《AI Agent 技术原理与架构·运行时、协议与系统架构》4.1 进程、容器、微虚拟机

Agent 执行工具时有副作用,隔离强度决定副作用能伤及多大的范围。三档方案在共享内核与命名空间上取舍:进程无隔离、容器隔离可见性但共享内核、微虚拟机独立内核。实验给出三档的保证矩阵,并量化共享内核下内核漏洞的暴露概率:容器 32 租户 0.275,微虚拟机单租户 0.01。

以下系统调用面、租户数、启动耗时数字均为教学假设,不构成对任何真实系统、供应商或生产环境的承诺。surface=40/12、tenants=64/32/8 是讲解用的一组模型值,真实隔离方案的安全结论要以实测与官方威胁模型为准,但"共享内核放大漏洞暴露"这一条不变。

前几节讲的运行时保证(重放、补偿、调度)都是逻辑层的。这一节进入隔离:Agent 执行工具时有副作用,如果这些副作用能伤及宿主机和别的租户,逻辑保证再好也白搭。

隔离的强度分三档:进程、容器、微虚拟机。它们的差别集中在两个维度——是否共享内核、是否有命名空间。这一节给出三档的保证矩阵,并量化一个被低估的风险:共享内核下,一个内核漏洞的暴露概率随租户数爆炸。

三档隔离的差别

档位共享内核命名空间系统调用面启动每节点租户数
进程是否40~1ms64
容器是是40~10ms32
微虚拟机否否12~120ms8

进程是基线,几乎无隔离。 同一内核、无命名空间,进程之间靠内核自身的机制隔离。对一个执行任意工具的 Agent 来说,进程隔离等于没有隔离——工具能访问它权限内的一切。

容器是"进程可见性的隔离",不是"内核的隔离"。 容器加上了命名空间(文件系统、网络、PID 的可见性被隔离),但内核是共享的。好处是启动快、密度高;代价是共享内核:一个内核漏洞同时影响同内核上的全部租户。

微虚拟机是独立内核。 每个租户有独立的来宾内核,系统调用面从 40 缩到 12(不触达宿主内核的完整 API)。代价是启动慢(~120ms)、密度低(每节点 8 个)。

关键认知在于共享内核这个词。容器隔离了"看得见什么",没有隔离"内核坏了会怎样"。下面量化这个差别。

共享内核:漏洞暴露概率的爆炸

假设内核有漏洞的概率是 p。独立内核(微虚拟机)下,单个租户受影响就是 p。共享内核下呢?

如果 32 个租户共享一个内核,任一租户的恶意负载触发漏洞,32 个租户全受影响。租户数越多,受影响概率越接近 1:

方案内核租户数受影响概率(p=0.01)
容器共享321 − 0.99^32 ≈ 0.275
微虚拟机独立10.010

p=0.01 时,容器把暴露概率从 0.01 放大到 0.275——27 倍。这就是共享内核的代价:隔离的是可见性,不是故障域。

最小实验:三档保证矩阵与暴露概率

实验用三个 Tier 建模三档方案,跑出保证矩阵、暴露概率与系统调用面比例。

# file: agp_lab/isolation_tiers.py | write
# tier: 3
# verify: python3 -m unittest tests.test_isolation_tiers
"""进程、容器、微虚拟机:隔离保证与逃逸面。

三档隔离方案的差别在共享内核与命名空间:

- 进程:同一内核,无命名空间,逃逸面最大;
- 容器:共享内核 + 命名空间,进程可见性被隔离;
- 微虚拟机:独立内核,系统调用面最小。

共享内核意味着一个内核漏洞同时影响同内核上的全部租户。
本模块给出三档的保证矩阵,并对比"漏洞暴露概率"。
"""
from __future__ import annotations

from dataclasses import dataclass
from typing import Any


@dataclass(frozen=True)
class Tier:
    name: str
    shared_kernel: bool
    namespaces: bool
    syscall_surface: int  # 可触达的系统调用数量(教学假设)
    boot_ms: int
    tenants_per_node: int


TIERS: dict[str, Tier] = {
    "process": Tier(
        name="process",
        shared_kernel=True,
        namespaces=False,
        syscall_surface=40,
        boot_ms=1,
        tenants_per_node=64,
    ),
    "container": Tier(
        name="container",
        shared_kernel=True,
        namespaces=True,
        syscall_surface=40,
        boot_ms=10,
        tenants_per_node=32,
    ),
    "microvm": Tier(
        name="microvm",
        shared_kernel=False,
        namespaces=False,
        syscall_surface=12,
        boot_ms=120,
        tenants_per_node=8,
    ),
}


def exposure(shared: bool, tenants: int, kernel_bug_prob: float) -> float:
    """租户受内核漏洞影响的概率。

    共享内核:任一租户触发即全暴露,1 - (1-p)^tenants;
    独立内核:只影响单租户,p。
    """
    if shared:
        return 1.0 - (1.0 - kernel_bug_prob) ** tenants
    return kernel_bug_prob


def demo() -> dict[str, Any]:
    p = 0.01
    container = TIERS["container"]
    microvm = TIERS["microvm"]
    process = TIERS["process"]
    return {
        "tiers": {name: tier.__dict__ for name, tier in TIERS.items()},
        "container_exposure": exposure(True, container.tenants_per_node, p),
        "microvm_exposure": exposure(False, 1, p),
        "microvm_surface_ratio": microvm.syscall_surface / process.syscall_surface,
    }


if __name__ == "__main__":
    result = demo()
    for name, tier in result["tiers"].items():
        print(
            f"{name:<10} shared_kernel={tier['shared_kernel']} "
            f"namespaces={tier['namespaces']} surface={tier['syscall_surface']}"
        )
    print(f"container_exposure={result['container_exposure']:.4f}")
    print(f"microvm_exposure={result['microvm_exposure']:.4f}")
    print(f"microvm_surface_ratio={result['microvm_surface_ratio']:.2f}")

运行:

cd private/labs/agp-lab
python3 -m agp_lab.isolation_tiers

输出:

process    shared_kernel=True namespaces=False surface=40
container  shared_kernel=True namespaces=True surface=40
microvm    shared_kernel=False namespaces=False surface=12
container_exposure=0.2750
microvm_exposure=0.0100
microvm_surface_ratio=0.30

输出分两部分:

  1. 保证矩阵:三档的(shared_kernel, namespaces, surface)。注意 process 和 container 的 shared_kernel 都是 True——容器只是加了命名空间,内核还是共享的。microvm 的 shared_kernel=False 且 surface=12。
  2. 量化对比:container_exposure=0.2750 对 microvm_exposure=0.0100——共享内核把暴露概率放大了 27 倍;microvm_surface_ratio=0.30——微虚拟机把可触达的系统调用面压缩到进程的 30%。

两个值得点破的细节:

  • surface 不变,暴露还是不同。 process 和 container 的 surface 都是 40,但容器有命名空间,进程没有——所以"系统调用面"测的是可触达内核调用的数量,命名空间管的是可见性,两个维度都要看。
  • 暴露概率不是线性叠加。 1 − (1−p)^tenants 是指数增长。p 越大、租户越多,共享内核的劣势越显著。这个公式就是"为什么要为独立内核付启动慢、密度低的代价"的量化理由。

隔离档位的选择不是纯技术决定,它和成本模型直接挂钩。微虚拟机每节点 8 个租户、启动 120ms,对比进程每节点 64 个、启动 1ms,同样的一批任务用微虚拟机的资源开销可能是进程的好几倍。所以在方案评审里,隔离强度不是"越强越好",而是"够用且成本可接受"。

一个更具体的决策框架:先按任务风险分级,再为每个级别选最小够用的档位。

任务风险示例最小档位
只读、无副作用检索、问答进程
有工具但可控文件读写白名单容器
任意执行、高危代码执行、系统操作微虚拟机

风险分级要随任务演进重新评估。 一个今天只是读文件的任务,明天可能加了写权限,隔离档位就要跟着升级。把"档位"存成任务的显式配置,而不是靠部署时拍板,才能让升级成为例行操作而不是事故后的补救。

隔离档位还影响观测与排障的深度。进程隔离下,调试器可以直接 attach、日志即看即得;微虚拟机里要进入虚拟机抓现场,链路更长。一个务实的取舍:高风险任务上微虚拟机,但给它配套"可进入的观测通道"(虚拟机里跑日志代理、指标暴露),否则隔离挡住的不仅是攻击者,还有你自己的排障能力。

档位观测手段排障成本
进程attach、日志低
容器exec、容器日志中
微虚拟机串口、日志代理高

启动时长也要进 SLA 预算。 微虚拟机 120ms 的启动在一个环节里不算长,但在"每轮思考都重启一个隔离环境"的 Agent 场景里,会变成延迟的主要来源。隔离档位与复用策略(环境池化、镜像预热)要一起设计,否则隔离强度会直接吃掉响应时间。

隔离档位与数据面的耦合也要提前设计。 进程与容器可以共享宿主网络,微虚拟机通常要有自己的网络命名空间——跨档位的任务之间通信方式不同:进程间可以共享内存、微虚拟机间只能走网络。任务拓扑(谁和谁需要频繁通信)会影响档位选择:高频协作的任务放同一档位,跨档位通信要设计成消息而不是共享状态。

通信方式适用档位跨档位替代
共享内存进程消息队列
共享文件容器对象存储
网络 RPC微虚拟机消息队列/服务网格

隔离档位的合规视角也不可忽视。 有些数据(用户隐私、支付信息)的处理要求更强的隔离边界,这是合规要求而非性能决策——合规要求"哪个环境能接触哪些数据",直接映射到档位选择。档位评估要同时看技术风险与合规风险两本账。

风险来源评估档位影响
技术攻击攻击面、逃逸代价容器/微VM
合规要求数据分级、审计需求强制隔离
成本约束单位任务开销尽可能低档

档位选择还要考虑"迁移路径":任务今天用进程,明天要升档,切换的成本有多大?档位之间最好是同一套接口、同一套部署模板,升档只是改配置。如果档位切换等于重写任务,隔离策略就会僵化——档位是策略参数,不是任务属性。

架构判据

隔离强度是否合格,用五条判据检查:

判据合格的样子不合格的样子
故障域一个租户的内核故障不影响他人共享内核,一个漏洞打穿所有租户
可见性文件、网络、PID 被隔离租户互相可见
系统调用面最小化可触达调用完整暴露宿主内核 API
成本匹配隔离档位与任务风险匹配全部任务用最重或最轻档
威胁模型有明确的攻击假设以为容器等于内核隔离

判据第一条"故障域"是最容易被误会的:容器解决可见性,不解决故障域。 如果一个 Agent 工具的失败可能伤及宿主内核,可见性隔离不够,需要微虚拟机。判据第四条提醒档位要按风险配:读本地文件的工具和任意执行命令的工具,不该用同一档隔离。

小结

  • 三档隔离在共享内核与命名空间上取舍:进程无隔离、容器隔离可见性但共享内核、微虚拟机独立内核。
  • 共享内核是"可见性隔离"与"故障域隔离"的分水岭:容器只解决前者。
  • 暴露概率随租户数指数放大:p=0.01 时容器 0.275 对微虚拟机 0.010,差 27 倍。
  • 隔离档位要按任务风险匹配,不能用同一档应对所有工具。

阅读导航:上一节:3.3 长任务、定时任务与延迟任务 · 下一节:4.2 文件系统、网络与系统调用隔离 。

常见错误与边界

  1. 以为容器隔离了内核。 容器加了命名空间,内核仍是共享的;内核漏洞一个打穿全部租户。
  2. 只比较系统调用面。 process 和 container 的 surface 相同(40),但可见性不同;两个维度都要看。
  3. 给所有任务同一档隔离。 读本地文件与任意执行命令风险不同;档位要按任务风险配。
  4. 忽略暴露概率的指数增长。 租户数越多,共享内核劣势越显著;这个劣势会放大而非线性增长。
  5. 微虚拟机不是银弹。 启动慢、密度低;只有内核故障会伤及宿主的任务才值得这个代价。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图