Bubblewrap 开源项目教程
1. 项目介绍
Bubblewrap 是一个低级别的无特权沙箱工具,主要用于 Flatpak 和其他类似项目。它允许用户在不使用特权的情况下创建沙箱环境,从而限制应用程序对系统的访问。Bubblewrap 通过创建一个新的、完全空的挂载命名空间来工作,其中根目录位于一个对主机不可见的 tmpfs 上,并且在最后一个进程退出时会自动清理。
Bubblewrap 的主要目标是提供一个安全的沙箱环境,使得应用程序可以在受限的访问权限下运行,从而减少潜在的安全风险。它支持多种命名空间(如用户命名空间、IPC 命名空间、PID 命名空间、网络命名空间和 UTS 命名空间),并且可以通过 seccomp 过滤器进一步限制系统调用。
2. 项目快速启动
安装 Bubblewrap
Bubblewrap 可以在大多数 Linux 发行版的包仓库中找到,可以通过包管理器进行安装。例如,在 Ubuntu 上可以使用以下命令安装:
sudo apt-get install bubblewrap
如果你需要从源代码构建 Bubblewrap,可以使用以下步骤:
# 克隆项目仓库
git clone https://github.com/containers/bubblewrap.git
cd bubblewrap
# 使用 meson 构建
meson _builddir
meson compile -C _builddir
meson test -C _builddir
meson install -C _builddir
快速启动示例
以下是一个简单的示例,展示如何使用 Bubblewrap 创建一个沙箱环境,并在其中运行一个新的 shell:
bwrap \
--ro-bind /usr /usr \
--symlink usr/lib64 /lib64 \
--proc /proc \
--dev /dev \
--unshare-pid \
--new-session \
bash
在这个示例中,我们创建了一个新的沙箱环境,并将主机的 /usr 目录以只读方式挂载到沙箱中。我们还创建了一个符号链接 /lib64 指向 /usr/lib64,并挂载了 /proc 和 /dev 目录。最后,我们使用 --unshare-pid 和 --new-session 选项来隔离进程和会话,并在沙箱中启动一个新的 bash shell。
3. 应用案例和最佳实践
应用案例
-
Flatpak: Flatpak 是一个用于构建、分发和运行 Linux 应用程序的工具。它使用 Bubblewrap 来创建沙箱环境,确保应用程序在受限的权限下运行,从而提高系统的安全性。
-
Kubernetes/OpenShift: 在 Kubernetes 或 OpenShift 集群中,Bubblewrap 可以用于允许无特权用户使用容器功能,从而简化交互式调试场景。
-
Web 浏览器沙箱: 一些现代 Web 浏览器使用 Bubblewrap 来创建沙箱环境,限制浏览器进程对系统的访问,从而提高浏览器的安全性。
最佳实践
-
限制系统调用: 使用 seccomp 过滤器限制沙箱中的系统调用,以减少潜在的安全风险。
-
只读挂载: 将敏感目录(如
/usr和/etc)以只读方式挂载到沙箱中,防止沙箱内的进程修改这些目录。 -
使用
--new-session: 在创建沙箱时使用--new-session选项,以防止沙箱内的进程通过 TIOCSTI 命令执行外部命令。
4. 典型生态项目
-
Flatpak: 一个用于构建、分发和运行 Linux 应用程序的工具,广泛使用 Bubblewrap 来创建沙箱环境。
-
rpm-ostree: 一个用于管理操作系统更新的工具,使用 Bubblewrap 来创建无特权的沙箱环境。
-
unprivileged bwrap-oci: 一个用于创建无特权 OCI 容器的工具,使用 Bubblewrap 来隔离容器进程。
通过这些生态项目,Bubblewrap 在 Linux 系统中得到了广泛的应用,为用户提供了安全、可靠的沙箱环境。
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。C092
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