Android GKI内核5.15中的No New Privileges机制解析
2025-06-19 22:29:53作者:庞眉杨Will
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,它能够防止进程通过execve系统调用获得新的权限。在Android GKI内核5.15版本中,这一机制得到了良好的支持和应用。
为什么需要NNP机制
在传统Linux系统中,execve系统调用可能会赋予新启动的程序其父进程所没有的权限。典型的例子包括:
- setuid/setgid程序:普通用户执行这些程序时会临时获得root或其他用户权限
- 文件能力(file capabilities):可执行文件本身可以携带特殊权限
这些特性虽然有用,但也带来了安全隐患。恶意程序可能利用这些机制进行权限提升攻击。NNP机制就是为了解决这一问题而设计的。
NNP的工作原理
NNP通过一个进程标志位来实现,一旦设置,它将:
- 在fork、clone和execve时被子进程继承
- 设置后无法取消
- 确保execve不会授予任何额外的权限
具体来说,当NNP标志设置后:
- 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Linux安全模块(LSM)在NNP模式下可能也不会在exec时加强约束。这意味着如果一个通用的服务启动器设置了NNP再执行守护进程,可能会干扰基于LSM的沙箱机制。
NNP的典型应用场景
在Android GKI内核5.15中,NNP主要有两大用途:
-
Seccomp过滤器:Seccomp模式2的沙箱过滤器在execve后仍然有效,可以改变新执行程序的行为。只有设置了NNP的非特权用户才被允许安装此类过滤器。
-
减少攻击面:通过为特定uid的所有进程设置NNP,可以防止该uid通过攻击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的进程。
NNP的局限性
需要明确的是,NNP并不能防止所有类型的权限变更:
- 它只影响execve相关的权限变更
- 适当特权的任务仍然可以调用setuid(2)
- 进程仍然可以接收SCM_RIGHTS数据报
未来可能的扩展
在未来,NNP可能会解锁更多对非特权任务安全的内核特性:
- unshare(2)和clone(2)的某些选项在NNP设置后可能变得安全
- NNP+chroot组合比单独的chroot危险性小得多
实际应用建议
在Android开发中,特别是涉及安全敏感的操作时,建议:
- 在执行不可信代码前设置NNP标志
- 结合seccomp使用可以提供更强的安全保证
- 注意NNP与现有LSM策略的交互影响
通过合理使用NNP机制,可以显著增强Android系统的安全性,防止多种类型的权限提升攻击。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220