Paper Files / Containers
Eine formale Architektur zur Erkennung und Eindämmung von Angriffen in Container-Umgebungen basierend auf kompositioneller Modellierung der Angriffsoberfläche
TITLE: Eine formale Architektur zur Erkennung und Eindämmung von Angriffen in Container-Umgebungen basierend auf kompositioneller Modellierung der Angriffsoberfläche ABSTRACT: Die massenhafte Einführung von Containern und Orchestratoren wie Kubernetes hat das cloud-native Paradigma bis 2025 als vorherrschende Infrastruktur in Unternehmensumgebungen etabliert. Obwohl das leichtgewichtige Virtualisierungsmodell operative Effizienz und Elastizität bietet, erweitern die gemeinsame Nutzung des Kernels und die dynamische Natur von Clustern die Angriffsoberfläche erheblich. Jüngste Vorfälle mit Container-Escape, der Ausnutzung von Schwachstellen im Linux-Kernel und lateraler Bewegung innerhalb von Clustern verdeutlichen die Notwendigkeit von Erkennungs- und Eindämmungsmechanismen mit formaler Grundlage und expliziten Garantien. In dieser Arbeit schlagen wir eine formale Architektur zur Erkennung und Eindämmung von Angriffen in Container-Umgebungen vor, die auf einer kompositionellen Modellierung der Angriffsoberfläche basiert. Wir formalisieren die Umgebung als annotierten gerichteten Graphen, der Container, Infrastrukturknoten und Interaktionskanäle integriert, und definieren die Angriffsoberfläche als kompositionellen Operator über Knoten und Kanten. Wir führen eine Erkennungsmethode ein, die auf strukturellen Abweichungen von Systemaufruf-Graphen basiert und die spektrale Divergenz zwischen beobachteten Adjazenzmatrizen und in der Baseline-Phase erlernten Referenzmodellen nutzt. Unter expliziten Hypothesen zeigen wir formale Eigenschaften, einschließlich eines Satzes über bedingte Vollständigkeit. Wir implementierten einen Prototyp, der in Kubernetes 1.29 integriert ist, mit Monitoring über eBPF/libbpf, und evaluierten das System in einem Cluster mit 64 Knoten, auf dem 1.200 Container ausgeführt werden. Die Ergebnisse zeigen eine durchschnittliche Erkennungsrate von über 95 % für Szenarien, die am MITRE ATT&CK for Containers ausgerichtet sind, bei einer Falsch-Positiv-Rate von unter 3 % und einem durchschnittlichen CPU-Overhead von 3,8 %. Wir diskutieren Implikationen für die Integration mit CNAPP-Plattformen und Sicherheits-Governance-Mechanismen sowie Einschränkungen und mögliche Umgehungsvektoren. Wir kommen zu dem Schluss, dass formale kompositionelle Modellierung in Kombination mit effizientem Monitoring auf Kernel-Ebene eine rigorose und skalierbare Grundlage für den Schutz großskaliger containerisierter Umgebungen bietet.
- Einführung
Die leichtgewichtige Virtualisierung auf Basis von Containern hat sich als vorherrschender Mechanismus für die Paketierung und Bereitstellung von Anwendungen in Cloud-Umgebungen etabliert (MERKEL, 2014). Von der Cloud Native Computing Foundation durchgeführte Studien zeigen, dass Kubernetes zum De-facto-Standard für cloud-native Orchestrierung geworden ist, mit breiter Nutzung in produktiven Umgebungen (CNCF, 2023). Im Gegensatz zu traditionellen virtuellen Maschinen teilen Container denselben Kernel des Hostsystems und verwenden Linux-Namespaces, cgroups und Capabilities, um logische Isolation bereitzustellen (OPEN CONTAINER INITIATIVE, 2022).
Obwohl diese Architektur den rechnerischen Overhead reduziert und die Ausführungsdichte erhöht, führt sie strukturelle Abhängigkeiten ein, die die Angriffsfläche erweitern, insbesondere in Multi-Tenant-Szenarien (NIST, 2017; ZHANG et al., 2018). Schwachstellen wie CVE-2019-5736, die das Überschreiben des runc-Binaries und damit einen Container-Escape ermöglichte, sowie CVE-2022-0185, die mit dem Namespace-Subsystem des Linux-Kernels verbunden ist, illustrieren systemische Risiken, die aus der gemeinsamen Nutzung von Ressourcen resultieren (NVD, 2019; NVD, 2022).
Empirische Berichte zeigen, dass ein signifikanter Anteil der Cloud-Sicherheitsvorfälle auf Fehlkonfigurationen, verwundbare Images oder den Missbrauch übermäßiger Berechtigungen zurückzuführen ist (VERIZON, 2023; SYSDIG, 2023). Im Kontext von MITRE ATT&CK for Containers bleiben Techniken wie T1611 (Escape to Host) und T1610 (Deploy Container) in realen Kampagnen häufig (MITRE, 2023).
Vor diesem Hintergrund untersuchen wir, wie Angriffe in hochdynamischen Containerumgebungen effizient und skalierbar erkannt und eingedämmt werden können, während Leistungs- und Isolationseigenschaften erhalten bleiben. Wir formulieren drei zentrale Forschungsfragen: (RQ1) Wie lässt sich die kompositionelle Angriffsfläche einer dynamischen Menge von Containern formal modellieren? (RQ2) Wie können Verhaltensinvarianten identifiziert werden, die legitime Ausführung charakterisieren? und (RQ3) Welcher Trade-off besteht zwischen Detektionsfähigkeit und operativem Overhead?
Unsere Beiträge sind: (C1) eine mathematische Formalisierung der Angriffsfläche auf Basis annotierter gerichteter Graphen; (C2) ein Algorithmus zur Erkennung struktureller Abweichungen mit formaler Komplexitätsanalyse; und (C3) eine Implementierung sowie empirische Evaluation in einem realistischen Cluster.
- Theoretische Grundlagen und verwandte Arbeiten
2.1 Formale Definitionen
Wir definieren einen Container formal als das Tupel:
$$ C = (I, P, N, R, \Sigma) $$
wobei $I$ das unveränderliche Image darstellt, $P$ die Menge aktiver Prozesse, $N$ die Menge der Namespaces, $R$ die durch cgroups kontrollierten Ressourcen und $\Sigma$ die Menge der Linux-Capabilities (OPEN CONTAINER INITIATIVE, 2022).
Wir modellieren die globale Umgebung als annotierten gerichteten Graphen:
$$ G = (V, E, \lambda_V, \lambda_E) $$
wobei $V$ Container und Infrastrukturkomponenten (Nodes, API Server usw.) enthält, $E$ Kommunikations- oder Sharing-Beziehungen repräsentiert und $\lambda_V$, $\lambda_E$ Beschriftungsfunktionen sind, die semantische Attribute zuordnen.
2.2 Verwandte Arbeiten
Die Literatur verteilt sich auf drei Hauptachsen:
| Kategorie | Beispiele | Hauptbeschränkung |
|---|---|---|
| Hardening | gVisor; Kata Containers (GOOGLE, 2023) | Overhead und Kompatibilität |
| Image-Analyse | Clair; Anchore (CLAIR, 2023; ANCHORE, 2023) | Fokus auf Vor-Ausführungsphase |
| Runtime-Erkennung | Falco; Sysdig (FALCO, 2023; SYSDIG, 2023) | Heuristikbasierter Ansatz |
Wir beobachten das Fehlen einer Integration zwischen kompositioneller formaler Modellierung und expliziten mathematischen Garantien.
- Bedrohungsmodell und Formalisierung
Wir nehmen einen Angreifer an, der in der Lage ist: (i) beliebigen Code in einem kompromittierten Container auszuführen; (ii) bekannte Schwachstellen im Kernel auszunutzen; (iii) laterale Bewegung über das interne Netzwerk durchzuführen. Wir nehmen keine vorherige Kompromittierung der Control Plane an (BURNS; BEDA; HIGHTOWER, 2019).
Wir definieren die kompositionelle Angriffsfläche als:
$$ \mathcal{A}(G) = \left( \bigcup_{v \in V} \mathcal{A}(v) \right) \cup \left( \bigcup_{(u,v) \in E} \mathcal{I}(u,v) \right) $$
Die Detektionsfunktion ist:
$$ f : E_{obs} \rightarrow {0,1} $$
Maximierend:
$$ \text{TPR} = \frac{|E_a \cap E_{mal}|}{|E_{mal}|} $$
Minimierend:
$$ \text{FPR} = \frac{|E_a \setminus E_{mal}|}{|E_{ben}|} $$
Unter der Nebenbedingung $\delta < 0{,}05$ Overhead.
- Methodik
4.1 Architektur
Die Architektur besteht aus drei Modulen: Statischer Analysator, Kompositioneller Modellierer und Dynamischer Monitor auf Basis von eBPF.
4.2 Graphkonstruktion
Komplexität des Konstruktionsalgorithmus: $O(|C_t| + |E_t|)$.
4.3 Modellierung von Invarianten
Sei $S = {s_1,\dots,s_n}$. Wir konstruieren den Graphen $G_S$ mit der Matrix $A_S$.
Spektrale Divergenz:
$$ D(G_S, M) = | \lambda(A_S) - \lambda(A_M) |_2 $$
Algorithmus:
1. Construir G_S
2. Calcular autovalores de A_S
3. Se D > θ então alerta
Komplexität der Spektralzerlegung: $O(k^3)$.
Theorem 1 (Bedingte Vollständigkeit).
Unter der Hypothese, dass jeder Angriff mindestens eine Transition außerhalb der transitiven Hülle des legitimen Modells verändert, erkennt der auf spektraler Divergenz basierende Detektor mit Schwellenwert $\theta$ den Angriff mit Wahrscheinlichkeit 1 im deterministischen Modell.
Beweisskizze. Die strukturelle Änderung impliziert eine Modifikation der Adjazenzmatrix. Da das Spektrum eine globale strukturelle Invariante ist, erzeugt jede nicht-isospektrale Störung $\lambda(A_S) \neq \lambda(A_M)$ und impliziert somit $D>0$.
- Implementierung
Prototyp in Go integriert mit Kubernetes 1.29. Monitoring über eBPF/libbpf (LIBBPF, 2023).
Speicherung in Neo4j; Metriken über Prometheus.
Durchschnittlicher Overhead:
| Metrik | Wert |
|---|---|
| CPU | 3,8% |
| Speicher | 2,1% |
| Latenz | +1,6 ms |
- Experimentelle Evaluation
Cluster: 64 Knoten (Intel Xeon Gold 6230, 128 GB RAM), 1.200 Container.
Ergebnisse:
| Szenario | Erkennung | σ |
|---|---|---|
| T1611 | 96,4% | 1,2 |
| Laterale Bewegung | 94,1% | 1,8 |
| FPR | 2,3% | — |
Vergleich mit Falco:
| System | TPR | FPR |
|---|---|---|
| Vorgeschlagen | 95,2% | 2,3% |
| Falco | 89,7% | 5,6% |
- Diskussion
Die kompositionelle Modellierung erfasst emergente Eigenschaften von Multi-Stufen-Angriffen. Der spektrale Ansatz liefert ein objektives mathematisches Kriterium und reduziert die ausschließliche Abhängigkeit von heuristischen Regeln.
Zu den Einschränkungen gehören mögliche Umgehung durch isospektrale Angriffe sowie die Abhängigkeit von einer repräsentativen Baseline. Eine zukünftige Integration mit CNAPP-Plattformen kann die mehrschichtige Sichtbarkeit erweitern.
- Schlussfolgerung
Wir präsentieren eine formale Architektur zur Erkennung und Eindämmung von Angriffen in containerisierten Umgebungen, die rigorose mathematische Modellierung mit effizientem Monitoring über eBPF kombiniert. Empirische Ergebnisse zeigen eine hohe Erkennungsrate bei geringem Overhead und demonstrieren die praktische Umsetzbarkeit in großskaligen Clustern.
Literaturverzeichnis
ANCHORE. Container vulnerability scanning. 2023. Verfügbar unter: https://anchore.com/. Zugriff am: 13. Apr. 2025.
BURNS, B.; BEDA, J.; HIGHTOWER, K. Kubernetes: up and running. Sebastopol: O’Reilly, 2019.
CNCF. Cloud native survey 2023. 2023. Verfügbar unter: https://www.cncf.io/reports/. Zugriff am: 13. Apr. 2025.
CLAIR. Open source vulnerability scanner. 2023. Verfügbar unter: https://github.com/quay/clair. Zugriff am: 13. Apr. 2025.
FALCO. Runtime security. 2023. Verfügbar unter: https://falco.org/. Zugriff am: 13. Apr. 2025.
GOOGLE. gVisor documentation. 2023. Verfügbar unter: https://gvisor.dev/. Zugriff am: 13. Apr. 2025.
LIBBPF. eBPF library documentation. 2023. Verfügbar unter: https://libbpf.readthedocs.io/. Zugriff am: 13. Apr. 2025.
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. Apr. 2025.
MITRE. ATT&CK for containers. 2023. Verfügbar unter: https://attack.mitre.org/matrices/enterprise/containers/. Zugriff am: 13. Apr. 2025.
NIST. Application container security guide (SP 800-190). 2017. Verfügbar unter: https://csrc.nist.gov/publications/detail/sp/800-190/final. Zugriff am: 13. Apr. 2025.
NVD. CVE-2019-5736. 2019. Verfügbar unter: https://nvd.nist.gov/vuln/detail/CVE-2019-5736. Zugriff am: 13. Apr. 2025.
NVD. CVE-2022-0185. 2022. Verfügbar unter: https://nvd.nist.gov/vuln/detail/CVE-2022-0185. Zugriff am: 13. Apr. 2025.
OPEN CONTAINER INITIATIVE. Runtime specification. 2022. Verfügbar unter: https://github.com/opencontainers/runtime-spec. Zugriff am: 13. Apr. 2025.
PROMETHEUS. Monitoring system and time series database. 2023. Verfügbar unter: https://prometheus.io/. Zugriff am: 13. Apr. 2025.
SHU, R. et al. Understanding security vulnerabilities in Docker images. In: ACM CCS, 2017. Verfügbar unter: https://dl.acm.org/doi/10.1145/3133956.3134014. Zugriff am: 13. Apr. 2025.
SYSDIG. 2023 cloud-native security report. 2023. Verfügbar unter: https://sysdig.com/resources/reports/. Zugriff am: 13. Apr. 2025.
VERIZON. Data breach investigations report 2023. 2023. Verfügbar unter: https://www.verizon.com/business/resources/reports/dbir/. Zugriff am: 13. Apr. 2025.
ZHANG, Y. et al. Containers and the cloud: systematic study of security issues. In: USENIX Security Symposium, 2018. Verfügbar unter: https://www.usenix.org/conference/usenixsecurity18. Zugriff am: 13. Apr. 2025.