01 · 扫描可行性的理论边界（RFC 7707）
1.1 从“不可行”到“有条件可行”
RFC 7707（2016年3月，Gont & Chown）的核心贡献是把“IPv6能不能扫”这一笼统问题转化为精确的可计算问题：给定目标前缀与一个地址生成机制的熵为n位，随机猜测命中一个活跃地址的期望尝试次数约为2^n；当n足够小（如低字节计数器仅16—32位熵），定向枚举在工程时间尺度内完成；当n≈64（均匀随机IID），期望尝试2^64次——对单/64前缀仍不现实。结论：IPv6全网扫描不可行，但单前缀定向扫描的可行性取决于IID的生成机制与熵。
1.2 RFC 7707的地址分类（可发现性谱系）
| 类别 | 典型形态 | 可发现性 |
|---|---|---|
| ① 嵌入IPv4地址 | IPv4映射、6to4、Teredo、ISATAP、NAT64 WKP | 极高——由IPv4侧情报直接推导 |
| ② 低字节模式地址 | ::1、::2、::53、顺序计数、IPv4尾号延续 | 极高——搜索空间仅2^16—2^32 |
| ③ EUI-64地址 | MAC派生IID | 高——由MAC可推导，可结合OUI缩小 |
| ④ DHCPv6地址 | 服务器顺序分配 | 中—高——取决于服务器分配策略 |
| ⑤ 稳定隐私地址 | RFC 7217散列生成 | 低——无密钥不可预测，但同一网络内稳定（可被动捕获后复用） |
| ⑥ 临时/随机地址 | RFC 4941/8981随机IID | 极低——主动枚举与长期跟踪均不可行 |
工程推论：测绘实践应把火力集中在类别①—④：基础设施与服务器地址几乎总是低熵的。学术研究反复观测到同一现象——Hitlist中的活跃地址高度集中于少量前缀与少量模式（Gasser等IMC 2018称之为集聚类现象），说明真实互联网的“可发现地址”远比地址空间规模稀少且结构化。
02 · 接口标识符熵分析
2.1 熵的度量方法
对每个地址字节（或位段）独立估计其分布熵H(X)=-Σp(x)·log2(p(x))：取值固定→熵0；计数器→低熵且有序；随机→接近8（每字节）。对同一/64前缀内的地址集合逐字节计算并可视化，即可绘制该网络的“地址结构剖面”——哪些字节是静态的（路由语义）、哪些是模式化的（可推测）、哪些是高熵的（不可推测）。Entropy/IP（Foremski等，ACM IMC 2016）将这一思路系统化：用贝叶斯网络对IID字节分段建模，学习条件依赖（如“第8字节为0时第9—12字节呈计数器”），再从少量种子地址外推同模式候选——该方法在多个公开数据集上展示了显著优于随机猜测的命中效率。
2.2 典型低熵模式清单
| 模式 | 特征 | 发现来源 |
|---|---|---|
| 顺序计数 | 低16—32位为递增整数（::1、::2、::3…） | 路由器、交换机、虚拟化宿主机、DHCPv6顺序池 |
| 服务端口嵌入 | IID低16位等于服务端口（::53、::443、::25） | DNS/邮件/Web服务节点的命名惯例 |
| IPv4尾号延续 | IID低32位等于该设备IPv4地址 | 双栈迁移期的编址惯例（如2001:db8::192.0.2.10） |
| MAC派生（EUI-64） | 第4—5组为FFFE | 老旧IoT设备、部分嵌入式系统 |
| 单词/编码嵌入 | IID可解码为ASCII（如::beef、::cafe） | 手工配置的 memorable 地址 |
| 单词+序号组合 | 前缀为固定词（如0:0:0:1）后接序号 | 云服务实例、容器编排网络 |
偏差警示：熵分析结论是“网络特定的”——不同组织的编址惯例差异巨大，不能用公开数据集的模型直接套用到目标网络；正确做法是“先小样本被动观测→本地建模→再定向探测”，并持续用新命中校准模型（6Gen/Entropy/IP均采用此闭环）。
03 · 定向枚举算法谱系
| 算法 | 发表 | 核心思想 | 适用场景 |
|---|---|---|---|
| 6Gen | Ullrich等，IEEE ARES 2015 | 从种子地址提取IID“区域”（region），在区域内变异低阶字节生成候选 | 低字节计数/模式网络的快速扩展 |
| Entropy/IP | Foremski等，IMC 2016 | 贝叶斯分段建模地址结构，学习模式后外推候选 | 模式复杂（条件依赖）的网络 |
| 6Tree | Liu等，Computer Networks 2019 | 空间树搜索：动态划分地址空间树，按响应反馈逐层细化活跃分支，并识别别名区（aliased regions）以避免无效探测 | 前缀级探索，带宽受限场景 |
| 6Scan | Beverly等，IMC 2018 | 用全局遥测（BGP/DNS/Traceroute）先验评估前缀价值，优先探测高活跃前缀 | 宏观测绘的任务调度 |
| 6VecLM | Murdock等，IMC 2017 | 把地址结构切分为“单词”训练语言模型，学习IID字符级分布后生成高命中候选 | 复杂模式网络，学术基准方法 |
| 6GAN | Cui等，IEEE INFOCOM 2021 | 生成对抗网络（GAN）＋强化学习，对多模式地址分布建模并生成候选 | 多模式混合网络 |
这些算法共享同一范式：种子→建模→候选生成→探测反馈→模型更新。差异在于“建模”手段（区域变异／概率图模型／树搜索／语言模型／生成模型／先验排序）与反馈利用方式。深度学习驱动的目标生成（如AddrMiner，USENIX ATC 2022；6Vision，2025）是近年的演进方向，其共同前提仍是高质量种子数据。工程选型时应以“单位带宽命中数”为核心指标，在小规模授权范围内先评估再扩展。
04 · 真实网络的分布观察与Hitlist偏差
4.1 已知结构性观察（学术共识）
- 极度集聚：公开Hitlist的活跃地址高度集中于少数前缀（Gasser等IMC 2018）；少数超大规模网络（内容分发、云）贡献了不成比例的地址量——直接体现为台账归并与别名消解问题；
- 响应面异构：不同探测协议的响应集合差异显著——ICMPv6 Echo常被限流或过滤，TCP 80/443对Web资产覆盖更好；单一协议探测必然低估活跃地址数（多协议交叉可部分修正）；
- 别名泛滥：anycast、负载均衡与CDN导致同一地址对应多个物理实例；TTL值、响应时延分布与多观测点对比是主要判别线索，但IPv6别名消解整体上比IPv4更不成熟（CAIDA的别名工具集以IPv4为主）。
4.2 Hitlist的三类偏差（Gasser等，IMC 2018）
| 偏差类型 | 成因 | 矫正思路 |
|---|---|---|
| 覆盖偏差 | 情报源偏向Web/CDN类地址，长尾网络缺席 | 主动探测补充；按RIR/BGP前缀分层抽样 |
| 时效偏差 | 临时地址消失、租约到期，列表快速过期 | 滚动更新；首见/末见时间戳与置信度分级 |
| 聚类偏差 | 同一基础设施被重复计为多个“资产” | 别名消解；/64聚合视图；ASN/域名三元组归并 |
05 · 枚举成本的定量刻画
设某前缀内活跃地址占IID空间比例d（密度），生成候选数N，单次探测报文大小s字节，带宽B，则理想扫描时间下限约为 t ≈ N×s×8/B。示例演算（仅为方法演示）：探测某/64的低16位空间（N=65,536个候选，ICMPv6 Echo请求78字节），在100 Mbps专用带宽下 t≈65,536×78×8/1e8≈0.41秒——对低熵网络的枚举成本已低到可忽略；而同样的带宽遍历2^64需约585年。可见成本差异完全由地址模式决定，而非协议或硬件。防御推论：只要存在一类低熵地址（哪怕只占资产的1%），全网络“被摸清”就只是时间问题——反测绘必须做到全地址低熵化（第7页）。
本节参考来源（第3页）
以下均为真实可查的权威来源，用于支撑本页事实性表述。
IETF RFC 7707《Network Reconnaissance in IPv6 Networks》（2016年3月，Gont & Chown，Informational）：rfc-editor.org/rfc/rfc7707。
Foremski P.、Plonka D.、Berger A.《Entropy/IP: Uncovering Structure in IPv6 Addresses》（ACM IMC 2016，pp. 167–181）：dl.acm.org。
Ullrich J.、Kieseberg P.、Krombholz K.、Weippl E.《On Reconnaissance with IPv6: A Pattern-based Scanning Approach》（IEEE ARES 2015，6Gen方法）；同作者的《On the State of IPv6 Blacklisting》（PAM 2015）与后续6Hit工具延续该方法。
Liu Z.、Xiong Y.、Xin L.等《6Tree: Efficient Dynamic Discovery of Active Addresses in the IPv6 Address Space》（Computer Networks, 2019）；作者开源实现：github.com/zhizhul/6tree。
Beverly R.、Durairajan R.、Plonka D.、Rohrer J. P.《In the IP of the Beholder: Strategies for Active IPv6 Topology Discovery》（ACM IMC 2018，6Scan）；Murdock A.、Li F.、Bramsen P.、Durumeric Z.、Paxson V.《Target Generation for Internet-wide IPv6 Scanning》（ACM IMC 2017，6VecLM）。
Gasser O.、Scheitle Q.、Foremski P.、Lone Q.、Korczyński M.、Strowes S. D.、Hendriks L.、Carle G.《Clusters in the Expanse: Understanding and Unbiasing IPv6 Hitlists》（ACM IMC 2018，pp. 364–378）；配套IPv6 Hitlist Service：ipv6hitlist.github.io。
Rye E.、Levin D.《IPv6 Hitlists at Scale: Be Careful What You Wish For》（ACM SIGCOMM 2023，pp. 904–916——构建了迄今最大的活跃IPv6地址列表，并系统讨论其伦理与安全影响）：arxiv.org/abs/2307.15057。