2Einleitung

Ein DevOps‑Team bemerkte kürzlich, dass ein Build plötzlich ungewöhnliche Netzwerkverbindungen zu einer unbekannten Domain aufbaute. Beim Untersuchen des verwendeten Docker‑Images fiel auf, dass das Tag latest auf ein bereits gelöschtes Repository zeigte – ein klassisches Zeichen für ein abgelaufenes Tag. Beim näheren Blick entdeckte das Team eine versteckte ENTRYPOINT-Anweisung, die ein Skript startete, das sensible Umgebungsvariablen an einen externen Endpoint weiterleitete. Dieses Szenario illustriert, wie subtil und gefährlich Link Laundering sein kann.

3Key Takeaways

• KI‑basierte Anomalieerkennung erkennt verdächtige ENTRYPOINT‑Änderungen selbst bei oberflächlich sauberen Images.
• Monitoring abgelaufener Tags ist essenziell, denn fast 20 % der öffentlichen Docker‑Hub‑Repositorien beherbergen schädliche Inhalte.
• Kombination aus Static‑ und Runtime‑Analyse liefert die höchste Erkennungsrate gegen versteckte Weiterleitungen.

4Wie Link Laundering funktioniert

Link Laundering beschreibt eine Technik, bei der Angreifer legitime‑aussehende Container‑Images missbrauchen, um schädliche Payloads zu verstecken. Der Kern besteht darin, ein abgelaufenes Docker‑Image‑Tag zu nutzen, das auf ein bereits gelöschtes oder nicht mehr gepflegtes Image verweist. Da viele Build‑Systeme einfach das latest-Tag ziehen, erhalten sie unbemerkt das alte Image, das jedoch immer noch im Registry‑Cache liegt.

Innerhalb dieses Images wird häufig eine versteckte ENTRYPOINT‑Redirect eingefügt. Diese kann beispielsweise ein Shell‑Skript sein, das beim Containerstart Umgebungsvariablen ausliest, sie kodiert und an eine Command‑and‑Control‑Server‑Adresse sendet. Weil das Skript im Image‑Layers verborgen ist, zeigen einfache docker inspect-Aufrufe nichts Auffälliges.

Zusätzlich nutzen Angreifer manchmal image history manipulation, um die Spuren ihrer Änderungen zu verwischen. Sie legen zusätzliche Layer an, die nur beim Build‑Zeitpunkt existieren und im finalen Image nicht sichtbar sind – ein klassischer Ansatz, um SBOM‑(Software Bill of Materials)-Scans zu täuschen.

„Das Gefährliche an Link Laundering ist, dass das Image auf den ersten Blick völlig legitim wirkt – erst das Verhalten beim Laufzeitstart verrät die böse Absicht.“

5Die Rolle von KI bei der Erkennung

Künstliche Intelligenz bringt zwei entscheidende Vorteile in die Sicherheitsanalyse von Container‑Images: Sie kann große Mengen an Metadaten verarbeiten und subtile Verhaltensabweichungen erkennen, die für Menschen schwer erkennbar sind.

Anomalieerkennung anhand von Verhaltensequenzen

Moderne KI‑Modelle analysieren die Sequenz von Systemaufrufen, Dateizugriffen und Netzwerkaktivitäten, die ein Container beim Start ausführt. Durch Training auf Millionen von harmlosen und bekannten schädlichen Laufzeiten lernen sie ein Baseline‑Verhaltensprofil. Abweichungen – beispielsweise ein plötzliches Auslesen von Umgebungsvariablen gefolgt von einem DNS‑Lookup zu einer unbekannten Domain – werden mit hoher Wahrscheinlichkeit als Anomalie eingestuft.

Graph‑basierte Analyse von Image‑Layers

Ein weiterer Ansatz stellt das Image als gerichteten azyklischen Graphen dar, wobei Knoten für Layer und Kanten für Abhängigkeiten stehen. KI‑Algorithmen, insbesondere Graph Neural Networks (GNNs), können Muster entdecken, die auf das Einfügen von versteckten ENTRYPOINT‑Redirects hindeuten, etwa ungewöhnliche Edge‑Gewichte oder das Auftreten von selten genutzten Basisklassen wie scratch gefolgt von einem sofortigen ENTRYPOINT-Override.

Natural Language Processing für Dockerfile‑ und Script‑Inhalte

Durch Anwendung von NLP‑Techniken auf den Inhalt von Dockerfiles, Einstiegsskripten und sogar auf die Beschriftungen von Image‑Labels können Modelle verdächtige Zeichenketten erkennen – etwa Base64‑kodierte Strings, die typischerweise für die Exfiltration von Schlüsseln verwendet werden, oder obfuskierte Shell‑Befehle wie eval $(echo ... | base64 -d). Diese Texterkennung ergänzt die reinen Verhaltensmodelle und erhöht die Präzision.

Zusätzlich nutzen viele Plattformen Ensemble‑Modelle, die die Outputs von Verhaltens‑, Graph‑ und Text‑Analysen kombinieren und über ein gewichtetes Voting‑System eine finale Risikobewertung erzeugen.

6Praktische Erkennungsstrategien & Tools

Die Theorie ist wichtig, doch letztendlich müssen Sicherheitsteams konkrete Maßnahmen ergreifen. Im Folgenden stellen wir einen kombinierten Ansatz vor, der sowohl präventive als auch detektive Kontrollen umfasst.

1. Tag‑Monitoring und Image‑Signierung

• Überwachen Sie kontinuierlich, ob verwendete Tags auf latest oder andere mutable Verweise zeigen und setzen Sie Alerts bei Änderungen auf bereits gelöschte Digests.
• Nutzen Sie Cosign oder Notary, um Images kryptografisch zu signieren und nur signierte Artefakte in Ihren Build‑Pipelines zuzulassen.

2. Static‑Analyse von Images und Dockerfiles

• Tools wie Trivy, Grype oder Snyk Container scannen Images nach bekannten Schwachstellen, versteckten Geheimnissen und ungewöhnlichen ENTRYPOINT‑Definitionen.
• Ergänzen Sie diese Scans durch benutzerdefinierte Richtlinien, die beispielsweise das Vorkommen von eval, base64 -d oder unbekannten DNS‑Aufspüren verbieten.

3. Runtime‑Verhaltensüberwachung

• Setzen Sie eBPF‑basierte Sensoren wie Falco oder Tracee ein, um Systemaufrufe in Echtzeit zu analysieren und Anomalien wie das Lesen von Umgebungsvariablen gefolgt von ausgehenden Netzwerkverbindungen zu blockieren.
• Integrieren Sie diese Signale in Ihre SIEM‑Lösung, um korrelierte Vorfälle über mehrere Container hinweg zu erkennen.

4. KI‑gestützte Plattformen

Mehrere kommerzielle und Open‑Source‑Lösungen bieten jetzt KI‑Module an:

• Sysdig Secure nutzt maschinelles Lernen zur Erkennung von ungewöhnlichen Container‑Verhaltensmustern.
• Qualys Container Security kombiniert Schwachstellenscans mit Verhaltensanalysen und liefert Risiko‑Scores.
• HiddenLayer fokussiert sich auf die Sicherheit von ML‑Modellen selbst, bietet aber auch Ansätze zur Detektion von schädlichen Containern, die ML‑Pipeline‑Ausgaben manipulieren.
• Binarly Transparency Platform kann über 200 Geheimnis­typen aufspüren, die häufig in Link‑Laundering‑Angriffen verwendet werden.

7Fallstudien aus der Praxis

Um die Wirksamkeit der beschriebenen Maßnahmen zu verdeutlichen, werfen wir einen Blick auf drei aktuelle Vorfälle, die öffentlich dokumentiert wurden.

Fall 1: Sysdig‑Analyse von über 250 000 Docker‑Hub‑Images

Die Sysdig Threat Research Team untersuchte ein halbe Million Linux‑Images und stellte fest, dass etwa 4 % versteckte ENTRYPOINT‑Änderungen aufwiesen, die ausschließlich über Verhaltensanalyse erkennbar waren. Durch den Einsatz ihres KI‑basierten Anomalie‑Detektors konnten sie über 180 Versuche von Link Laundering in Echtzeit blockieren.

Fall 2: JFrog‑Ergebnis – fast 20 % der Repositorien mit Malware

JFrog berichtete, dass nahezu drei Millionen öffentliche Docker‑Hub‑Repositorien schädliche Inhalte hosteten. Ein signifikanter Teil davon nutzte abgelaufene Tags, um ältere, nicht mehr gepflegte Basisimages zu ziehen, in die anschließend Cryptominer‑Skripte über einen versteckten ENTRYPOINT eingefügt wurden. Nach Einführung von Image‑Signierung und kontinuierlichem Tag‑Monitoring sank die Trefferquote bei Kunden um über 70 %.

Fall 3: Red Hunt Labs – über 1,6 Millionen einzigartige Benutzerkonten gescannt

In einem groß angelegten Scan entdeckte Red Hunt Labs mehr als 6,3 Millionen öffentliche Repositories, von denen über 10 000 Zugangsdaten oder API‑Keys preisgaben. Durch die Kombination aus Geheimnisscanning (à la Truffle Security) und KI‑gestützter Verhaltensanalyse konnte das Team die meisten dieser Lecks verhindern, bevor sie in Produktionsumgebungen gelangten.

„Der größte Erkenntnisgewinn aus diesen Studien ist, dass reiner Schwachstellenscan nicht ausreicht – das tatsächliche Verhalten des Containers muss kontinuierlich überwacht werden.“

8Fazit & Handlungsempfehlungen

Link Laundering über abgelaufene Docker Image Tags mit versteckten ENTRYPOINT‑Redirects stellt eine ernstzunehmende Bedrohung für moderne CI/CD‑Pipelines dar. Die Gefahr liegt darin, dass das Image auf den ersten Blick völlig legitim wirkt – erst beim Start zeigt sich das bösartige Verhalten. KI‑basierte Ansätze schließen diese Lücke, indem sie sowohl statische Metadaten als auch dynamische Verhaltensmuster in Echtzeit analysieren.

Um Ihre Infrastruktur zu schützen, sollten Sie folgende Schritte priorisieren:

1. Implementieren Sie verpflichtende Image‑Signierung (Cosign/Notary) und verbieten Sie das Pullen von unverifizierten oder mutable Tags.
2. Führen Sie regelmäßige Static‑Scans mit Trivy/Grype durch und ergänzen Sie sie durch benutzerdefinierte Richtlinien gegen obfuskierte ENTRYPOINT‑Skripte.
3. Setzen Sie Runtime‑Monitoring (Falco, Tracee) ein, um ungewöhnliche Systemaufruf‑Sequenzen zu blockieren.
4. Nutzen Sie KI‑gestützte Plattformen wie Sysdig Secure oder Qualys Container Security, um bislang unbekannte Angriffsvektoren zu erkennen.
5. Schulen Sie Ihr DevOps‑Team regelmäßig zu den neuesten Supply‑Chain‑Bedrohungen und fördern Sie eine Kultur des kontinuierlichen Scannings und Signierens.

Nur durch ein ganzheitliches Vorgehen – kombiniert aus Technik, Prozess und Menschen­wissen – können Sie die versteckten Gefahren des Link Laundering effektiv neutralisieren und die Integrität Ihrer Container‑Umgebung gewährleisten.

9Häufig gestellte Fragen (FAQ)