OpenVELinux内核中的No New Privileges机制深度解析
什么是No New Privileges机制
No New Privileges(简称NNP)是Linux内核提供的一种安全机制,自Linux 3.5版本引入。它的核心作用是防止进程通过execve系统调用获得比父进程更高的权限。在传统Unix/Linux系统中,执行setuid/setgid程序或具有文件能力(file capabilities)的程序时,新启动的进程可以获得父进程所不具备的特权,这为系统安全带来了潜在风险。
为什么需要NNP机制
在没有NNP机制之前,内核和用户空间代码需要通过多种特殊处理来防止权限提升:
- 动态加载器对setuid程序会特殊处理LD_*环境变量
- 非特权进程被禁止使用chroot,防止替换/etc/passwd等关键文件
- exec代码对ptrace有特殊处理逻辑
这些处理都是针对特定场景的临时解决方案,缺乏统一的安全模型。NNP机制的引入为这类问题提供了一个通用、系统级的解决方案。
NNP的工作原理
NNP通过一个进程标志位(bit)来实现其功能:
- 任何任务都可以通过prctl系统调用设置NNP标志
- 一旦设置,该标志将通过fork、clone和execve继承
- 标志设置后无法取消
- 设置了NNP标志后,execve保证不会授予调用前不具备的权限
具体表现为:
- setuid和setgid位不再改变uid或gid
- 文件能力不会添加到允许的能力集中
- Linux安全模块(LSM)不会在execve后放松约束
如何使用NNP
在代码中设置NNP标志非常简单:
prctl(PR_SET_NO_NEW_PRIVS, 1, 0, 0, 0);
但需要注意:某些LSM可能在NNP模式下也不会在exec时加强约束。这意味着如果设置一个通用服务启动器在exec守护进程前设置NNP,可能会干扰基于LSM的沙箱功能。
NNP的限制
NNP机制并非万能,它有以下限制:
- 不涉及execve()的权限变更仍然可能发生
- 适当特权的任务仍可调用setuid(2)
- 仍可接收SCM_RIGHTS数据报
NNP的主要应用场景
目前NNP主要有两大应用场景:
1. seccomp模式2沙箱的过滤器
seccomp模式2安装的过滤器在execve后仍然有效,可以改变新执行程序的行为。非特权用户只有在设置了NNP标志后才能安装此类过滤器。
2. 减少非特权用户的攻击面
如果某个uid下的所有进程都设置了NNP标志,那么该uid将无法通过直接攻击setuid、setgid和使用文件能力的二进制文件来提升权限。攻击者必须先攻破没有设置NNP标志的某个目标。
NNP的未来发展潜力
未来,NNP可能使更多潜在危险的内核功能对非特权任务可用。原则上,当NNP设置时,unshare(2)和clone(2)的多个选项将是安全的。此外,NNP+chroot组合比单独使用chroot要安全得多。
实际应用建议
对于系统开发者和安全工程师,NNP机制提供了以下实用价值:
- 安全敏感服务:对于需要执行第三方代码的服务,设置NNP可以防止子进程通过execve获得更高权限
- 容器安全:在容器环境中使用NNP可以限制容器内进程的权限提升能力
- 沙箱设计:结合seccomp构建更安全的沙箱环境
总结
OpenVELinux内核中的No New Privileges机制为系统安全提供了一个基础而强大的工具。通过理解其工作原理和应用场景,开发者可以构建更加安全的应用程序和系统服务。虽然它不是万能的安全解决方案,但作为深度防御策略的一部分,NNP能有效减少系统的攻击面,特别是在防止权限提升攻击方面表现出色。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00