Raske isolerte Docker-miljøer for AI-agent RL-rollouts med gvx

Flaskehalsen i sikkerhet og infrastruktur for RL-rollouts med kodeagenter

Trening og evaluering av programvareingeniør-agenter på tvers av benchmarks og rammeverk for reinforcement learning (RL), som SWE-bench, SWE-ReX, R2E-Gym, SWE-Gym, Verl og OpenHands, krever kjøring av tusenvis av samtidige rollouts av utrygg, LLM-generert kode. I reelle oppgaver innen programvareutvikling redigerer en agent ikke bare tekstfiler: Den kjører docker build, starter databaser og mikrotjenester via docker compose, kjører suiter med integrasjonstester og inspiserer containerlogger.

Ved rollout-skala (128 til 1 024 samtidige episoder per klynge) møter eksisterende containerinfrastruktur fire systemiske flaskehalser knyttet til sikkerhet og ytelse:

1. Låskonflikt og tilstandslekkasje i vertens dockerd: Når hundrevis av samtidige RL-arbeidere peker mot en enkelt vertsbasert /var/run/docker.sock, gir det hver agent root-tilsvarende tilgang til vertsdemonen, serialiserer uttrekking av image-lag, tømmer adresserommet for docker0-subnett, utløser feilmeldingen Another app is currently holding the xtables lock i vertens iptables og lekker foreldreløse containere på tvers av episoder.
2. Risiko for containerrømming via privilegert DinD: Kjøring av standard docker:dind-containere krever --privileged (CAP_SYS_ADMIN), noe som eksponerer rå blokkenheter på verten, cgroup release agents og kjernemoduler for utrygge RL-rollouts.
3. Begrensninger ved maskinvarevirtualisering (/dev/kvm): MicroVM-kjøretider (Firecracker, QEMU, Kata Containers) isolerer interne kjerner på en ren måte, men de krever /dev/kvm. Standard Kubernetes-pods uten nøstet virtualisering, bare-metal-skyinstanser der KVM er deaktivert, og eksisterende gVisor (runsc)-sandkasser kan ikke starte KVM-microVM-er.
4. Høy latens ved tilbakestilling av episoder (env.reset()): Oppstart av et nytt docker:dind-miljø og henting eller utpakking av basisbilder for hver RL-episode tar 10 til 60 sekunder, og GPU-treningsarbeidere står inaktive mens de venter på tilbakestilling av miljøene.

gvx (rungv-CLI og z.gfire.dev/gvx/pkg/gvx Go-SDK) tilbyr en sikker rollout-kjøretid med forsvar i dybden som løser alle fire flaskehalsene. Hvert rollout-miljø kjører som én enkelt, uprivilegert og selvlåst prosess i brukerrommet (isolert av Googles gVisor Sentry-kjerne, pkg/hostlockdown og et netstack i minnet), og hele tilstanden i /var/lib/docker ligger i én enkelt copy-on-write .ext4-fil (ext4lite).

Null-privilegert sikkerhet for utrygge agentutrullinger: Hver gvx-episode låser sin egen vertsprosess i operativsystemet før gjestekode kjøres (PR_SET_NO_NEW_PRIVS + BPF seccomp på Linux, Seatbelt deny default på macOS, Restricted Token + Job Object på Windows). Selv om en RL-agent kjører docker run --privileged eller destruktive rm -rf /-kommandoer inne i sin episode, forblir disse operasjonene strengt begrenset til episodens Sentry-kjerne i brukerrommet og til dens midlertidige .ext4-volumfil.

Rollout-arkitektur: Parallelle uprivilegerte instanser + Reflink-øyeblikksbilder

I gvx er hver rollout-arbeider en vanlig uprivilegert OS-prosess med sin egen gVisor Sentry-kjerne, sitt eget netstack i brukerrommet (10.0.2.15/24) og sitt eget ext4lite-blokkvolum (ep-N.ext4). Samtidig deler den en skrivebeskyttet, innholdsadressert erofs-OCI-bildecache på tvers av vertens sidecache.

Hvorfor enkeltfilsvolumer med ext4lite endrer økonomien ved RL-tilbakestilling

Fordi ext4lite-filsystemet i gvx lagrer et helt JBD2-journalført ext4-volum (inkludert Dockers overlayfs-lagkataloger, utvidede attributter trusted.overlay.*, whiteout-enhetsnoder og bildemetadata) i én vanlig fil på verten, blir livssyklushåndtering av episoder en enkelt filoperasjon:

1. 100 millisekunders env.reset() via cp --reflink=always:
   • Du bygger én gang en fil golden-docker.ext4 som inneholder forhåndshentede basisbilder (python:3.11, postgres:16, redis:7 eller oppgavespesifikke basisbilder for SWE-bench).
   • Ved starten av hver RL-episode oppretter cp --reflink=always golden-docker.ext4 ep-0042.ext4 (på XFS, Btrfs, ZFS eller macOS APFS) en uavhengig Copy-on-Write-klone på under 100 millisekunder uten å kopiere underliggende diskblokker.
   • Bare de 4 KiB-blokkene som er endret under den spesifikke episoden, bruker ekstra diskplass.
2. Nedrivning uten rester (env.close()):
   • Når rungv-prosessen avsluttes (sb.Close() i Go) og ep-0042.ext4 fjernes, frigjøres 100 % av episodens prosesser, nettverkssokler, monteringer og lagring på ca. 10 millisekunder. Ingenting blir noen gang montert i vertskjernens monteringstabell eller registrert i vertens cgroups.

Trinn-for-trinn-arbeidsflyt: Golden .ext4-øyeblikksbilde og rask tilbakestilling av episoder

Du kan installere rungv på hver rollout-arbeiderknute enten ved å laste ned den SLSA-attesterte, ferdigbygde binærfilen fra GitHub Releases (gh attestation verify rungv-v0.2.0-linux-amd64.tar.gz --repo gfire-sigs/gvx --signer-workflow gfire-sigs/gvx/.github/workflows/release.yml --deny-self-hosted-runners) eller ved å kjøre CGO_ENABLED=0 go install z.gfire.dev/gvx/cmd/rungv@latest.

Steg 1: Opprett det golden docker:dind-volumet én gang

 1mkdir -p /srv/rl-snapshots /srv/rl-episodes
 2
 3# 1. Start en seed-instans av docker:dind basert på golden-docker.ext4
 4rungv run \
 5  -p unix:/srv/rl-snapshots/seed.sock:2375 \
 6  --mount type=volume,src=/srv/rl-snapshots/golden-docker.ext4,dst=/var/lib/docker \
 7  -e DOCKER_TLS_CERTDIR= \
 8  docker:dind --tls=false &
 9SEED_PID=$!
10
11# 2. Forhåndsfyll basisbilder og byggecache inne i golden-docker.ext4
12export DOCKER_HOST="unix:///srv/rl-snapshots/seed.sock"
13until docker info >/dev/null 2>&1; do sleep 0.5; done
14
15docker pull python:3.11-slim
16docker pull redis:7-alpine
17docker pull postgres:16-alpine
18
19# 3. Stopp seed-instansen på en kontrollert måte, slik at ext4lite tømmer buffere og komprimerer bildet
20kill -INT $SEED_PID
21wait $SEED_PID

Steg 2: Start parallelle RL-episoder på 100 millisekunder

Hver parallell rollout-arbeider kloner golden-docker.ext4 via reflink og starter en isolert docker:dind-instans med alle bilder allerede til stede i /var/lib/docker:

 1EPISODE_ID="ep-0042"
 2SOCK="/srv/rl-episodes/${EPISODE_ID}.sock"
 3
 4# Umiddelbar Copy-on-Write-klone (~100 ms på XFS/Btrfs/APFS)
 5cp --reflink=always \
 6  /srv/rl-snapshots/golden-docker.ext4 \
 7  "/srv/rl-episodes/${EPISODE_ID}.ext4"
 8
 9# Start isolert uprivilegert episode med 4 GiB RAM og 2 CPU-er
10rungv run \
11  -m 4g --cpus 2 \
12  -p "unix:${SOCK}:2375" \
13  --mount "type=volume,src=/srv/rl-episodes/${EPISODE_ID}.ext4,dst=/var/lib/docker" \
14  -e DOCKER_TLS_CERTDIR= \
15  docker:dind --tls=false &
16EP_PID=$!
17
18export DOCKER_HOST="unix://${SOCK}"
19until docker info >/dev/null 2>&1; do sleep 0.2; done
20
21# Inne i rollout-arbeideren er bildene umiddelbart tilgjengelige uten nedlasting over nettverket
22docker images
23
24# Nedrivning av episoden etter beregning av belønning (~10 ms)
25kill -KILL $EP_PID
26rm -f "/srv/rl-episodes/${EPISODE_ID}.ext4" "${SOCK}"

Programmatisk rollout-pool med Go-SDK-en z.gfire.dev/gvx/pkg/gvx

Hvis RL-miljøserveren eller evalueringsrammeverket ditt er skrevet i Go (eller kaller en Go-rollout-demon over gRPC), kan du styre parallelle containerepisoder direkte gjennom z.gfire.dev/gvx/pkg/gvx:

 1package main
 2
 3import (
 4	"bytes"
 5	"context"
 6	"fmt"
 7	"log"
 8	"os"
 9	"os/exec"
10	"path/filepath"
11	"time"
12
13	"z.gfire.dev/gvx/pkg/gvx"
14)
15
16func runEpisode(ctx context.Context, goldenExt4, scratchDir string, epID int) error {
17	epExt4 := filepath.Join(scratchDir, fmt.Sprintf("ep-%04d.ext4", epID))
18	defer os.Remove(epExt4)
19
20	// 1. Lag en reflink-klone av det golden ext4lite-volumet
21	cpCmd := exec.CommandContext(ctx, "cp", "--reflink=always", goldenExt4, epExt4)
22	if err := cpCmd.Run(); err != nil {
23		return fmt.Errorf("clone golden volume: %w", err)
24	}
25
26	// 2. Sett en tidsgrense i sanntid per episode
27	epCtx, cancel := context.WithTimeout(ctx, 2*time.Minute)
28	defer cancel()
29
30	var stdout, stderr bytes.Buffer
31	sb, err := gvx.New(epCtx, gvx.Config{
32		Platform:               gvx.PlatformAuto,
33		NetworkMode:            gvx.NetModeNAT,
34		NetRaw:                 true,
35		AllowPacketSocketWrite: true,
36		AllowSUID:              true,
37		OCIImage:               "docker:dind",
38		Entrypoint:             []string{"sh", "-c"},
39		EntrypointSet:          true,
40		Cmd: []string{
41			"dockerd-entrypoint.sh --tls=false >/var/log/dockerd.log 2>&1 & " +
42				"until docker info >/dev/null 2>&1; do sleep 0.2; done && " +
43				"docker run --rm python:3.11-slim python -c 'print(6 * 7)'",
44		},
45		Envv: []string{"DOCKER_TLS_CERTDIR="},
46		Mounts: []gvx.Mount{
47			{
48				Kind:      gvx.MountVolume,
49				ImagePath: epExt4,
50				GuestPath: "/var/lib/docker",
51			},
52		},
53		Resources: gvx.Resources{
54			MemoryBytes: 4 << 30, // Maksimalt 4 GiB
55			CPUMillis:   2000,    // 2,0 CPU-er
56		},
57		Stdout: &stdout,
58		Stderr: &stderr,
59	})
60	if err != nil {
61		return fmt.Errorf("init episode %d: %w", epID, err)
62	}
63	defer sb.Close()
64
65	exitCode, err := sb.Run(epCtx)
66	if err != nil {
67		return fmt.Errorf("run episode %d: %w", epID, err)
68	}
69
70	log.Printf("episode %d finished: exit=%d stdout=%q", epID, exitCode, stdout.String())
71	return nil
72}
73
74func main() {
75	ctx := context.Background()
76	if err := runEpisode(ctx, "/srv/rl-snapshots/golden-docker.ext4", "/srv/rl-episodes", 1); err != nil {
77		log.Fatal(err)
78	}
79}

Sammenligning av kjøretider for sandkasser i agent-RL

Videre lesning i denne serien

1. gvx: Kjøring av Linux-containere, Docker og Kubernetes i én uprivilegert prosess: Fullstendig gjennomgang av arkitekturen i gvx på Windows (whpx, systrap), macOS (hvf) og Linux (systrap).
2. Kjøring av Docker, docker build og docker compose uten root eller brukernavnerom: Rask veiledning i tre trinn for oppstart og feilsøking når sudo, unshare(CLONE_NEWUSER), mount(2) og /dev/fuse er blokkert.
3. Kjøring av Docker-in-Docker inne i gVisor og nøstede sandkasser med gvx: Grundig gjennomgang av hvorfor docker.io og nøstet runsc feiler inne i gVisor (runsc), og hvordan gvx faller tilbake til futex-løkken _RUN_SYSCALL_LOOP ved EBUSY.
4. Raske isolerte Docker-miljøer for RL-rollouts med AI-agenter og gvx (dette innlegget)