containers-internals

コンテナーの内部構造

目的

Linux コンテナーの内部構造についてエージェントをガイドします。名前空間（clone、unshare、nsenter）、cgroups v2 のリソース制限、overlayfs ストレージ、runc と OCI ランタイム仕様、seccomp-bpf フィルタリング、権限を落とすための Linux ケーパビリティ、コンテナーエスケープの緩和策を扱います。

使用する場面

• Docker／Podman が内部でプロセスをどのように分離するか理解するとき
• コンテナーのリソース制限（OOM、CPU スロットリング）をデバッグするとき
• サンドボックス化されたワークロード向けにカスタム seccomp プロファイルを作成するとき
• Docker を使わずに最小限のコンテナーを構築するとき
• コンテナーエスケープの脆弱性を調査するとき
• Kubernetes ポッド向けに cgroups v2 を調整するとき

ワークフロー

1. 名前空間

# List namespaces for a process
ls -la /proc/self/ns/
readlink /proc/self/ns/pid
readlink /proc/1234/ns/net

# Enter container namespaces
nsenter -t <pid> -m -u -i -n -p bash

# Unshare namespaces (manual container)
unshare --fork --mount-proc --pid --net --uts --ipc bash

名前空間	分離する対象
CLONE_NEWNS（マウント）	マウントポイント、ファイルシステムのルート
CLONE_NEWPID	プロセス ID
CLONE_NEWNET	ネットワークスタック
CLONE_NEWUTS	ホスト名
CLONE_NEWIPC	SysV IPC、POSIX メッセージキュー
CLONE_NEWUSER	UID／GID のマッピング
CLONE_NEWCGROUP	cgroup のルートビュー

// clone() with namespaces
#define _GNU_SOURCE
#include <sched.h>

int container_init(void *arg) {
    sethostname("container", 9);
    mount("proc", "/proc", "proc", 0, NULL);
    execv("/bin/sh", (char *[]){"/bin/sh", NULL});
    return 1;
}

int stack[1024 * 1024];
clone(container_init, stack + sizeof(stack)/sizeof(int),
      CLONE_NEWPID | CLONE_NEWNS | CLONE_NEWNET | SIGCHLD, NULL);

2. cgroups v2

# Unified hierarchy (cgroup v2)
mount -t cgroup2 none /sys/fs/cgroup

# Create cgroup and set limits
mkdir /sys/fs/cgroup/mycontainer
echo $$ > /sys/fs/cgroup/mycontainer/cgroup.procs

# Memory limit 256MB
echo 256M > /sys/fs/cgroup/mycontainer/memory.max

# CPU weight (relative to siblings, default 100)
echo 50 > /sys/fs/cgroup/mycontainer/cpu.weight

# IO weight
echo default 100 > /sys/fs/cgroup/mycontainer/io.weight

# Check current cgroup
cat /proc/self/cgroup

# OOM events
cat /sys/fs/cgroup/mycontainer/memory.events

3. overlayfs

overlayfs layers
├── lowerdir (read-only image layers)
├── upperdir (container writes)
├── workdir (internal bookkeeping)
└── merged (mount point seen by container)

mount -t overlay overlay \
  -o lowerdir=lower1:lower2,upperdir=upper,workdir=work \
  merged

# Docker stores layers in /var/lib/docker/overlay2/

コピーオンライト：読み取りは lower から行い、書き込みは upper に行います。

4. runc と OCI 仕様

# Generate default OCI config
mkdir -p mycontainer/rootfs
runc spec

# Edit config.json — namespaces, mounts, process args
# Run container
sudo runc run mycontainer

# List
runc list

config.json の主なセクション：

{
  "ociVersion": "1.0.2",
  "process": {
    "args": ["/bin/sh"],
    "capabilities": { "bounding": ["CAP_NET_BIND_SERVICE"] }
  },
  "linux": {
    "namespaces": [
      {"type": "pid"}, {"type": "network"}, {"type": "mount"}
    ],
    "seccomp": { ... },
    "resources": {
      "memory": { "limit": 268435456 }
    }
  },
  "root": { "path": "rootfs", "readonly": false }
}

5. seccomp-bpf

// libseccomp example — block mount
#include <seccomp.h>

scmp_filter_ctx ctx = seccomp_init(SCMP_ACT_ALLOW);
seccomp_rule_add(ctx, SCMP_ACT_ERRNO(EPERM), SCMP_SYS(mount), 0);
seccomp_rule_add(ctx, SCMP_ACT_ERRNO(EPERM), SCMP_SYS(pivot_root), 0);
seccomp_load(ctx);

# Docker default seccomp profile (JSON)
# https://github.com/moby/moby/blob/master/profiles/seccomp/default.json

# Audit blocked syscalls
# kernel: seccomp log via auditd
ausearch -m SECCOMP

アクション	効果
SCMP_ACT_KILL	プロセスを終了
SCMP_ACT_ERRNO(n)	エラーを返す
SCMP_ACT_TRACE	トレーサーに通知
SCMP_ACT_ALLOW	システムコールを許可

6. Linux ケーパビリティ

# Drop all caps except needed
capsh --drop=all --add=net_bind_service -- -c '/app/server'

# File capabilities
setcap cap_net_bind_service+ep /usr/bin/myserver
getcap /usr/bin/myserver

コンテナーでは、Docker のデフォルト設定により CAP_SYS_ADMIN、CAP_NET_RAW などが削除されます。root 以外のユーザーで実行し、バウンディングセットを最小限にします。

7. ユーザー名前空間による rootless 実行

# Rootless podman/docker maps root in container to unprivileged UID on host
cat /proc/self/uid_map
#          0       1000          1
# container UID 0 → host UID 1000

rootless 実行の制限：ほとんどのファイルシステムをマウントできず、CAP_SYS_ADMIN もありません。

8. エスケープの緩和策

Defense layers
├── User namespace (rootless)
├── seccomp (block dangerous syscalls)
├── AppArmor/SELinux (MAC)
├── Capabilities drop (--cap-drop=ALL)
├── Read-only rootfs
├── no-new-privileges
└── Seccomp + Landlock for filesystem

docker run --read-only --cap-drop=ALL --security-opt=no-new-privileges \
  --security-opt seccomp=default.json myimage

既知のエスケープ経路：マウントされた docker.sock、特権モード、カーネル CVE、/proc の情報漏えい。

よくある問題

症状	原因	対処
コンテナーが OOMKilled になる	memory.max を超過	上限を引き上げるか、メモリーリークを修正
CPU がスロットリングされる	cpu.max のクォータが低い	cpu.max または weight を調整
コンテナー内で権限が拒否される	ケーパビリティが削除されている	個別のケーパビリティを追加するか、アプリを修正
起動時に seccomp がプロセスを終了する	プロファイルにシステムコールが不足	strace で特定し、システムコールを許可
overlay のマウントに失敗する	workdir が空ではない	workdir をクリーンアップし、権限を確認
rootless のマウントに失敗する	ユーザー名前空間の制限	ホストからボリュームをマウント

関連スキル

• skills/virtualization/qemu-kvm — VM の分離とコンテナーの比較
• skills/security/kernel-security — SELinux、AppArmor、seccomp の詳細
• skills/observability/ebpf — コンテナーのシステムコールをトレース
• skills/runtimes/binary-hardening — 本番環境における seccomp とケーパビリティ
• skills/kernel/kernel-internals — カーネルにおける cgroups と名前空間
• skills/profilers/strace-ltrace — seccomp 調整のためのシステムコールトレース