当前位置:首页 > 文章列表 > 文章 > linux > setfacl 为什么会在修改条目时重新计算 mask

setfacl 为什么会在修改条目时重新计算 mask

来源:17golang原创 2026-11-10 12:57:03 0浏览 收藏

setfacl 修改 ACL 条目时,默认会重新计算 mask::,不是工具“随意覆盖”了你的配置,而是在维护 POSIX ACL 的有效权限边界。它会把拥有组、命名用户和命名组条目中受 mask 约束的权限做并集;如果没有显式指定 mask,新的并集就可能让 mask 变宽。需要保留一个更窄的上限时,使用 -n 或在同一次命令中显式给出 m::。

记住一句话:普通 setfacl -m 关注“条目想要什么”,默认会让 mask 覆盖这些请求;-n 关注“现有 mask 不能被自动放宽”,显式 m:: 则把上限写清楚。

官方地址:https://savannah.nongnu.org/projects/acl

下面只讨论 Linux 上常见的 POSIX ACL。命令输出用来说明规则,不代表某一台机器的运行截图。

mask 为什么会跟着 ACL 条目变化

扩展 ACL 中,mask 是 owning group、named user 和 named group 这些“group class”条目的最大有效权限。owner 和 other 不受它限制。比如一个命名组要求 rwx,而当前 mask 只有 r-x,该命名组的有效权限就只有 r-x。

当你执行普通修改时,setfacl 默认会把参与 mask 的权限取并集。这样新增的条目不会因为旧 mask 太窄而立即失效,也符合“我刚授予了这项权限”的直觉。

# 给报表组增加写权限;默认行为会重新计算 mask
setfacl -m g:report:rwx report.csv

# 查看 ACL;命名组后面的 effective 代表真正受 mask 过滤后的权限
getfacl report.csv
setfacl 中拥有组、命名用户、命名组权限并集形成 mask 并限制 effective 权限的静态说明图
图1:ACL mask 关系说明图,查看哪些条目参与并集以及哪些权限会被 mask 截断。

因此,看到 mask::rwx 并不等于 owning group 一定拥有写权限;还要同时看 group:: 的原始权限。有效权限大致可以理解为:对受 mask 影响的条目,原始权限与 mask 取交集。

一次修改怎样让 mask 变宽

假设文件原来有如下关系:命名组只有 r-x,mask 也是 r-x。现在给另一个命名用户 analyst 设置 rw-,普通修改会发现 mask 至少需要包含 rw-,否则这个新条目的写权限无法有效生效。

# 先把 group class 的上限限制在只读和执行
setfacl -m m::r-x report.csv

# 普通修改命名用户;因为请求包含 w,默认可能把 mask 调整为 rwx 或 rw-
setfacl -m u:analyst:rw- report.csv

# 读取原始条目和 effective 注释,区分“请求权限”和“实际权限”
getfacl report.csv

这里的“可能”取决于同一个 ACL 中其他受 mask 约束条目的并集。核心不是某个单独用户,而是所有相关条目共同决定上限。也正因为如此,ls -l 显示的组权限位在扩展 ACL 场景下对应 mask,不能单独当作 owning group 的原始权限。

普通修改、-n 和显式 mask 有什么区别

三种写法的意图不同。普通写法适合希望新增条目按请求生效的场景;-n 适合把现有 mask 当作安全上限,不让本次条目修改自动放宽;显式 m:: 适合把最终上限写进同一份 ACL 变更中。

写法mask 处理适用判断
setfacl -m u:analyst:rw- file默认重算,除非输入显式给了 mask希望新条目按请求获得有效权限
setfacl -n -m u:analyst:rw- file不自动重算,沿用现有 maskmask 是预先设计好的硬上限
setfacl -m u:analyst:rw-,m::r-x file把 mask 明确设为 r-x需要同时添加条目并锁定最终上限
setfacl --mask -m ... file即使给过 mask 也强制重算需要按全部相关条目重新对齐
setfacl 普通修改、-n 和显式 m:: 三种 mask 控制方式的静态对比说明图
图2:命令策略对比说明图,查看自动重算、禁止重算与显式 mask 的差异。
# 保持现有 mask,不让新增用户的 rw- 自动放宽上限
setfacl -n -m u:analyst:rw- report.csv

# 同时写入条目和最终上限;读者可从命令本身看出设计意图
setfacl -m u:analyst:rw-,m::r-x report.csv

要注意,-n 不是“拒绝添加条目”。它仍会写入命名用户条目,只是该条目的有效权限会受到原 mask 限制,getfacl 可能显示 #effective:r-x 之类的注释。

default ACL 和排查时最容易混淆的地方

如果命令带 -d,操作对象是目录的 default ACL。它为将来在目录中创建的文件和子目录提供继承模板,不会把已经存在的文件立即改一遍。default ACL 中存在命名用户或命名组时,也需要有对应的 default mask。

# 给目录设置默认命名组权限;新建对象时才会继承
setfacl -d -m g:report:r-x,m::r-x shared

# 分开查看目录自身 ACL 和 default ACL,避免只看到了其中一层
getfacl shared

排查时建议按这个顺序看:先确认你修改的是 access ACL 还是 default ACL;再看 user::、group::、命名条目和 mask::;最后看 effective 注释。若只盯着 ls -l 的组权限位,很容易把 mask 误认为 owning group 的原始权限。

常见问题

显式写了 m::r-x 后还会被自动放宽吗? 默认情况下,显式给出 mask 后不会按默认规则再次重算;如果同时使用 --mask,则会强制按相关条目重算。

-n 会让命名用户条目失效吗? 不会。它保留条目,只是不调整现有 mask,因此最终权限可能被 effective 限制。

为什么 ls -l 的组权限和 getfacl 不一样? 扩展 ACL 下,ls -l 的组位对应 mask;要判断 owning group 的实际权限,还需要和 group:: 条目一起看。

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
Python symtable 怎样区分自由变量与全局变量Python symtable 怎样区分自由变量与全局变量
上一篇
Python symtable 怎样区分自由变量与全局变量
手机壁纸提示词:麂皮卵石怎样用大小间距形成呼吸感
下一篇
手机壁纸提示词:麂皮卵石怎样用大小间距形成呼吸感
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。
    967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。
    972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。
    1080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。
    1059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。
    895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