虚拟化与容器原理
本文性质声明：本机无 Linux 环境（WSL 被策略拦截），全部内容未实测，为原理级框架。站内对照：linux-ns（namespace/cgroup 的容器积木）、os-what-kernel-does（特权级与陷入的本机实测：陷入 82.4ns）、os-interrupt（设备模型）。
一、虚拟化的根本困难：特权指令
x86 的经典难题：有些敏感指令只在最高特权级（ring 0）执行时才有效，在低特权级执行时要么静默失败要么行为不同——客户机内核在 ring 1/3 跑这些指令，不陷入也不报错，hypervisor 根本捕获不到。Popek-Goldberg 定理刻画了”可虚拟化架构”的条件；x86 历史上不可虚拟化，直到 Intel VT-x/AMD-V 提供硬件支持：
VMX root 模式 ← hypervisor 在这跑
VMX non-root 模式 ← 客户机（内核+应用）在这跑
VMExit ← 客户机做敏感操作 → 陷入 hypervisor（快：不保存全部状态）
VMEntry ← hypervisor 把控制权还给客户机VT-x 之前的软件方案（二进制翻译、半虚拟化）都是绕这个难题的历史遗产——理解”为什么需要硬件辅助”是这节的一半。
二、内存虚拟化：影子页表与 EPT
客户机的”物理地址”是假的——多个虚拟机共享同一台机器的真实内存。两层翻译：
客户机虚拟地址(GVA) → [客户机页表] → 客户机物理地址(GPA) → [hypervisor 映射] → 主机物理地址(HPA)影子页表（第一代）：hypervisor 为每个客户机进程维护一份”直接映射 GVA→HPA”的假页表，硬件用它；客户机改自己的页表时陷入，hypervisor 同步影子。问题：客户机每次页表操作都陷入，开销大。
EPT/NPT（第二代，硬件辅助）：CPU 的 MMU 硬件支持二维翻译——先查客户机页表得 GPA，再查 EPT 表得 HPA，两步都不过 hypervisor。陷入从”每次页表操作”降到”EPT miss 和敏感配置”——这是现代虚拟化性能的分水岭（本站 os-page-table 在 Windows 侧量过 TLB/缺页的量级，可对照理解翻译开销的敏感度）。
三、KVM 的三件套与运行循环
KVM 把 Linux 变成 hypervisor，靠三个内核模块和一个用户态程序：
/dev/kvm ← 字符设备：创建虚拟机的入口
kvm-intel/amd ← 硬件 VT 支持
kvm.ko ← 核心：vcpu、内存槽、VMCS 管理
QEMU (用户态) ← 模拟外设（磁盘/网卡/显卡），通过 ioctl 把 vcpu 跑起来运行循环（QEMU 侧）：ioctl(KVM_RUN) → 客户机跑 → VMExit（客户机做 IO/特权操作）→ QEMU 模拟这个 IO（比如写网卡队列 = 一次 tap 写）→ 再 KVM_RUN。virtio 是客户机与 QEMU 之间的半虚拟化总线：客户机知道自己在虚拟化环境里，用共享内存队列批量交付 IO——比模拟真实硬件（一个包一次退出）快一个量级。
一句话架构：KVM 管 CPU 和内存（陷入模拟 + EPT），QEMU 管外设（模拟 + virtio 快路径）。
四、容器 vs 虚拟机：隔离的边界
| 容器 | 虚拟机 | |
|---|---|---|
| 隔离单位 | 进程（namespace 视角） | 整内核（硬件视角） |
| 共享的攻击面 | 宿主内核 | hypervisor（小得多） |
| 启动 | 毫秒级（就是个进程） | 秒级（要启内核） |
| 密度 | 高（无内核副本） | 低（每 VM 一份内存给内核） |
| 安全边界强度 | 中——内核漏洞 = 全体逃逸 | 高——逃逸要找 hypervisor 的洞 |
选型判据：同信任域的应用用容器；跑不受信任的代码（多租户函数计算、CI 跑别人的 PR）用 VM 或 microVM（Firecracker/Kata——单内核单应用的轻量 VM，兼顾启动速度和隔离强度）。Linux-ns 那节说过：容器的六件套全在同一内核上，USER namespace 是最后一道横向隔离（容器内 root 映射成宿主高 UID），但它恰恰是漏洞历史最多的 namespace。
五、逃逸防护的层次
纵深防御，从外到内：
- 减少攻击面：默认 drop 所有 capability、
--security-opt no-new-privileges、只读 rootfs + tmpfs、seccomp 过滤系统调用白名单（Docker 默认 profile 挡掉 40+ 危险调用）。 - USER namespace 隔离：rootless 容器——容器内 root = 宿主的普通用户，逃逸了也只拿到普通用户权限。
- 内核加固：
kernel.yama.ptrace_scope、锁住/sys、KASLR——拉高利用内核漏洞的门槛。 - microVM/gVisor：gVisor 用用户态重写的系统调用拦截层（不用宿主的 Linux 系统调用实现），把”共享内核”换成”共享 sentry 进程”——隔离强于容器、弱于 VM、开销在两者之间。
审计的常识：没有任何一层是银弹；组合使用 + 及时打补丁 + 不在容器里跑特权守护，比追新方案实在。
六、排障索引
| 症状 | 入口 |
|---|---|
| 客户机极慢 | EPT 没开（kvm-ok/dmesg）；virtio 驱动没用上（退化成模拟设备） |
| 嵌套虚拟化开不了 | BIOS 的 VT-x 没暴露给 L1；cat /sys/module/kvm_intel/parameters/nested |
| 容器内存超限被杀 | cgroup v2 的 memory.max（linux-ns 量过组内 OOM 机制） |
| 容器内看不到设备 | 没 --device；或 namespace 隔离正常，要共享 network/pid |
| 逃逸担忧的评估 | 逐条对照第五节；问”最坏情况拿到了什么”而不是”有没有洞” |
七、未实测清单
- 本文所有虚拟化机制——本机无 KVM/hypervisor 环境，未测。
- VMExit/VMEntry 的成本——未测（本站 os-what-kernel-does 的系统调用陷入成本可做量级参照，同为”进出内核”一族）。
- virtio 的性能——未测。
- gVisor/Firecracker 的实际行为——未部署。