Piaskownice i izolacja
Na tej stronie
Dlaczego izolować agentów AI?
Agent AI, który wykonuje kod lub wywołuje narzędzia, fundamentalnie różni się od prostego chatbota. Skompromitowany chatbot generuje co najwyżej zawstydzającą odpowiedź; skompromitowany agent działa – może uruchamiać polecenia systemowe, odczytywać wrażliwe pliki lub komunikować się z usługami zewnętrznymi. Wszystkie dotychczas omówione mechanizmy obronne miały na celu zapobieganie kompromitacji. Piaskownica zmienia podejście: zakłada, że do kompromitacji w końcu dojdzie, i skupia się na ograniczeniu tego, co atakujący może zrobić po dostaniu się do środka. To fundamentalna zmiana, dlatego piaskownica nie zastępuje żadnej z poprzednich warstw.
Poziom 1: Ograniczenie dostępu do zasobów
Pierwszy poziom stosuje zasadę najmniejszych uprawnień do plików i poleceń. Kluczowym aspektem technicznym jest użycie resolve() przed porównaniem: bez niego ścieżka taka jak /data/app/uploads/../../etc/passwd zaczyna się od dozwolonego katalogu i przeszłaby naiwną kontrolę prefiksu. Rozwiązanie rzeczywistej ścieżki udaremnia ten atak typu traversal, który pozostaje jednym z najczęstszych przeciwko agentom manipulującym plikami.
import os
from pathlib import Path
class SandboxPermissions:
"""Controls access permissions to resources."""
def __init__(self, allowed_folder: str, allowed_commands: list[str]):
self.allowed_folder = Path(allowed_folder).resolve()
self.allowed_commands = set(allowed_commands)
def verify_path(self, path: str) -> bool:
"""Verifies that a path is within the allowed folder."""
resolved_path = Path(path).resolve()
try:
resolved_path.relative_to(self.allowed_folder)
return True
except ValueError:
return False
def verify_command(self, command: str) -> bool:
"""Verifies that a command is in the allowlist."""
cmd_base = command.split()[0] if command else ""
return cmd_base in self.allowed_commands
def read_file(self, path: str) -> str:
"""Secure reading with path verification."""
if not self.verify_path(path):
raise PermissionError(
f"Access denied: {path} is outside the allowed folder"
)
return Path(path).read_text()
# Usage
sandbox = SandboxPermissions(
allowed_folder="/data/app/uploads",
allowed_commands=["ls", "cat", "wc"],
)
# OK: file in allowed folder
try:
content = sandbox.read_file("/data/app/uploads/report.txt")
except PermissionError as e:
print(f"Blocked: {e}")
# Blocked: path traversal attempt
try:
content = sandbox.read_file("/data/app/uploads/../../etc/passwd")
except PermissionError as e:
print(f"Blocked: {e}")
Polecenia podlegają tej samej logice, stosując białą listę zamiast czarnej. Asymetria jest decydująca: czarna lista zmusza cię do wyobrażenia sobie każdego niebezpiecznego polecenia – ćwiczenia, które przegrasz – podczas gdy biała lista wymaga jedynie wymienienia tego, czego agent faktycznie potrzebuje, często są to zaledwie trzy lub cztery polecenia.
Poziom 2: Kontrola ruchu wychodzącego
Izolacja sieciowa adresuje scenariusz eksfiltracji omawiany wcześniej. Dopóki agent może wysłać żądanie HTTP do dowolnej domeny, wszelkie dane, których dotknie, mogą opuścić twoją strefę, a ruch wychodzący będzie wyglądał jak zwykły ruch aplikacji. Ograniczenie miejsc docelowych do wyraźnej listy zamienia próbę eksfiltracji w zarejestrowany wyjątek.
import subprocess
class NetworkSandbox:
"""Controls the agent's network communications."""
def __init__(self, allowed_domains: list[str]):
self.allowed_domains = set(allowed_domains)
def is_allowed_request(self, url: str) -> bool:
"""Verifies that a URL is in the allowlist."""
from urllib.parse import urlparse
domain = urlparse(url).hostname
return domain in self.allowed_domains
def secure_fetch(self, url: str) -> str:
"""HTTP request with domain verification."""
if not self.is_allowed_request(url):
raise PermissionError(f"Domain not allowed: {url}")
import urllib.request
with urllib.request.urlopen(url, timeout=10) as resp:
return resp.read().decode()
sandbox_net = NetworkSandbox(
allowed_domains=["api.openai.com", "api.anthropic.com"]
)
# OK
try:
sandbox_net.secure_fetch("https://api.openai.com/v1/models")
except PermissionError as e:
print(e)
# Blocked: exfiltration to an external domain
try:
sandbox_net.secure_fetch("https://attacker.com/collect")
except PermissionError as e:
print(f"Blocked: {e}")
Poziom 3: Wykonywanie kodu bez powierzania mu maszyny
Uruchamianie kodu napisanego przez model to najbardziej delikatny przypadek. Poniższa implementacja łączy trzy zabezpieczenia: sprawdzanie importów przed wykonaniem, limity pamięci i czasu CPU ustawione wewnątrz samego skryptu oraz środowisko zredukowane do absolutnego minimum przy uruchamianiu podprocesu.
Konieczne jest ostrzeżenie dotyczące weryfikacji importów. Opiera się ona na wyszukiwaniu tekstu, a uważny atakujący ją ominie – __import__("os") nie zawiera wyszukiwanego ciągu. Traktuj tę weryfikację jako barierę ochronną przed błędami i naiwnymi próbami, nigdy jako granicę bezpieczeństwa. Prawdziwą granicą jest izolowany proces z jego limitami zasobów.
import subprocess
import tempfile
import os
class ExecutionSandbox:
"""Executes model-generated code in an isolated environment."""
def __init__(self, timeout: int = 10, max_memory_mb: int = 256):
self.timeout = timeout
self.max_memory = max_memory_mb
def execute_python(self, code: str) -> dict:
"""Executes Python code in an isolated process."""
# Security checks before execution
dangerous_imports = ["os", "subprocess", "shutil", "socket", "requests"]
for imp in dangerous_imports:
if f"import {imp}" in code or f"from {imp}" in code:
return {
"success": False,
"error": f"Forbidden import: {imp}",
"output": "",
}
# Create a temporary file
with tempfile.NamedTemporaryFile(
mode="w", suffix=".py", delete=False
) as f:
# Add restrictions at the start of the script
wrapper = f"""
import resource
import sys
# Limit memory
resource.setrlimit(resource.RLIMIT_AS, ({self.max_memory * 1024 * 1024}, {self.max_memory * 1024 * 1024}))
# Limit CPU time
resource.setrlimit(resource.RLIMIT_CPU, ({self.timeout}, {self.timeout}))
# User code
{code}
"""
f.write(wrapper)
temp_file = f.name
try:
result = subprocess.run(
["python3", temp_file],
capture_output=True,
text=True,
timeout=self.timeout,
env={"PATH": "/usr/bin", "HOME": "/tmp"},
)
return {
"success": result.returncode == 0,
"output": result.stdout[:5000],
"error": result.stderr[:2000] if result.returncode != 0 else "",
}
except subprocess.TimeoutExpired:
return {"success": False, "error": "Timeout exceeded", "output": ""}
finally:
os.unlink(temp_file)
# Usage
sandbox = ExecutionSandbox(timeout=5, max_memory_mb=128)
# OK: simple calculation
result = sandbox.execute_python("print(sum(range(100)))")
print(result) # {"success": True, "output": "4950\n", "error": ""}
# Blocked: system access attempt
result = sandbox.execute_python("import os; os.listdir('/')")
print(result) # {"success": False, "error": "Forbidden import: os"}
W przypadkach produkcyjnych Docker zapewnia bardziej solidną izolację, ponieważ nie polega już na współpracy wykonywanego kodu. Każda opcja polecenia zamyka konkretne drzwi: --network=none usuwa wszelką możliwość eksfiltracji sieciowej, --read-only zapobiega utrwalaniu danych, --memory i --cpus limitują zużycie, --tmpfs przyznaje ulotną i ograniczoną przestrzeń roboczą, a --security-opt=no-new-privileges zabrania eskalacji uprawnień podczas wykonywania. Flaga --rm niszczy kontener na końcu, gwarantując, że żaden stan nie przetrwa z jednego wykonania do drugiego.
class DockerSandbox:
"""Executes code in an ephemeral Docker container."""
def __init__(self, image: str = "python:3.12-slim"):
self.image = image
def execute(self, code: str, timeout: int = 10) -> dict:
"""Executes code in an isolated container."""
cmd = [
"docker", "run", "--rm",
"--network=none", # No network
"--memory=256m", # Memory limit
"--cpus=0.5", # CPU limit
"--read-only", # Read-only filesystem
"--tmpfs=/tmp:size=50m", # Limited temporary space
"--security-opt=no-new-privileges",
self.image,
"python3", "-c", code,
]
try:
result = subprocess.run(
cmd, capture_output=True, text=True, timeout=timeout
)
return {
"success": result.returncode == 0,
"output": result.stdout[:5000],
"error": result.stderr[:2000],
}
except subprocess.TimeoutExpired:
return {"success": False, "error": "Timeout", "output": ""}
Wybór odpowiedniego poziomu
Nakładanie wszystkich trzech poziomów na prostego chatbota FAQ jest kosztowne i niepotrzebne, podczas gdy poleganie wyłącznie na pierwszym poziomie dla agenta wykonującego kod oznacza brak jakiejkolwiek ochrony. Poniższa tabela stanowi punkt wyjścia; dostosuj ją w zależności od wrażliwości dostępnych danych, co często ma większe znaczenie niż zaawansowanie samego agenta.
| Scenariusz | Zalecany poziom |
|---|---|
| Prosty chatbot Q&A | Uprawnienia (Poziom 1) |
| Agent z dostępem do API | Uprawnienia + Sieć (Poziomy 1-2) |
| Agent wykonujący kod | Pełny Docker (Poziom 3) |
| Agent wieloużytkownikowy | Docker + izolacja sesji |
Niezależnie od wybranego poziomu, testuj go tak, jak testujesz funkcjonalność. Piaskownica, którą instalujesz i o której zapominasz, po cichu degraduje się w czasie – dodana zależność, tymczasowo podpięty wolumin, domena otwarta do celów rozwiązywania problemów. Przy każdej aktualizacji agenta ponownie uruchamiaj testy przejścia przez ścieżki i niedozwolonych domen: obejście piaskownicy to nie drobna anomalia, to incydent krytyczny.
Kluczowe wnioski
- Piaskownica jest niezbędna, gdy tylko agent ma dostęp do narzędzi lub wykonuje kod
- Trzy poziomy izolacji: uprawnienia, sieć, kontener – łącz je w zależności od ryzyka
- Zasada najmniejszych uprawnień dotyczy każdego zasobu: plików, sieci, poleceń
- Docker z opcjami
--network=nonei--read-onlyzapewnia najbardziej solidną izolację - Izolację należy regularnie testować – obejście piaskownicy to incydent krytyczny