Landrun项目v0.1.4版本发布:精细化文件系统权限控制
Landrun是一个专注于Linux系统安全的开源项目,它通过Landlock这一Linux内核安全模块来实现细粒度的文件系统访问控制。Landlock允许开发者以编程方式定义应用程序的文件系统访问权限,从而构建更加安全的沙箱环境。在最新发布的v0.1.4版本中,项目团队对执行权限的控制机制进行了重大改进,使其更加灵活和精确。
执行权限控制的精细化改进
在之前的版本中,Landrun通过单一的--exec全局标志来控制所有路径的执行权限,这种方式虽然简单,但缺乏灵活性。v0.1.4版本彻底重构了这一机制,引入了更加精细化的控制方式。
新增路径级执行权限标志
新版本增加了两个重要的命令行标志:
--rox:允许对指定路径进行只读访问并具备执行权限--rwx:允许对指定路径进行读写访问并具备执行权限
这种设计使得开发者能够针对不同的路径设置不同的执行权限组合,例如:
- 对于系统库目录可以设置为只读+执行(
--rox) - 对于临时工作目录可以设置为读写+执行(
--rwx) - 对于普通数据目录则保持纯读写或只读
可执行路径的显式配置
除了命令行标志外,v0.1.4还新增了ExecutablePaths配置字段,允许在配置文件中显式定义哪些路径可以执行。这种双重控制机制(命令行+配置文件)为不同部署场景提供了灵活性。
// 示例配置
{
"ExecutablePaths": [
"/usr/lib/",
"/usr/local/bin/"
]
}
技术实现细节
权限检查的辅助函数
为了实现精细化的权限控制,项目新增了getExecutableRights()辅助函数。这个函数会根据路径是否在可执行路径列表中,返回适当的Landlock访问权限掩码。
func getExecutableRights(path string) access.FSSet {
if isExecutablePath(path) {
return access.FsExecute
}
return 0
}
路径匹配优化
为了避免为重叠的路径类别重复注册规则,项目引入了pathInSlice()实用函数。这个函数会检查给定的路径是否已经包含在任何已配置的路径前缀中,从而优化规则生成过程。
向后兼容性考虑
由于移除了全局的--exec标志,v0.1.4版本与之前版本的CLI接口不兼容。项目团队建议用户在升级时:
- 审查现有的执行权限需求
- 将原来的
--exec标志替换为适当的--rox或--rwx标志 - 考虑将常用可执行路径迁移到配置文件中的
ExecutablePaths部分
调试与日志增强
新版本还增强了调试日志功能,特别是在规则注册阶段。现在开发者可以更清晰地看到:
- 每个路径被分配的具体权限
- 规则生成的决策过程
- 潜在的路径冲突或重叠情况
这对于复杂权限模型的调试非常有帮助。
安全最佳实践建议
基于新版本的特性,我们建议以下安全实践:
- 最小权限原则:只为真正需要执行权限的路径启用
--rox或--rwx - 层级控制:优先使用配置文件定义系统级可执行路径,使用CLI标志定义应用级例外
- 审计日志:利用增强的调试日志定期审查权限分配
- 路径规范化:确保配置的路径使用规范化形式,避免因路径表示差异导致权限漏洞
总结
Landrun v0.1.4通过引入路径级的执行权限控制,显著提升了文件系统沙箱的灵活性和精确性。这种改进特别适合需要复杂权限模型的场景,如:
- 需要区分系统二进制文件和用户上传内容的Web服务
- 需要限制插件执行范围的应用程序
- 构建安全的CI/CD执行环境
项目团队通过这次更新,展现了他们对安全性和可用性平衡的深入思考,为Linux应用安全领域贡献了有价值的工具。
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