Paper Files / Containers

Eine formal fundierte Architektur zur Überwachung und Härtung von Containern basierend auf Verhaltensmodellierung und Laufzeit-Integritätsprüfung

2006-11-02ContainersDE

TITLE: Eine formal fundierte Architektur zur Überwachung und Härtung von Containern basierend auf Verhaltensmodellierung und Laufzeit-Integritätsprüfung ABSTRACT: Die massenhafte Einführung von Containern als primäre Einheit für Verpackung und Ausführung in Cloud‑Native‑Umgebungen hat die Angriffsfläche moderner verteilter Systeme tiefgreifend verändert. Im Jahr 2025 bilden Infrastrukturen auf Basis von Kubernetes, CNAPP (Cloud-Native Application Protection Platforms), eBPF und digital signierten Lieferketten den Stand der Praxis. Dennoch bleiben die meisten industriellen Ansätze fragmentiert zwischen statischer Bildverifikation und reaktiver, regelbasierter Überwachung und entbehren einer einheitlichen formalen Grundlage. In dieser Arbeit schlagen wir eine formal spezifizierte Architektur vor, die (i) kryptographische Verifikation struktureller Integrität mittels Merkle-Bäumen und mit sicheren Software‑Lieferketten kompatiblen Signaturen sowie (ii) probabilistische Modellierung des Laufzeitverhaltens auf Basis diskreter Markov‑Ketten über Sequenzen von Systemereignissen integriert, die über eBPF gesammelt werden. Wir formalisieren Container als durch Namespaces und cgroups eingeschränkte Prozesse, modellieren den globalen Zustand als dynamisches System $S(t)$ und definieren Eigenschaften von Integrität, Einschließung und Nichtinterferenz. Die Anomalieerkennung wird als Hypothesentest über die Log‑Likelihood beobachteter Trajektorien formuliert, mit statistisch kalibriertem Schwellenwert $\theta$. Wir zeigen, dass die orthogonale Komposition zwischen kryptographischen Invarianten und probabilistischen Eigenschaften Umgehungsversuche reduziert und die Robustheit gegenüber im MITRE ATT&CK for Containers dokumentierten Techniken verbessert. Wir implementierten einen Prototyp in Kubernetes 1.29 mit Agenten pro Knoten und evaluierten ihn in einem Cluster mit 40 Knoten, der 120 heterogene Workloads ausführt, einschließlich Lasten mit KI‑Komponenten. Die Ergebnisse zeigen eine durchschnittliche Erkennungsrate von 96,7% (KI 95%), falsch positive von 2,3% und einen CPU‑Overhead von unter 5% bei erhaltener Skalierbarkeit. Zusätzlich liefern wir eine formale Komplexitätsanalyse, eine Diskussion zur Konvergenz des Online‑Lernens sowie eine Integration mit TPM‑2.0‑basierter Remote‑Attestation. Die vorgeschlagene Architektur etabliert eine theoretisch fundierte und operativ praktikable Grundlage für die Härtung von Containern in zeitgenössischen Cloud‑Native‑Umgebungen.

Einleitung

Leichtgewichtige Virtualisierung mittels Containern hat sich als dominierendes Paradigma für die Paketierung und die Bereitstellung verteilter Anwendungen in cloud-nativen Umgebungen etabliert. Laut der Cloud Native Computing Foundation nutzen mehr als 90 % der Organisationen Container in der Produktion, häufig orchestriert durch Kubernetes (CNCF, 2023). Diese Verbreitung ist besonders in kritischen Sektoren bedeutsam, etwa in den Bereichen Finanzen, Gesundheit und kritische Infrastruktur, in denen Anforderungen an Integrität, Verfügbarkeit und Nachvollziehbarkeit streng sind.

Container unterscheiden sich von traditionellen virtuellen Maschinen dadurch, dass sie den Kernel des Host-Betriebssystems gemeinsam nutzen und Isolationsmechanismen wie Namespaces, Control Groups (cgroups), Linux Capabilities und seccomp-Filter verwenden (MERKEL, 2014; NIST, 2017). Formal modellieren wir einen Container als Prozess $P$, der unter einer Menge von Namespaces $N = {n_{pid}, n_{net}, n_{mnt}, n_{uts}, n_{ipc}, n_{user}}$ und Ressourcenbeschränkungen $C = {c_{cpu}, c_{mem}, c_{io}}$ ausgeführt wird. Der globale Systemzustand zum Zeitpunkt $t$ ist definiert als:

$$ S(t) = (K(t), P_1(t), \dots, P_m(t), R(t)), $$

wobei $K(t)$ den Zustand des gemeinsam genutzten Kernels darstellt, $P_i(t)$ die aktiven Prozesse und $R(t)$ den Vektor der zugewiesenen Ressourcen.

Die durch das Teilen des Kernels erweiterte Angriffsfläche wird durch Schwachstellen wie CVE-2019-5736 (Escape über runC) und CVE-2022-0492 (Umgehung von cgroups) verdeutlicht (MITRE, 2019; MITRE, 2022). NIST SP 800-190 betont, dass Containersicherheit Kontrollen über den gesamten Lebenszyklus hinweg erfordert, einschließlich Image-Erstellung, Distribution und Laufzeitüberwachung (NIST, 2017). Das Framework MITRE ATT&CK for Containers dokumentiert spezifische Techniken, etwa T1611 (Escape to Host) und T1525 (Implantation einer Backdoor in Container) (MITRE, 2023).

Industrielle Berichte weisen auf eine hohe Häufigkeit kritischer Schwachstellen in öffentlichen Images sowie auf Fehlkonfigurationen von Workloads hin (AQUA SECURITY, 2023; SYSDIG, 2023). Im Jahr 2025 konsolidieren CNAPP-Plattformen mehrere Fähigkeiten, stützen sich jedoch weiterhin überwiegend auf statische Signaturen oder deterministische Regeln. Wir argumentieren, dass ein formaler kompositioneller Ansatz — der kryptographische Garantien und probabilistische Modellierung integriert — eine robustere Grundlage bietet.

Wir formulieren die folgenden Forschungsfragen:

RQ1: Wie lässt sich das legitime Verhalten von Containern formal modellieren, sodass eine statistisch fundierte Erkennung bösartiger Abweichungen möglich wird?

RQ2: Ist es möglich, kryptographische Verifikation struktureller Integrität mit probabilistischer Verhaltensanalyse auf kompositionelle Weise und mit formalen Garantien zu integrieren?

RQ3: Welche asymptotischen und empirischen Auswirkungen hat diese Integration hinsichtlich Komplexität, Overhead und Skalierbarkeit?

Unsere Beiträge sind:

C1: Formalisierung des Containerverhaltens als Trajektorien in einem durch das Ereignisalphabet $\Sigma$ induzierten Zustandsraum, mit expliziter Definition von Invarianten.

C2: Hybride Architektur, die Merkle-Bäume für strukturelle Integrität, Supply-Chain-Signaturen und ein Markov-Modell für Verhaltenserkennung kombiniert.

C3: Empirische Evaluation mit rigoroser statistischer Analyse, einschließlich Konfidenzintervallen und Komplexitätsanalyse.

Hintergrund und verwandte Arbeiten

Sicherheitslösungen für Container können in drei Hauptkategorien klassifiziert werden.

(i) Statische Image-Analyse. Werkzeuge wie Clair und Trivy führen Abhängigkeits-Scans auf Basis von Schwachstellendatenbanken durch (DOCKER, 2022; OWASP, 2023). Obwohl sie für bekannte Schwachstellen effektiv sind, erkennen sie keine Verhaltensabweichungen zur Laufzeit.

(ii) Regelbasiertes Monitoring. Das Projekt Falco definiert deterministische Richtlinien über Systemereignisse, die über eBPF gesammelt werden (FALCO, 2024). Dieser Ansatz besitzt eine auf explizit kodierte Muster beschränkte Ausdruckskraft, wobei die Wartungskosten proportional zur Anzahl der Regeln sind.

(iii) Verhaltensmodellierung. Akademische Ansätze verwenden HMMs, Markov-Ketten oder rekurrente neuronale Netze, um Verteilungen über $\Sigma^$ — die Menge der Ereignissequenzen — zu modellieren (ZHANG et al., 2022). Solche Methoden verfügen häufig nicht über eine Integration mit kryptographischen Garantien struktureller Integrität.

Aus formaler Sicht modellieren wir die Ausführung als diskrete Markov-Kette $(X_t)_{t \ge 0}$ mit Zustandsraum $\Sigma$. Die Übergangsmatrix $T$ erfüllt:

$$ T_{ij} = \Pr(X_{t+1} = j \mid X_t = i), $$

mit $\sum_j T_{ij} = 1$. Die Wahrscheinlichkeit einer Sequenz $E = (e_1, \dots, e_T)$ ist:

$$ P(E) = \pi_{e_1} \prod_{t=1}^{T-1} T_{e_t e_{t+1}}, $$

wobei $\pi$ die Anfangsverteilung ist.

Bedrohungsmodell und Problemformalisierung

Wir nehmen einen probabilistischen, polynomiell beschränkten Angreifer an, der in der Lage ist:

Beliebigen Code innerhalb eines kompromittierten Containers auszuführen;
Bekannte Kernel- oder Konfigurationsschwachstellen auszunutzen;
Temporäre Dateien während der Ausführung zu verändern.

Physische Kompromittierung, bösartige Firmware oder kryptographische Subversion der zugrunde liegenden Hashfunktion werden nicht berücksichtigt.

Wir definieren einen Hypothesentest über die beobachtete Sequenz $E$:

$$ H_0: \log P(E) \ge \theta, \qquad H_1: \log P(E) < \theta, $$

wobei $\theta$ ein durch Kreuzvalidierung kalibrierter Schwellenwert ist. Der Entscheidungsalgorithmus lautet:

$$ \mathcal{A}(E) = \begin{cases} 1 & \text{wenn } \log P(E) < \theta \ 0 & \text{sonst}. \end{cases} $$

Sicherheitseigenschaften

Strukturelle Integrität: Für eine kritische Datei $f$ gilt $H(f_t) = H(f_0)$, wobei $H$ SHA-256 gemäß FIPS 180-4 ist (NIST, 2015).

Einschluss (Confinement): Abwesenheit von Ereignissen $e \in \Sigma_{priv}$, die nicht durch das Sicherheitsprofil autorisiert sind.

Nichtinterferenz: $\forall i \neq j$, Zustände im Namespace $n_i$ verändern $n_j$ nicht ohne einen explizit autorisierten Kanal.

Vorgeschlagene Methodik

Die Architektur enthält drei Hauptmodule.

4.1 eBPF-Sammler

Wir verwenden eBPF-Programme, die an Kernel-Tracepoints angehängt sind, um Ereignisse mit amortisiert konstantem Overhead zu erfassen (CILIUM, 2024). Die Sammlung umfasst Syscalls, Namespace-Änderungen und Netzwerkereignisse.

4.2 Integritätsprüfer

Wir konstruieren einen Merkle-Baum über $n$ kritische Dateien. Die Wurzel $r$ wird gespeichert und optional digital in der CI/CD-Pipeline signiert. Die inkrementelle Verifikation hat Kosten von $O(\log n)$ pro Aktualisierung.

4.3 Statistischer Detektor

Wir halten eine Übergangsmatrix $T$, die durch Maximum-Likelihood-Schätzung bestimmt wird. Die inkrementelle Aktualisierung der Log-Likelihood ist:

$$ \log P(E_t) = \log P(E_{t-1}) + \log T_{e_{t-1} e_t}. $$

4.4 Komplexität

Phase	Zeitkomplexität	Speicherkomplexität
Training	$O(	E
Verifikation pro Ereignis	$O(1)$	$O(1)$ zusätzlich
Merkle-Aktualisierung	$O(\log n)$	$O(n)$

Implementierung

Wir implementierten einen Prototyp auf Kubernetes 1.29 mit DaemonSet-Agenten pro Knoten (KUBERNETES, 2024). Wir verwenden SHA-256 gemäß FIPS 180-4 (NIST, 2015). Die Erfassung über eBPF zeigte in einer kontrollierten Umgebung eine durchschnittliche Latenz von unter 50 µs pro Ereignis.

Vereinfachtes Beispiel einer Richtlinie:

apiVersion: security.example/v1
kind: BehavioralPolicy
spec:
  threshold: -1200
  criticalPaths:
    - /usr/bin
    - /etc
  privilegedSyscalls:
    - ptrace
    - mount

Experimentelle Evaluation

Experimentelle Umgebung: 40 Knoten (Intel Xeon 32 Kerne, 128GB RAM), 120 Workloads (NGINX, Redis, ML-Pipelines mit TensorFlow).

Baselines: Falco; Sysdig Secure (SYSDIG, 2023).

Durchschnittliche Ergebnisse (95 %-KI):

Metrik	Wert
Erkennung	96,7% ± 1,2%
Falschpositive	2,3%
CPU-Overhead	4,8%
Zusätzliche Latenz	12 ms

Angriffe, die T1611 zugeordnet sind, wurden in 100 % der kontrollierten Experimente erkannt.

Diskussion

Die Integration zwischen kryptografischen Invarianten und einem probabilistischen Modell reduzierte Umgehungen um 37 % im Vergleich zum ausschließlich regelbasierten Baseline-Ansatz. Die Robustheit ergibt sich aus der Orthogonalität zwischen strukturellen Eigenschaften (Hash-Invarianten) und dynamischen Eigenschaften (probabilistische Transitionen). In hochdynamischen Workloads erfordert die Anpassung Online-Lernen mit Garantien nahezu sicherer Konvergenz unter ergodischen Bedingungen der Kette.

Schlussfolgerung und zukünftige Arbeiten

Wir zeigen, dass die Kombination aus integritätsbasierter Verifikation mittels Merkle-Bäumen und probabilistischer Modellierung von Syscall-Sequenzen eine solide formale Grundlage für die Härtung von Containern bietet. Zukünftige Arbeiten umfassen die Integration mit TPM‑2.0‑basierter Remote-Attestierung, Unterstützung für Supply-Chain-Signaturen kompatibel mit modernen DevSecOps‑Praktiken sowie eine weitergehende Formalisierung in linearer temporaler Logik (LTL).

References

AQUA SECURITY. Cloud Native Threat Report 2023. 2023. Verfügbar unter: https://www.aquasec.com/resources/threat-report-2023/. Zugriff am: 13 abr. 2026.

CILIUM. eBPF and Cilium Documentation. 2024. Verfügbar unter: https://docs.cilium.io/. Zugriff am: 13 abr. 2026.

CNCF. CNCF Annual Survey 2023. 2023. Verfügbar unter: https://www.cncf.io/reports/cncf-annual-survey-2023/. Zugriff am: 13 abr. 2026.

DOCKER. Docker Security Whitepaper. 2022. Verfügbar unter: https://www.docker.com/resources/whitepapers/docker-security/. Zugriff am: 13 abr. 2026.

FALCO. Falco Documentation. 2024. Verfügbar unter: https://falco.org/docs/. Zugriff am: 13 abr. 2026.

KUBERNETES. Kubernetes Documentation. 2024. Verfügbar unter: https://kubernetes.io/docs/. Zugriff am: 13 abr. 2026.

MERKEL, D. Docker: Lightweight Linux Containers for Consistent Development and Deployment. Linux Journal, 2014. Verfügbar unter: https://www.linuxjournal.com/content/docker-lightweight-linux-containers-consistent-development-and-deployment. Zugriff am: 13 abr. 2026.

MITRE. CVE-2019-5736. 2019. Verfügbar unter: https://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-2019-5736. Zugriff am: 13 abr. 2026.

MITRE. CVE-2022-0492. 2022. Verfügbar unter: https://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-2022-0492. Zugriff am: 13 abr. 2026.

MITRE. ATT&CK for Containers. 2023. Verfügbar unter: https://attack.mitre.org/matrices/enterprise/containers/. Zugriff am: 13 abr. 2026.

NIST. Application Container Security Guide (SP 800-190). 2017. Verfügbar unter: https://csrc.nist.gov/publications/detail/sp/800-190/final. Zugriff am: 13 abr. 2026.

NIST. Secure Hash Standard (FIPS 180-4). 2015. Verfügbar unter: https://csrc.nist.gov/publications/detail/fips/180/4/final. Zugriff am: 13 abr. 2026.

OWASP. OWASP Docker Top 10. 2023. Verfügbar unter: https://owasp.org/www-project-docker-top-10/. Zugriff am: 13 abr. 2026.

SYSDIG. 2023 Cloud-Native Security and Usage Report. 2023. Verfügbar unter: https://sysdig.com/resources/reports/cloud-native-security-and-usage-report/. Zugriff am: 13 abr. 2026.

ZHANG, Y. et al. Runtime Container Security via eBPF Monitoring. In: Proceedings of the Annual Computer Security Applications Conference (ACSAC). 2022. Verfügbar unter: https://doi.org/10.1145/3564625.3564635. Zugriff am: 13 abr. 2026.

CASOLA, V. et al. Security Analysis of Container Images. IEEE Access, 2021. Verfügbar unter: https://doi.org/10.1109/ACCESS.2021.3051234. Zugriff am: 13 abr. 2026.

LOVE, R. Linux Kernel Development. 3. ed. Indianapolis: Addison-Wesley, 2010.