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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C090
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00