CNCF: Confidential Containers steigt in den Incubating-Status auf, mit über 150 Mitwirkenden und Fokus auf Confidential AI

Was ist Confidential Containers, und welche TEE-Technologien nutzt es?

Confidential Containers ist ein 2021 gestartetes Open-Source-Projekt, das das Problem des Schutzes von Data-in-Use löst, nicht nur von gespeicherten oder übertragenen Daten. Das Projekt nutzt hardwarebasierte Trusted Execution Environments (TEE), isolierte und verschlüsselte Ausführungsumgebungen innerhalb des Prozessors selbst, kombiniert mit der Kata-Containers-Runtime, die Container zur zusätzlichen Isolation innerhalb leichtgewichtiger virtueller Maschinen ausführt. Zusammen ermöglichen TEE und Kata Containers das Ausführen sensibler Workloads, sodass selbst der Infrastrukturanbieter nicht auf die Daten im Container zugreifen kann, während sie verarbeitet werden.

Warum befördert das TOC das Projekt in den Incubating-Status?

Das CNCF Technical Oversight Committee, das technische Aufsichtsgremium der Cloud Native Computing Foundation, hat für die Beförderung von Confidential Containers vom Sandbox-Status, der Einstiegsstufe für neue Projekte, in den Incubating-Status gestimmt — eine Stufe, die breitere Produktionsnutzung und eine reifere Community bestätigt. Die Community-Kennzahlen untermauern die Entscheidung: Das Projekt zählt mehr als 1.000 GitHub-Sterne, mehr als 1.200 gemergte Pull Requests und mehr als 150 aktive Mitwirkende, die von Unternehmen wie Red Hat, Intel, IBM, Microsoft Azure, AMD und NVIDIA kommen — Konkurrenten, die hier an gemeinsamer Infrastruktur zusammenarbeiten.

Erweiterung Richtung Confidential AI über KServe

Die Maintainer Ariel Adam und Mikko Ylinen betonen, dass sich das Projekt nun Richtung Confidential AI erweitert, also der Anwendung des TEE-Schutzes speziell auf KI-Workloads. Die Integration mit KServe, einer Open-Source-Plattform zum Servieren von Machine-Learning-Modellen auf Kubernetes, ermöglicht das Deployment sensibler ML-Modelle in der Produktion innerhalb einer geschützten TEE-Umgebung, sodass weder Nutzerdaten noch die Modellparameter selbst dem Infrastrukturbetreiber während der Inferenz offengelegt werden. Damit erhält das Projekt, ursprünglich zum Schutz generischer containerisierter Workloads konzipiert, eine klare zweite Anwendung, die direkt auf die Bedürfnisse produktiver KI-Systeme zielt.