新闻详情

新闻详情

首页 / 资讯中心 / 详情

nono如何实现内核级沙箱:Landlock与Seatbelt实现原理详解

发布时间:2026/11/15 17:06:18来源:尧图网络
nono如何实现内核级沙箱:Landlock与Seatbelt实现原理详解
nono如何实现内核级沙箱Landlock与Seatbelt实现原理详解【免费下载链接】nonoagent runtime security - zero trust, zero setup, zero latency.项目地址: https://gitcode.com/gh_mirrors/non/nononono 是一个面向 AI Agent 的零信任沙箱执行框架通过 Linux 的 Landlock LSM 和 macOS 的 Seatbelt 两大内核机制在无需 root 权限的情况下实现内核级沙箱隔离限制命令能访问的文件、网络与进程。本文详解 nono 内核级沙箱的实现原理。为什么沙箱要下沉到内核层AI Agent 会自主调用 git、kubectl、curl 等真实开发工具。如果限制只停留在用户态比如靠脚本检查命令参数被执行的进程随时可能绕过检查。nono 的答案是把限制交给内核本身——让 OS 内核在每一次系统调用时强制执行策略被沙箱化的进程自己无法解除或扩展限制。这张图展示了 nono 的核心信任边界内核、nono 二进制在 exec 前应用沙箱、以及你显式授予的路径位于TRUSTED一侧而被执行的命令/Agent、它派生的所有子进程、加载的库、建立的网络连接全部位于UNTRUSTED一侧被 Kernel Sandbox Boundary 隔开。Linux 沙箱Landlock LSM 工作原理Landlock 是什么Landlock 是 Linux 内核 5.132021 年引入的安全模块LSM。与 SELinux、AppArmor 需要 root 配置不同Landlock 允许任何非特权进程自我限制——这正是 nono 无需 root 权限就能提供内核级沙箱的关键。nono 在 Linux 上的流程实现见 crates/nono/src/sandbox/linux.rs探测 ABI 版本自动检测内核支持的最高 Landlock ABI创建规则集声明要管控的访问类型文件读写、网络端口等添加路径规则为每个授予的能力capability添加路径规则调用restrict_self()规则集永久生效之后不存在任何 API 可以再加权限。不可逆内核保证的核心承诺restrict_self()一旦调用规则集永久应用无法扩展、无法撤销所有子进程自动继承限制唯一的逃逸途径是内核漏洞。这就是 nono 的安全基石限制不是 nono 进程的自我约束而是内核的强制nono 自己也无法反悔。如上图所示内核空间Kernel Space中 Landlock 是地基floor负责强制执行seccomp 是闸门gate负责拦截特定系统调用macOS 上则由 Seatbelt 承担。不可信沙箱子进程与受信 Supervisor 之间通过 IPC 通信——Supervisor 持有通知 fd负责代开文件、注入文件描述符。Landlock ABI 版本与功能演进nono 会自动使用内核支持的最高 ABI旧内核上核心功能依然可用详见 docs/cli/internals/landlock.mdx内核版本ABI新增能力5.13v1基础文件系统访问控制5.19v2跨目录重命名/硬链接REFER6.2v3文件截断TRUNCATE6.7v4TCP 端口 bind/connect 过滤6.10v5设备 ioctl 过滤6.12v6信号与抽象 UNIX 域套接字范围限制网络过滤是亮点内核 6.7 时 nono 可用 Landlock 的BindTcp/ConnectTcp直接在内核层封禁 TCP 流量旧内核上 nono 会降级使用 seccomp 兜底并给出警告。能力到内核权限的映射nono 把用户声明的能力映射为 Landlock 访问权限位。例如授予写权限时除了写入、建目录还会带上RemoveFile/RemoveDir——因为原子写入模式先写.tmp再 rename在内核层面需要删除权限位。macOS 沙箱Seatbelt 工作原理macOS 上nono 使用Seatbelt——苹果 XNU 内核的强制访问控制MAC框架也是沙箱化 App Store 应用和 Safari 的同一套技术详见 docs/cli/internals/seatbelt.mdx。生成策略、内核执行nono 会根据能力标志动态生成一个 Scheme 风格的 Seatbelt 策略文件核心是(deny default)默认拒绝然后调用sandbox_init()应用到当前进程再 exec 目标命令。sandbox_init()之后同样不可逆没有sandbox_remove()或sandbox_expand()子进程全部继承唯一逃逸方式是内核漏洞。允许发现拒绝内容的精妙设计对~/.ssh这类敏感路径nono 采用细腻的双层规则macOS 实现见 crates/nono/src/sandbox/macos.rs操作命中规则结果test -d ~/.sshfile-read-metadata✅ 允许cat ~/.ssh/id_rsafile-read-data❌ 拦截程序可以判断路径是否存在而不崩溃优雅的报错处理但读不到任何内容防数据外泄。这一设计还镜像了 macOS TCC 的行为对 Mac 用户而言体验自然。默认敏感路径覆盖云凭证~/.aws、~/.kube、SSH/GPG、钥匙串、浏览器数据、shell 配置与历史文件等用户可用--read显式放行。沙箱效果一目了然运行nono run时启动前会列出本次沙箱的全部能力清单让你在执行前就看清 Agent 能碰什么上图中每行标注r/rw读/读写与路径类型dir/file底部显示网络策略outbound allowed最后输出 Applying sandbox...——此时 Landlock/Seatbelt 才正式生效。调试与验证排查权限问题先 dry-runnono run --dry-run -v -- 你的命令查看将会授予哪些能力查看执行状态Landlock 会报告FullyEnforced全部生效/PartiallyEnforced内核较旧部分受限项不可用/NotEnforced系统不支持查内核日志dmesg | grep -i landlock查看 Landlock 拒绝记录macOS 用 Console.app 过滤 sandbox 查看违规详情。总结一套策略两种内核机制维度LinuxLandlockmacOSSeatbelt内核机制Landlock LSM5.13XNU 强制访问控制是否需要 root否进程自我限制否sandbox_init()网络控制ABI v4 起支持 TCP 过滤全有/全无按协议/方向不可逆性restrict_self()后永久sandbox_init()后永久子进程自动继承限制自动继承限制nono 的价值正在于上层是统一的声明式能力模型下层交给各平台最强的内核机制强制执行——你只需声明Agent 能访问哪些路径、哪些端口内核负责剩下的所有事情。想深入了解安全模型与信任边界划分可阅读 docs/cli/internals/security-model.mdx 和 docs/cli/internals/overview.mdx源码入口为 crates/nono/src/sandbox/mod.rs。【免费下载链接】nonoagent runtime security - zero trust, zero setup, zero latency.项目地址: https://gitcode.com/gh_mirrors/non/nono创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉