在容器生态系统中，文件系统隔离通常由于跨边界路径错误解析而减弱，导致路径遍历（PaTra）漏洞。这些漏洞源于不安全的主机-容器交互，随着云系统将共享资源（如 GPU 和代理工作空间）挂载到容器中以支持 AI 工作负载，这一问题日益严重。现有防御措施仍显不足，内核级保护具有侵入性，可能导致系统调用不稳定，因此未被纳入 Linux 主线。现有检测方法依赖于静态规则匹配或手动代码审计，静态规则能够标记与路径相关的函数，但无法捕获确定主机-容器交互所需的语义，造成大量误报。手动审查需要领域专业知识，成本高、效率低且难以扩展。
为了解决这一威胁，我们提出了 Bulkhead，一个自动化框架，将大语言模型（LLMs）与形式方法结合，用于语义漏洞发现和修复。
Bulkhead 使用多代理系统，通过从已知案例中概括的多维知识模式来识别和修复 PaTra 漏洞。它首先应用高风险功能模式定位容器化代码中跨边界交互的入口点，然后使用调用链模式在适当深度恢复相应的执行路径。检测管道分析这些调用链与应用场景和威胁模型，识别诸如缺失安全检查和 TOCTOU 缺陷等漏洞，并生成概念验证（PoC）漏洞利用代码以进行验证。这些 PoC 然后指导补丁生成。为确保修复的正确性，补丁管道使用预定义的模型检查模板进行断言驱动验证。
博主点评： Bulkhead 框架通过结合 LLM 与形式化方法，开创性地解决了容器环境中的安全漏洞问题，尤其是在资源共享日益普遍的背景下，其自动化检测与修复能力将极大提升安全性和效率。更重要的是，该框架的设计思路为其他领域的安全性提升提供了借鉴。