Documentation/userspace-api/seccomp_filter.rst

   1 ===========================================
   2 Seccomp BPF (SECure COMPuting with filters)
   3 ===========================================
   4
   5 Introduction
   6 ============
   7
   8 A large number of system calls are exposed to every userland process
   9 with many of them going unused for the entire lifetime of the process.
  10 As system calls change and mature, bugs are found and eradicated.  A
  11 certain subset of userland applications benefit by having a reduced set
  12 of available system calls.  The resulting set reduces the total kernel
  13 surface exposed to the application.  System call filtering is meant for
  14 use with those applications.
  15
  16 Seccomp filtering provides a means for a process to specify a filter for
  17 incoming system calls.  The filter is expressed as a Berkeley Packet
  18 Filter (BPF) program, as with socket filters, except that the data
  19 operated on is related to the system call being made: system call
  20 number and the system call arguments.  This allows for expressive
  21 filtering of system calls using a filter program language with a long
  22 history of being exposed to userland and a straightforward data set.
  23
  24 Additionally, BPF makes it impossible for users of seccomp to fall prey
  25 to time-of-check-time-of-use (TOCTOU) attacks that are common in system
  26 call interposition frameworks.  BPF programs may not dereference
  27 pointers which constrains all filters to solely evaluating the system
  28 call arguments directly.
  29
  30 What it isn't
  31 =============
  32
  33 System call filtering isn't a sandbox.  It provides a clearly defined
  34 mechanism for minimizing the exposed kernel surface.  It is meant to be
  35 a tool for sandbox developers to use.  Beyond that, policy for logical
  36 behavior and information flow should be managed with a combination of
  37 other system hardening techniques and, potentially, an LSM of your
  38 choosing.  Expressive, dynamic filters provide further options down this
  39 path (avoiding pathological sizes or selecting which of the multiplexed
  40 system calls in socketcall() is allowed, for instance) which could be
  41 construed, incorrectly, as a more complete sandboxing solution.
  42
  43 Usage
  44 =====
  45
  46 An additional seccomp mode is added and is enabled using the same
  47 prctl(2) call as the strict seccomp.  If the architecture has
  48 ``CONFIG_HAVE_ARCH_SECCOMP_FILTER``, then filters may be added as below:
  49
  50 ``PR_SET_SECCOMP``:
  51         Now takes an additional argument which specifies a new filter
  52         using a BPF program.
  53         The BPF program will be executed over struct seccomp_data
  54         reflecting the system call number, arguments, and other
  55         metadata.  The BPF program must then return one of the
  56         acceptable values to inform the kernel which action should be
  57         taken.
  58
  59         Usage::
  60
  61                 prctl(PR_SET_SECCOMP, SECCOMP_MODE_FILTER, prog);
  62
  63         The 'prog' argument is a pointer to a struct sock_fprog which
  64         will contain the filter program.  If the program is invalid, the
  65         call will return -1 and set errno to ``EINVAL``.
  66
  67         If ``fork``/``clone`` and ``execve`` are allowed by @prog, any child
  68         processes will be constrained to the same filters and system
  69         call ABI as the parent.
  70
  71         Prior to use, the task must call ``prctl(PR_SET_NO_NEW_PRIVS, 1)`` or
  72         run with ``CAP_SYS_ADMIN`` privileges in its namespace.  If these are not
  73         true, ``-EACCES`` will be returned.  This requirement ensures that filter
  74         programs cannot be applied to child processes with greater privileges
  75         than the task that installed them.
  76
  77         Additionally, if ``prctl(2)`` is allowed by the attached filter,
  78         additional filters may be layered on which will increase evaluation
  79         time, but allow for further decreasing the attack surface during
  80         execution of a process.
  81
  82 The above call returns 0 on success and non-zero on error.
  83
  84 Return values
  85 =============
  86
  87 A seccomp filter may return any of the following values. If multiple
  88 filters exist, the return value for the evaluation of a given system
  89 call will always use the highest precedent value. (For example,
  90 ``SECCOMP_RET_KILL`` will always take precedence.)
  91
  92 In precedence order, they are:
  93
  94 ``SECCOMP_RET_KILL``:
  95         Results in the task exiting immediately without executing the
  96         system call.  The exit status of the task (``status & 0x7f``) will
  97         be ``SIGSYS``, not ``SIGKILL``.
  98
  99 ``SECCOMP_RET_TRAP``:
 100         Results in the kernel sending a ``SIGSYS`` signal to the triggering
 101         task without executing the system call. ``siginfo->si_call_addr``
 102         will show the address of the system call instruction, and
 103         ``siginfo->si_syscall`` and ``siginfo->si_arch`` will indicate which
 104         syscall was attempted.  The program counter will be as though
 105         the syscall happened (i.e. it will not point to the syscall
 106         instruction).  The return value register will contain an arch-
 107         dependent value -- if resuming execution, set it to something
 108         sensible.  (The architecture dependency is because replacing
 109         it with ``-ENOSYS`` could overwrite some useful information.)
 110
 111         The ``SECCOMP_RET_DATA`` portion of the return value will be passed
 112         as ``si_errno``.
 113
 114         ``SIGSYS`` triggered by seccomp will have a si_code of ``SYS_SECCOMP``.
 115
 116 ``SECCOMP_RET_ERRNO``:
 117         Results in the lower 16-bits of the return value being passed
 118         to userland as the errno without executing the system call.
 119
 120 ``SECCOMP_RET_TRACE``:
 121         When returned, this value will cause the kernel to attempt to
 122         notify a ``ptrace()``-based tracer prior to executing the system
 123         call.  If there is no tracer present, ``-ENOSYS`` is returned to
 124         userland and the system call is not executed.
 125
 126         A tracer will be notified if it requests ``PTRACE_O_TRACESECCOM``P
 127         using ``ptrace(PTRACE_SETOPTIONS)``.  The tracer will be notified
 128         of a ``PTRACE_EVENT_SECCOMP`` and the ``SECCOMP_RET_DATA`` portion of
 129         the BPF program return value will be available to the tracer
 130         via ``PTRACE_GETEVENTMSG``.
 131
 132         The tracer can skip the system call by changing the syscall number
 133         to -1.  Alternatively, the tracer can change the system call
 134         requested by changing the system call to a valid syscall number.  If
 135         the tracer asks to skip the system call, then the system call will
 136         appear to return the value that the tracer puts in the return value
 137         register.
 138
 139         The seccomp check will not be run again after the tracer is
 140         notified.  (This means that seccomp-based sandboxes MUST NOT
 141         allow use of ptrace, even of other sandboxed processes, without
 142         extreme care; ptracers can use this mechanism to escape.)
 143
 144 ``SECCOMP_RET_ALLOW``:
 145         Results in the system call being executed.
 146
 147 If multiple filters exist, the return value for the evaluation of a
 148 given system call will always use the highest precedent value.
 149
 150 Precedence is only determined using the ``SECCOMP_RET_ACTION`` mask.  When
 151 multiple filters return values of the same precedence, only the
 152 ``SECCOMP_RET_DATA`` from the most recently installed filter will be
 153 returned.
 154
 155 Pitfalls
 156 ========
 157
 158 The biggest pitfall to avoid during use is filtering on system call
 159 number without checking the architecture value.  Why?  On any
 160 architecture that supports multiple system call invocation conventions,
 161 the system call numbers may vary based on the specific invocation.  If
 162 the numbers in the different calling conventions overlap, then checks in
 163 the filters may be abused.  Always check the arch value!
 164
 165 Example
 166 =======
 167
 168 The ``samples/seccomp/`` directory contains both an x86-specific example
 169 and a more generic example of a higher level macro interface for BPF
 170 program generation.
 171
 172
 173
 174 Adding architecture support
 175 ===========================
 176
 177 See ``arch/Kconfig`` for the authoritative requirements.  In general, if an
 178 architecture supports both ptrace_event and seccomp, it will be able to
 179 support seccomp filter with minor fixup: ``SIGSYS`` support and seccomp return
 180 value checking.  Then it must just add ``CONFIG_HAVE_ARCH_SECCOMP_FILTER``
 181 to its arch-specific Kconfig.
 182
 183
 184
 185 Caveats
 186 =======
 187
 188 The vDSO can cause some system calls to run entirely in userspace,
 189 leading to surprises when you run programs on different machines that
 190 fall back to real syscalls.  To minimize these surprises on x86, make
 191 sure you test with
 192 ``/sys/devices/system/clocksource/clocksource0/current_clocksource`` set to
 193 something like ``acpi_pm``.
 194
 195 On x86-64, vsyscall emulation is enabled by default.  (vsyscalls are
 196 legacy variants on vDSO calls.)  Currently, emulated vsyscalls will
 197 honor seccomp, with a few oddities:
 198
 199 - A return value of ``SECCOMP_RET_TRAP`` will set a ``si_call_addr`` pointing to
 200   the vsyscall entry for the given call and not the address after the
 201   'syscall' instruction.  Any code which wants to restart the call
 202   should be aware that (a) a ret instruction has been emulated and (b)
 203   trying to resume the syscall will again trigger the standard vsyscall
 204   emulation security checks, making resuming the syscall mostly
 205   pointless.
 206
 207 - A return value of ``SECCOMP_RET_TRACE`` will signal the tracer as usual,
 208   but the syscall may not be changed to another system call using the
 209   orig_rax register. It may only be changed to -1 order to skip the
 210   currently emulated call. Any other change MAY terminate the process.
 211   The rip value seen by the tracer will be the syscall entry address;
 212   this is different from normal behavior.  The tracer MUST NOT modify
 213   rip or rsp.  (Do not rely on other changes terminating the process.
 214   They might work.  For example, on some kernels, choosing a syscall
 215   that only exists in future kernels will be correctly emulated (by
 216   returning ``-ENOSYS``).
 217
 218 To detect this quirky behavior, check for ``addr & ~0x0C00 ==
 219 0xFFFFFFFFFF600000``.  (For ``SECCOMP_RET_TRACE``, use rip.  For
 220 ``SECCOMP_RET_TRAP``, use ``siginfo->si_call_addr``.)  Do not check any other
 221 condition: future kernels may improve vsyscall emulation and current
 222 kernels in vsyscall=native mode will behave differently, but the
 223 instructions at ``0xF...F600{0,4,8,C}00`` will not be system calls in these
 224 cases.
 225
 226 Note that modern systems are unlikely to use vsyscalls at all -- they
 227 are a legacy feature and they are considerably slower than standard
 228 syscalls.  New code will use the vDSO, and vDSO-issued system calls
 229 are indistinguishable from normal system calls.