当前位置:首页 > 文章列表 > 科技周边 > 业界新闻 > 云原生供应链安全项目如何分工

云原生供应链安全项目如何分工

来源:17golang原创 2026-11-11 22:44:28 0浏览 收藏

云原生供应链安全项目看起来名称相近,实际分工并不重叠:有的负责描述“怎么构建”,有的负责证明“是谁签的”,有的负责回答“它和哪些依赖有关”,还有的负责决定“能不能进入集群”。把它们当成一套万能扫描器,通常会得到很多孤立的报告;按证据类型拆层,才容易落地。

最实用的分工是:用 SLSA 与 in-toto 描述和记录构建过程,用 Sigstore 完成制品签发与透明记录,用 GUAC 汇总 SBOM 和证明形成关系查询,最后交给 OPA、Kyverno 等策略组件执行准入。Tekton Chains 或同类流水线观察器负责把证明自动产出。

官方入口:https://www.cncf.io/projects/in-toto/;https://docs.sigstore.dev/;https://docs.guac.sh/

先按证据类型分层,项目就不会互相抢职责

云原生供应链安全项目的职责分层
图1:云原生供应链安全项目的职责分层

可以把一条发布链路拆成四种证据。第一种是来源与构建证据,回答源代码、构建平台、构建步骤和产物之间的关系;第二种是身份与完整性证据,回答制品是否由预期身份签发、记录是否可追溯;第三种是组成关系证据,回答一个镜像包含哪些包、某个依赖影响了哪些制品;第四种是策略结果,回答这些证据是否满足组织规则。

这四层对应的项目可以协作,但不能互相替代。SLSA 更像逐步提高构建保证的框架,in-toto 更强调把供应链步骤、参与者、材料和产物写进可验证的布局与链接元数据。它们解决“过程是否按约定发生”,不是直接替代镜像签名服务。

构建证明:SLSA 和 in-toto 负责把过程说清楚

如果团队只保存最终镜像摘要,出了问题时仍然不知道它由哪个提交、哪个流水线、哪个构建环境生成。SLSA 的价值在于把构建来源和保证等级作为逐步改善的目标;in-toto 则提供更细的角色与步骤模型。其 layout 由项目所有者定义,functionary 执行步骤并生成 link metadata,客户端再验证布局、签名、材料和产物。

工程上可以先落一个最小范围:固定受保护分支、记录提交摘要、绑定构建工作流身份、产出可验证的 provenance。不要一开始就把所有人工操作都建模,否则证明文件很多,关键事实反而难以复查。

签发与透明:Sigstore 解决“谁签了、何时签的”

Sigstore 的组件边界比较清晰。Cosign 是面向容器和其他制品的客户端;Fulcio 为经过 OIDC 身份确认的签发过程提供短期证书;Rekor 记录签名事件的透明日志;TUF 分发和更新验证这些服务所需的信任根。它们组合后,验证者不必把一把长期私钥散落在流水线机器上,也能检查签名、身份和日志证据是否匹配。

这里有一个容易忽略的边界:签名只证明某个制品与某个身份之间存在可验证关系,不自动证明构建过程安全,也不等于漏洞已经清零。生产环境还要约束允许签发的工作流身份,并监控透明日志中的异常事件。

关系查询:GUAC 把零散元数据变成可追问的图

SBOM、漏洞声明和签名证明分别存放时,安全团队很难回答“这个基础镜像被哪些服务间接使用”。GUAC 的职责是摄取 SBOM 等软件安全元数据,把软件、包、制品和证明之间的关系组织成可查询图谱。它更适合做影响面分析、依赖版本蔓延检查和变更后的回溯,不应被误解为新的签名根或构建系统。

因此,GUAC 的输入质量决定查询价值。没有稳定的制品标识、SBOM 和 provenance,图中只能看到碎片。先统一制品摘要、仓库坐标和生成来源,再接入图谱,排查结果才有办法回到原始证据。

一条发布链路的最小闭环

从构建证据到集群准入的最小闭环
图2:从构建证据到集群准入的最小闭环

最小组合不需要一次部署所有项目。流水线先生成构建 provenance 和 SBOM,再由 Sigstore 对制品及相关证明进行签发和记录;GUAC 摄取这些材料并提供跨制品查询;部署侧用 OPA、Kyverno 或等价策略检查签发身份、来源条件和漏洞门槛。Tekton Chains 这类流水线观察器的价值,是把证明生成和流水线事件连接起来,减少人工补录。

建议用一条低风险服务做验证,并按下面四项逐一复查:

  1. 能否从镜像摘要追到源码提交和构建工作流,而不是只追到仓库名称;
  2. 签名证书中的身份是否限制到预期仓库、分支或工作流;
  3. 出现依赖漏洞时,GUAC 或同类关系查询能否列出受影响服务;
  4. 不满足策略时,准入控制是否拒绝部署并保留可定位的证据。

按风险逐层增加,而不是堆项目

如果当前只有镜像仓库,第一步是稳定摘要、SBOM 和签名;如果已经能签名,下一步补 provenance 与构建身份约束;当依赖规模扩大,再引入关系图谱;最后才把关键规则放进集群准入。每增加一层,都要能回答一个此前回答不了的问题。

判断项目分工时,记住一句话:SLSA/in-toto 管过程证据,Sigstore 管签发与透明,GUAC 管关系查询,策略控制器管是否放行,流水线集成负责自动产生材料。这样的边界比“选一个最强工具”更能支撑长期维护。

相关问答

Sigstore 能替代 SLSA 吗?不能。Sigstore 解决签发、验证和透明记录,SLSA 关注构建保证与 provenance;两者可以协作。

GUAC 能直接阻止有风险的镜像部署吗?GUAC 的重点是汇总和查询关系,是否阻止部署应由策略控制器读取验证结果后执行。

in-toto 和 Sigstore 是竞争关系吗?不是。in-toto 描述供应链步骤和证明语义,Sigstore 提供其中可使用的签发与透明基础设施。

参考资料:https://tag-security.cncf.io/community/publications/supply-chain-security-tools/securing-deployments/;https://docs.sigstore.dev/about/tooling/;https://github.com/in-toto/specification/blob/master/in-toto-spec.md;https://docs.guac.sh/guac/

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
Sigstore 如何把签名与身份绑定Sigstore 如何把签名与身份绑定
上一篇
Sigstore 如何把签名与身份绑定
eBPF 可观测工具怎样减少内核改动
下一篇
eBPF 可观测工具怎样减少内核改动
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。
    985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。
    991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。
    1112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。
    1081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。
    927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