面向机密计算的Enclave容器技术栈

关注

VIP免费原创最新推荐文章于 2026-08-15 13:10:14 发布 2.4k 阅读 AI 写同款· GEO 优化 ›

金融AI机密计算实战：基于openEuler的全栈自主数据隐私保护方案机密计算（Confidential Computing）是一种通过硬件级可信执行环境（TEE）保护使用中数据隐私的关键技术。其核心原理是在CPU中创建隔离的安全区域（如Intel SGX或AMD SEV），确保代码和数据在该区域内执行时，即使云服务商或系统管理员也无法访问明文信息。这项技术的核心价值在于解决了数据共享与隐私保护的根本矛盾，实现了“数据可用不可见”，为跨组织协作扫清了合规障碍。在金融、医疗等高监管行业，机密计算能安全地支撑联邦学习、联合风控等场景，让敏感数据在不出本地的前提下参与联合建模与分析阅读详情

内容提要：
✔云原生场景下的数据安全威胁和风险
✔机密计算是如何为数据在计算阶段提供安全防护的
✔Inclavare Containers如何提升容器的数据安全性

这是内容大纲，介绍了数据安全和机密计算的背景知识，也对Inclavare Containers开源项目、架构设计和部署方式分别进行了介绍。希望各位能够对Inclavare Containers技术栈有一个初步的认识。

首先，让我们先了解一下当前云计算的数据安全威胁和风险。

目前攻击者泄露机密数据的最经典做法就是利用安全漏洞突破Hypervisor并渗透到其他租户Guest中。

第二种威胁则是CSP的管理员主动作恶窃取租户的机密数据。事实上，不管是哪一种威胁，对关注数据安全的用户来说，目前的传统云安全威胁模型存在一些固有的安全缺陷：攻击面大，且位于租户TCB中的这些特权组件又不受租户控制；即使没有发生入侵事件，租户的数据对CSP来说也是一览无余。

更进一步去思考可以发现，数据的状态有三种：存储、传输、计算。传统安全防护技术更关注前两者，忽视了数据在计算状态下的安全防护手段。

综上所述，可以得出一个结论：传统的安全威胁模型无法满足用户对机密数据安全防护的需求，这已成为部分企业上云的最大阻碍之一。企业客户不敢上云，他们手里的数据就形成了数据孤岛，最终阻止了有价值数据的流动性，因此数据作为资本和资产的社会价值以及经济价值都无法充分发挥。如果强行用基于现有的云安全威胁模型技术来支撑对机密数据安全防护有诉求的业务场景，就存在潜在的数据泄露风险；一旦真的因此发生了数据泄露事件，对CSP的声誉和经济利益造成极大损害。

下面我们进一步剖析租户与CSP双方在安全上的真实想法。

首先，所有的CSP都会宣称他们会为租户提供安全隔离的运行环境。本质上，CSP要求租户必须相信自己提供的安全服务，而其具体做法是：通过虚拟化层以及纵深防御机制防止恶意租户攻击自己的云基础设施，也就是说利用虚拟化多租隔离的副作用，满足一般用户的安全需求，同时假设用户是不可信的。

而从用户的视角来看，租户真正想要的其实是可信执行环境。从前面介绍的数据安全威胁和风险中可以看出：对持有机密数据的用户来说，CSP是完全不可信的。根因在于CSP可能作恶，或者攻击者可能攻破CSP并渗透到用户执行环境中。也就说“租户环境的安全性依赖于CSP控制的特权组件的安全性”这一事实，对有数据安全诉求的用户来说，是完全不可接受的。

综合来看，对租户来说，云环境是不可信的；租户真正需要的是覆盖数据全生命周期的综合性数据安全防护。对CSP来说，租户是不可信的；所以CSP需要安全隔离来防止来自恶意租户的安全威胁。

所以我们最终导出了这么一个结论：租户和CSP之间其实互不信任。