for token in tokens: for key, provider in self.cloud_map.items(): if key in token or token key: result[cloud_provider] provider matched_flags.append(cloud_provider) break # 4. 业务关键词匹配 for token in tokens: if token in self.service_map: result[service_keyword] self.service_map[token] matched_flags.append(service_keyword) # 5. 置信度评分 base_score 0.0 if result[network_type]: base_score 0.3 if result[province]: base_score 0.25 if result[city]: base_score 0.15 if result[cloud_provider]: base_score 0.2 if result[service_keyword]: base_score 0.2 # 命中标签数量越多置信度越高但不超过 0.98 result[confidence] min(base_score 0.1 * len(matched_flags), 0.98) return resulttokenize方法把223.75.120.135.broad.xx.gd.dynamic.163data.com.cn拆成223、75、120、135、broad、xx、gd、dynamic、163data、com、cn等 token然后逐一匹配。这里要注意com、cn这类顶级域不应该被当作位置关键词所以建议在词典里不要加入cn、com、net这类无效 token或者在匹配前先过滤掉长度小于 2 的纯数字 token。4.4 编写主程序main.py把上面的模块串起来支持从文本文件读取 IP输出 CSV 和 JSON。# 文件路径main.py import argparse import csv import json import sys from ptrclassify.query import batch_query_ptr from ptrclassify.classifier import PtrClassifier OUTPUT_FIELDS [ ip, hostname, network_type, province, city, cloud_provider, service_keyword, confidence ] def load_ip_list(file_path): ips [] with open(file_path, r, encodingutf-8) as f: for line in f: line line.strip() if line and not line.startswith(#): ips.append(line) return ips def parse_args(): parser argparse.ArgumentParser(descriptionPtrclassify - 基于 PTR 主机名的用途与位置推断工具) parser.add_argument(--input, -i, requiredTrue, helpIP 列表文件) parser.add_argument(--output, -o, defaultoutput_result.csv, help输出 CSV 文件路径) parser.add_argument(--json-output, defaultNone, help输出 JSON 文件路径可选) parser.add_argument(--timeout, typefloat, default3.0, helpDNS 查询超时时间) parser.add_argument(--threads, typeint, default20, help批量查询线程数) return parser.parse_args() def main(): args parse_args() ips load_ip_list(args.input) if not ips: print([!] 输入的 IP 列表为空请检查文件内容。) sys.exit(1) # 过滤掉明显不合法的 IP from ipaddress import ip_address valid_ips [] for ip in ips: try: ip_address(ip) valid_ips.append(ip) except ValueError: print(f[!] 忽略非法 IP: {ip}) print(f[*] 开始查询 {len(valid_ips)} 个 IP 的 PTR 记录 ...) ptr_map batch_query_ptr(valid_ips, max_workersargs.threads, timeoutargs.timeout) classifier PtrClassifier() results [] for ip in valid_ips: hostname ptr_map.get(ip, ) if hostname: result classifier.classify(ip, hostname) else: result { ip: ip, hostname: , network_type: None, province: None, city: None, cloud_provider: None, service_keyword: None, confidence: 0.0, } results.append(result) # 导出 CSV with open(args.output, w, encodingutf-8-sig, newline) as f: writer csv.DictWriter(f, fieldnamesOUTPUT_FIELDS) writer.writeheader() writer.writerows(results) print(f[*] CSV 结果已输出到: {args.output}) # 导出 JSON if args.json_output: with open(args.json_output, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(f[*] JSON 结果已输出到: {args.json_output}) if __name__ __main__: main()这里使用utf-8-sig编码写 CSV是因为 Excel 直接打开 UTF-8 CSV 时会出现中文乱码加上 BOM 后兼容性更好。4.5 运行与验证准备一个 IP 列表文件data/input_ips.txt223.75.120.135 106.14.12.34 123.58.180.8 8.8.8.8 1.1.1.1执行命令python main.py --input data/input_ips.txt \ --output data/output_result.csv \ --json-output data/output_result.json \ --threads 10 \ --timeout 5预期输出如下[*] 开始查询 5 个 IP 的 PTR 记录 ... [*] CSV 结果已输出到: data/output_result.csv [*] JSON 结果已输出到: data/output_result.jsonCSV 内容示意ip,hostname,network_type,province,city,cloud_provider,service_keyword,confidence 223.75.120.135,223.75.120.135.broad.xx.gd.dynamic.163data.com.cn,宽带拨号,广东,,,0.35 106.14.12.34,106.14.12.34.mobile.ocs.tencent.com,,,腾讯云,,0.2 123.58.180.8,123.58.180.8.broad.zz.gd.dynamic.163data.com.cn,宽带拨号,广东,,,0.35 8.8.8.8,dns.google,,,,,0.2 1.1.1.1,one.one.one.one,,,,,0.2如果某些 PTR 主机名只匹配到极少的词典项比如dns.google、one.one.one.one工具的置信度会很低。这是正确行为说明它的规则库还不认识这类命名需要人工补充规则而不能强行给一个可能错误的高置信度结果。5. 常见问题与排查思路在使用 Ptrclassify 过程中很多人会遇到下面几个问题我整理成表格方便排查问题现象常见原因解决思路大量 IP 没有任何 PTR 记录IP 归属方未配置反向解析或本地 DNS 递归服务器限制查询频率换用公共 DNS 服务器控制查询 QPS接受部分 IP 无 PTR 的结果分类结果全是空词典文件路径不对或关键词命中率太低确认config/keywords.json能被正确加载打印 token 列表检查切分是否合理位置推断完全错误拼音缩写存在多义性例如sz被误判为深圳结合省字段消歧缩短匹配长度对低置信度结果标记“待确认”线程池查询速度太慢或超时严重DNS 服务器响应慢或单次查询超时设置太短增大timeout适当增加线程数配置本地 DNS 缓存CSV 中文乱码编码不是 UTF-8-SIG使用encodingutf-8-sig写文件云厂商识别命中错乱PTR 主机名里包含多个厂商关键词且匹配逻辑用了in把厂商关键词设计得更精确优先匹配整段 token 而不是任意子串PTR 主机名是动态变化的动态宽带用户的重拨可能导致 PTR 变化保存历史快照按 IP 段聚合统计而不是只依赖单次查询结果5.1 排查 PTR 查询超时如果批量查询过程中大量 IP 超时建议先单独测试一个 IPimport dns.resolver import dns.reversename reverse_name dns.reversename.from_address(8.8.8.8) print(reverse_name) answers dns.resolver.resolve(reverse_name, PTR, lifetime5) for answer in answers: print(str(answer.target).rstrip(.))如果单独查询成功说明是批量并发触发限流如果单独查询也超时说明本机配置的 DNS 递归服务器对 PTR 查询不友好可以切换 DNS 服务器。5.2 提高命中率的小技巧一个非常有效的技巧是在匹配之前先把主机名中的纯数字 token、顶级域 token 过滤掉。纯数字 token 没有分类价值com、cn、net反而会干扰匹配。过滤后分类器可以更专注于broad、gd、dynamic这类关键 token。另外对于broad.xx.gd这类多 TLD 结构有些运营商的缩写非常规比如xx可能是“新兴”“新乡”“忻州”单靠词典难以判断。这种情况下建议把匹配不到的未知 token 单独保留输出到“未识别 token”列后续人工批量修订。6. 最佳实践与工程建议6.1 规则库与代码分离不要把关键词直接写在代码里。规则库应该独立成 JSON、YAML 或数据库表方便业务人员维护。每次更新规则后可以加一个简单的回归验证脚本用历史样本检查分类准确性有没有下降。6.2 多级置信度设计工程落地时分类结果至少分成三级高置信度0.8 以上网络类型和地理位置都有明确命中可以直接入库使用。中置信度0.4 到 0.8部分字段命中需要人工抽检。低置信度0.4 以下几乎未命中规则建议打上unknown标签。这样做的原因是PTR 主机名的“自描述”不总是可信。比如某些企业会把内部服务器 PTR 设置成mail.prod.internal.company.com但实际对外开放的 25 端口可能并不存在又比如云厂商允许用户自定义 PTR用户可以写一个假的bank.example.com误导别人。所以低置信度结果直接参与安全决策会带来误报风险。6.3 结合 IP 段聚合提升准确性单独一个 IP 的 PTR 分类可能不准但如果一个 IP 段内大量 IP 的主机名都包含相同的地理关键词和网络类型关键词那这个 IP 段大概率属于同一个运营商或机房。工程上建议先按 IP 段聚合统计再输出段级标签。223.75.120.0/24 样本数: 200 network_type: 宽带拨号 (命中 180 次) province: 广东 (命中 175 次) 结论: 该 IP 段大概率是中国电信广东地区动态宽带用这种“段级结论”代替“单 IP 结论”可以大幅度降低误判率。6.4 日志、幂等与限速安全工具批量扫描时要特别注意合法授权和资源消耗。反向 DNS 查询虽然不涉及系统漏洞利用但仍然会占用 DNS 服务器的资源。建议在脚本里加入 QPS 限制例如每秒最多查询 50 次。记录每次批量任务的开始时间、结束时间、成功率和失败原因。对已经查询过的 IP 建立本地缓存避免重复查询。在生产环境中使用独立的内网 DNS 递归服务器避免影响线上业务。6.5 与资产测绘系统集成Ptrclassify 的价值在集成到完整链路后才会最大化。建议改造输出格式把结果直接写入资产表asset_id | ip | hostname | network_type | province | city | cloud_provider | confidence 10001 | 1.2.3.4 | ecs-1-2-3-4.compute.hwclouds-dns.com | 云主机 | 未知 | 未知 | 华为云 | 0.6这样后续的端口扫描、指纹识别、漏洞扫描就可以根据资产标签决定优先级先扫高置信度的数据中心和云主机再处理低置信度的动态宽带地址避免浪费扫描资源。7. 扩展方向与学习建议如果想深入做下去有几个方向可以继续研究。7.1 机器学习分类规则词典的局限是覆盖不全。可以收集一批已标注的 PTR 样本训练一个轻量级文本分类模型例如字符级 BiLSTM 或 FastText。但要注意PTR 主机名本身非常短特征稀疏机器学习模型的提升有限实务中往往是“规则为主、模型为辅”。7.2 主动与被动数据融合PTR 分类本质上是被动情报。如果想得到更准确的用途判断可以联动WHOIS 信息里的 NetName、OrgNameIP 归属库中的运营商信息证书透明日志里出现的域名端口扫描结果中的服务指纹PTR 只负责“第一层粗筛”后面的精准识别需要多源数据交叉验证。7.3 定时更新规则库网络设备命名一直在变运营商的地域缩写、云厂商的主机名格式也会调整。最佳实践是每周或每月从最新流量日志、DNS 日志里抽取未知 token人工或自动归类持续迭代关键词库。最后想提醒一点PTR 主机名是“线索”而不是“证据”。你可以用它来判断某个 IP 是机房出口还是家庭宽带但不要因为它叫db-backup就认定上面真的运行着数据库也不要因为某个 IP 的 PTR 是mail就直接对它发起邮件协议探测除非你已经获得了资产方的合法测试授权。安全分析的第一步是尽量准确、高效地盘清家底Ptrclassify 正是这样一个能帮你快速缩小范围的辅助工具。先把批量分类跑通再逐步完善自己的规则库这套思路在任何网络资产测绘场景里都值得复用。