arXiv cs.AI· Qiyuan Fan, Zhi Li, Junjie Li, XiaoFeng Wang, Bin Yuan, Deqing Zou·· 3 天前AI 评分44
Bulkhead：自动语义检测与修复容器逃逸漏洞
Bulkhead: Automated Semantic Detection and Remediation of Container Escape Vulnerabilities
AI 导读
Bulkhead 是一个自动检测与修复容器逃逸漏洞的框架，通过将历史 CVE 归纳为结构化语义模式、结合文档与代码证据恢复 source-to-sink 执行上下文，并用 LLM 推理加隔离 PoC 执行验证发现结果。在多个容器仓库中，Bulkhead 发现 20 个零日漏洞，占过去十年发现总量的 43%，其中 3 个已分配 CVE，验证后的补丁建议已提交上游。
正文 · AI 翻译
摘要：容器文件系统隔离依赖于在特权主机-容器交互期间安全地解析容器控制的路径。随着第三方插件和代理沙箱引入更多交互，不安全的路径解析可能使主机操作跨越隔离边界，从而扩大路径遍历漏洞的攻击面。这些逻辑缺陷难以缓解：内核防御需要侵入式重新设计，静态规则会遗漏跨边界语义，而人工审计无法扩展。基于大语言模型（LLM）的方法可以通过稳定的代码模式检测语法缺陷，并通过比较等价实现来识别智能合约等领域的逻辑缺陷。然而，容器组件不提供这两种规律性：其异构接口在信任边界、文件系统视图和交互顺序下运行，使得安全不变量难以发现。
我们提出 Bulkhead，一个用于检测和修复的自动化框架。Bulkhead 将历史 CVE 总结为结构化语义模式，将文档与入口和效果侧代码证据相关联，并恢复从源到汇的执行上下文。基于模式的引导指导 LLM 推理，而隔离的概念验证（PoC）执行验证发现结果。对于修复，Bulkhead 生成特定于仓库的补丁，检查其能否构建，并在运行时验证之前使用模式派生的模型检查模板和反例迭代验证路径安全性和功能。在容器仓库中，Bulkhead 发现了 20 个零日漏洞，占过去十年发现总数的 43%。其中，3 个已被分配 CVE，经验证的补丁建议已提交至上游。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI）；软件工程（cs.SE） |
| 引用为： | arXiv:2607.12723 [cs.CR] |
| （或 arXiv:2607.12723v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.12723 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Qiyuan Fan [查看电子邮件]
[v1]
2026年7月14日星期二 12:52:56 UTC（2,797 KB）
[v2]
2026年10月10日星期六 03:41:04 UTC（1,583 KB）
来源：arXiv cs.AI · arxiv.org