当前位置:首页 > 文章列表 > 文章 > linux > systemd-analyze security 怎样查看沙箱暴露面

systemd-analyze security 怎样查看沙箱暴露面

来源:17golang原创 2026-10-25 14:06:59 0浏览 收藏

我在给 Linux 服务做基础加固时,常会先看一眼 systemd-analyze security。它能把 service unit 的沙箱设置逐项列出来,再给出一个总体 exposure level,适合发现“哪些隔离项还没有启用”。但这个数字的职责很窄:它衡量的是 systemd 自己认识的服务级安全设置,不能直接替代漏洞扫描,也不能证明服务一定安全或一定有漏洞。

官方地址:https://www.freedesktop.org/software/systemd/man/latest/systemd-analyze.html

最实用的读法是:先对指定 unit 看详细项,再把高 exposure 项当成加固线索,最后分别复查服务代码和 IPC 策略。不要只看一个总分下结论。

先区分汇总表和指定 unit 的详细表

这个子命令有两种常见用法。不给 unit 名称时,它会检查当前已加载的长期运行服务,输出较简洁的汇总表;给出一个或多个 service unit 时,才会展开这个 unit 的具体安全与沙箱设置。排障时我更常从指定 unit 开始,因为它能回答“哪一项没有收紧”。

# 先看所有已加载的长期服务,适合找出需要进一步查看的对象
systemd-analyze security --no-pager

# 对指定服务展开详细检查,避免分页器截断记录
systemd-analyze security --no-pager example.service

这里的 example.service 只是占位名,要换成实际 unit。指定 unit 后,输出通常包含检查项名称、当前状态、说明和 exposure 值,末尾还会给出总体 exposure level。命令本身读取的是 systemd 服务配置与相关运行状态,不会替你分析业务代码。

用 security 查看服务的沙箱暴露项

逐项输出比总分更有操作价值。例如 PrivateNetwork=、ProtectSystem=、NoNewPrivileges= 等设置,分别对应网络视图、文件系统写入范围和权限提升限制。某一项前面的叉号,首先说明该项没有按工具期望的方式启用;它不是“已经被攻击”的证据。

# 查看目标 unit 的完整安全设置,并把输出保留在终端记录中
unit_name=example.service
systemd-analyze security --no-pager "$unit_name"

# 同时检查多个服务,便于比较相同部署角色的加固差异
systemd-analyze security --no-pager api.service worker.service

如果输出里的高 exposure 项集中在网络、设备、内核接口或文件系统访问,下一步应该回到 unit 文件确认业务是否真的需要这些能力。不要为了追求一个漂亮数字,直接删掉服务必须使用的权限;加固要和服务的实际职责一起判断。

systemd-analyze security 将 service unit 的沙箱设置汇总为单项和总体 exposure 的横向结构说明图
图1:结构说明图,查看指定 unit、沙箱设置和 exposure level 的关系;这是静态说明图,不是运行截图。

把 exposure level 当作加固线索

官方手册把总体 exposure level 定义为 0.0 到 10.0 的估计值:数值越高,表示 systemd 看到的沙箱限制越少;数值越低,表示应用了更严格的 systemd 安全限制。这个方向可以帮助排序工作,但不能把它当成跨机器、跨版本都严格可比的风险分数。

我通常按下面的顺序处理:

  1. 先记录总分和最突出的单项,而不是只记总分。
  2. 查看 unit 的实际业务职责,区分“确实需要”与“历史遗留”。
  3. 对可以收紧的设置做小范围修改,再用同一命令复查输出。

需要特别留意组合关系。很多沙箱设置单独启用时并不能完全阻止服务改变环境,systemd 会考虑一部分设置之间的关系,但不会覆盖所有可能的交互。因此,分数变化更适合说明“配置收紧了多少”,不能代替对完整攻击面的判断。

按三层边界复查结果

一张 security 输出至少要分三层读。第一层是工具能观察的 systemd unit 设置;第二层是服务进程自身的代码行为,例如它如何处理输入、加载插件或调用外部程序;第三层是 IPC 访问策略,例如服务能否通过 D-Bus 请求其他服务执行操作。官方文档也明确提醒,完整的安全分析不能只停留在 systemd 的沙箱项。

# 显示 unit 文件及其 drop-in,确认安全设置来自哪里
unit_name=example.service
systemctl cat "$unit_name"

# 只做配置语法与依赖检查;这不是安全评分的替代品
systemd-analyze verify "$unit_name"

配置复查可以解释某个设置为什么出现,但仍然不能推断服务内部行为。比如 unit 限制了文件系统访问,服务仍可能通过被允许的接口完成业务;又比如本地 IPC 被开放时,服务可能请求另一个 unit 代为完成受限操作。复查记录里最好明确写出“systemd 覆盖范围”和“仍待确认范围”。

systemd security analysis 的评分覆盖域与服务代码、IPC 策略复查域之间的边界关系说明图
图2:边界关系说明图,区分评分覆盖范围与服务代码、IPC 策略;这是静态说明图,不是运行截图。

相关问题

exposure level 越高是不是就代表服务有漏洞?

不是。它只是 systemd 根据服务级沙箱设置计算出的暴露估计值。高值说明可能还有值得收紧的设置,不能单独证明存在可利用漏洞。

为什么同一服务不同机器的总分可能不同?

unit 文件、drop-in、systemd 版本和运行环境都可能不同。比较时应保留详细检查项,不要只比较一个总分。

看完 security 输出后最应该做什么?

先挑出与业务无关的高 exposure 项,回到 unit 配置评估是否能收紧;之后再检查服务自身代码和 IPC 访问策略,形成完整复查结论。

一句话总结:systemd-analyze security 适合回答“这个 unit 的 systemd 沙箱还暴露了哪些面”,不适合独自回答“这个服务是否安全”。把单项检查、总体分数、unit 配置、服务代码和 IPC 策略放在同一张排障记录里,结果才有实际价值。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
systemd-path 怎么查询当前用户的配置目录systemd-path 怎么查询当前用户的配置目录
上一篇
systemd-path 怎么查询当前用户的配置目录
resource-control 怎样限制服务内存
下一篇
resource-control 怎样限制服务内存
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    686次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    701次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    757次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    719次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    557次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码