以下系统调用面、租户数、启动耗时数字均为教学假设,不构成对任何真实系统、供应商或生产环境的承诺。surface=40/12、tenants=64/32/8 是讲解用的一组模型值,真实隔离方案的安全结论要以实测与官方威胁模型为准,但"共享内核放大漏洞暴露"这一条不变。
前几节讲的运行时保证(重放、补偿、调度)都是逻辑层的。这一节进入隔离:Agent 执行工具时有副作用,如果这些副作用能伤及宿主机和别的租户,逻辑保证再好也白搭。
隔离的强度分三档:进程、容器、微虚拟机。它们的差别集中在两个维度——是否共享内核、是否有命名空间。这一节给出三档的保证矩阵,并量化一个被低估的风险:共享内核下,一个内核漏洞的暴露概率随租户数爆炸。
三档隔离的差别
| 档位 | 共享内核 | 命名空间 | 系统调用面 | 启动 | 每节点租户数 |
|---|---|---|---|---|---|
| 进程 | 是 | 否 | 40 | ~1ms | 64 |
| 容器 | 是 | 是 | 40 | ~10ms | 32 |
| 微虚拟机 | 否 | 否 | 12 | ~120ms | 8 |
进程是基线,几乎无隔离。 同一内核、无命名空间,进程之间靠内核自身的机制隔离。对一个执行任意工具的 Agent 来说,进程隔离等于没有隔离——工具能访问它权限内的一切。
容器是"进程可见性的隔离",不是"内核的隔离"。 容器加上了命名空间(文件系统、网络、PID 的可见性被隔离),但内核是共享的。好处是启动快、密度高;代价是共享内核:一个内核漏洞同时影响同内核上的全部租户。
微虚拟机是独立内核。 每个租户有独立的来宾内核,系统调用面从 40 缩到 12(不触达宿主内核的完整 API)。代价是启动慢(~120ms)、密度低(每节点 8 个)。
关键认知在于共享内核这个词。容器隔离了"看得见什么",没有隔离"内核坏了会怎样"。下面量化这个差别。
共享内核:漏洞暴露概率的爆炸
假设内核有漏洞的概率是 p。独立内核(微虚拟机)下,单个租户受影响就是 p。共享内核下呢?
如果 32 个租户共享一个内核,任一租户的恶意负载触发漏洞,32 个租户全受影响。租户数越多,受影响概率越接近 1:
| 方案 | 内核 | 租户数 | 受影响概率(p=0.01) |
|---|---|---|---|
| 容器 | 共享 | 32 | 1 − 0.99^32 ≈ 0.275 |
| 微虚拟机 | 独立 | 1 | 0.010 |
p=0.01 时,容器把暴露概率从 0.01 放大到 0.275——27 倍。这就是共享内核的代价:隔离的是可见性,不是故障域。
最小实验:三档保证矩阵与暴露概率
实验用三个 Tier 建模三档方案,跑出保证矩阵、暴露概率与系统调用面比例。
# file: agp_lab/isolation_tiers.py | write
# tier: 3
# verify: python3 -m unittest tests.test_isolation_tiers
"""进程、容器、微虚拟机:隔离保证与逃逸面。
三档隔离方案的差别在共享内核与命名空间:
- 进程:同一内核,无命名空间,逃逸面最大;
- 容器:共享内核 + 命名空间,进程可见性被隔离;
- 微虚拟机:独立内核,系统调用面最小。
共享内核意味着一个内核漏洞同时影响同内核上的全部租户。
本模块给出三档的保证矩阵,并对比"漏洞暴露概率"。
"""
from __future__ import annotations
from dataclasses import dataclass
from typing import Any
@dataclass(frozen=True)
class Tier:
name: str
shared_kernel: bool
namespaces: bool
syscall_surface: int # 可触达的系统调用数量(教学假设)
boot_ms: int
tenants_per_node: int
TIERS: dict[str, Tier] = {
"process": Tier(
name="process",
shared_kernel=True,
namespaces=False,
syscall_surface=40,
boot_ms=1,
tenants_per_node=64,
),
"container": Tier(
name="container",
shared_kernel=True,
namespaces=True,
syscall_surface=40,
boot_ms=10,
tenants_per_node=32,
),
"microvm": Tier(
name="microvm",
shared_kernel=False,
namespaces=False,
syscall_surface=12,
boot_ms=120,
tenants_per_node=8,
),
}
def exposure(shared: bool, tenants: int, kernel_bug_prob: float) -> float:
"""租户受内核漏洞影响的概率。
共享内核:任一租户触发即全暴露,1 - (1-p)^tenants;
独立内核:只影响单租户,p。
"""
if shared:
return 1.0 - (1.0 - kernel_bug_prob) ** tenants
return kernel_bug_prob
def demo() -> dict[str, Any]:
p = 0.01
container = TIERS["container"]
microvm = TIERS["microvm"]
process = TIERS["process"]
return {
"tiers": {name: tier.__dict__ for name, tier in TIERS.items()},
"container_exposure": exposure(True, container.tenants_per_node, p),
"microvm_exposure": exposure(False, 1, p),
"microvm_surface_ratio": microvm.syscall_surface / process.syscall_surface,
}
if __name__ == "__main__":
result = demo()
for name, tier in result["tiers"].items():
print(
f"{name:<10} shared_kernel={tier['shared_kernel']} "
f"namespaces={tier['namespaces']} surface={tier['syscall_surface']}"
)
print(f"container_exposure={result['container_exposure']:.4f}")
print(f"microvm_exposure={result['microvm_exposure']:.4f}")
print(f"microvm_surface_ratio={result['microvm_surface_ratio']:.2f}")
运行:
cd private/labs/agp-lab
python3 -m agp_lab.isolation_tiers
输出:
process shared_kernel=True namespaces=False surface=40
container shared_kernel=True namespaces=True surface=40
microvm shared_kernel=False namespaces=False surface=12
container_exposure=0.2750
microvm_exposure=0.0100
microvm_surface_ratio=0.30
输出分两部分:
- 保证矩阵:三档的(shared_kernel, namespaces, surface)。注意 process 和 container 的 shared_kernel 都是 True——容器只是加了命名空间,内核还是共享的。microvm 的 shared_kernel=False 且 surface=12。
- 量化对比:container_exposure=0.2750 对 microvm_exposure=0.0100——共享内核把暴露概率放大了 27 倍;microvm_surface_ratio=0.30——微虚拟机把可触达的系统调用面压缩到进程的 30%。
两个值得点破的细节:
- surface 不变,暴露还是不同。 process 和 container 的 surface 都是 40,但容器有命名空间,进程没有——所以"系统调用面"测的是可触达内核调用的数量,命名空间管的是可见性,两个维度都要看。
- 暴露概率不是线性叠加。
1 − (1−p)^tenants是指数增长。p 越大、租户越多,共享内核的劣势越显著。这个公式就是"为什么要为独立内核付启动慢、密度低的代价"的量化理由。
隔离档位的选择不是纯技术决定,它和成本模型直接挂钩。微虚拟机每节点 8 个租户、启动 120ms,对比进程每节点 64 个、启动 1ms,同样的一批任务用微虚拟机的资源开销可能是进程的好几倍。所以在方案评审里,隔离强度不是"越强越好",而是"够用且成本可接受"。
一个更具体的决策框架:先按任务风险分级,再为每个级别选最小够用的档位。
| 任务风险 | 示例 | 最小档位 |
|---|---|---|
| 只读、无副作用 | 检索、问答 | 进程 |
| 有工具但可控 | 文件读写白名单 | 容器 |
| 任意执行、高危 | 代码执行、系统操作 | 微虚拟机 |
风险分级要随任务演进重新评估。 一个今天只是读文件的任务,明天可能加了写权限,隔离档位就要跟着升级。把"档位"存成任务的显式配置,而不是靠部署时拍板,才能让升级成为例行操作而不是事故后的补救。
隔离档位还影响观测与排障的深度。进程隔离下,调试器可以直接 attach、日志即看即得;微虚拟机里要进入虚拟机抓现场,链路更长。一个务实的取舍:高风险任务上微虚拟机,但给它配套"可进入的观测通道"(虚拟机里跑日志代理、指标暴露),否则隔离挡住的不仅是攻击者,还有你自己的排障能力。
| 档位 | 观测手段 | 排障成本 |
|---|---|---|
| 进程 | attach、日志 | 低 |
| 容器 | exec、容器日志 | 中 |
| 微虚拟机 | 串口、日志代理 | 高 |
启动时长也要进 SLA 预算。 微虚拟机 120ms 的启动在一个环节里不算长,但在"每轮思考都重启一个隔离环境"的 Agent 场景里,会变成延迟的主要来源。隔离档位与复用策略(环境池化、镜像预热)要一起设计,否则隔离强度会直接吃掉响应时间。
隔离档位与数据面的耦合也要提前设计。 进程与容器可以共享宿主网络,微虚拟机通常要有自己的网络命名空间——跨档位的任务之间通信方式不同:进程间可以共享内存、微虚拟机间只能走网络。任务拓扑(谁和谁需要频繁通信)会影响档位选择:高频协作的任务放同一档位,跨档位通信要设计成消息而不是共享状态。
| 通信方式 | 适用档位 | 跨档位替代 |
|---|---|---|
| 共享内存 | 进程 | 消息队列 |
| 共享文件 | 容器 | 对象存储 |
| 网络 RPC | 微虚拟机 | 消息队列/服务网格 |
隔离档位的合规视角也不可忽视。 有些数据(用户隐私、支付信息)的处理要求更强的隔离边界,这是合规要求而非性能决策——合规要求"哪个环境能接触哪些数据",直接映射到档位选择。档位评估要同时看技术风险与合规风险两本账。
| 风险来源 | 评估 | 档位影响 |
|---|---|---|
| 技术攻击 | 攻击面、逃逸代价 | 容器/微VM |
| 合规要求 | 数据分级、审计需求 | 强制隔离 |
| 成本约束 | 单位任务开销 | 尽可能低档 |
档位选择还要考虑"迁移路径":任务今天用进程,明天要升档,切换的成本有多大?档位之间最好是同一套接口、同一套部署模板,升档只是改配置。如果档位切换等于重写任务,隔离策略就会僵化——档位是策略参数,不是任务属性。
架构判据
隔离强度是否合格,用五条判据检查:
| 判据 | 合格的样子 | 不合格的样子 |
|---|---|---|
| 故障域 | 一个租户的内核故障不影响他人 | 共享内核,一个漏洞打穿所有租户 |
| 可见性 | 文件、网络、PID 被隔离 | 租户互相可见 |
| 系统调用面 | 最小化可触达调用 | 完整暴露宿主内核 API |
| 成本匹配 | 隔离档位与任务风险匹配 | 全部任务用最重或最轻档 |
| 威胁模型 | 有明确的攻击假设 | 以为容器等于内核隔离 |
判据第一条"故障域"是最容易被误会的:容器解决可见性,不解决故障域。 如果一个 Agent 工具的失败可能伤及宿主内核,可见性隔离不够,需要微虚拟机。判据第四条提醒档位要按风险配:读本地文件的工具和任意执行命令的工具,不该用同一档隔离。
小结
- 三档隔离在共享内核与命名空间上取舍:进程无隔离、容器隔离可见性但共享内核、微虚拟机独立内核。
- 共享内核是"可见性隔离"与"故障域隔离"的分水岭:容器只解决前者。
- 暴露概率随租户数指数放大:p=0.01 时容器 0.275 对微虚拟机 0.010,差 27 倍。
- 隔离档位要按任务风险匹配,不能用同一档应对所有工具。
阅读导航:上一节:3.3 长任务、定时任务与延迟任务 · 下一节:4.2 文件系统、网络与系统调用隔离 。
常见错误与边界
- 以为容器隔离了内核。 容器加了命名空间,内核仍是共享的;内核漏洞一个打穿全部租户。
- 只比较系统调用面。 process 和 container 的 surface 相同(40),但可见性不同;两个维度都要看。
- 给所有任务同一档隔离。 读本地文件与任意执行命令风险不同;档位要按任务风险配。
- 忽略暴露概率的指数增长。 租户数越多,共享内核劣势越显著;这个劣势会放大而非线性增长。
- 微虚拟机不是银弹。 启动慢、密度低;只有内核故障会伤及宿主的任务才值得这个代价。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。