云原生技术动态：GKE推出AI威胁检测器，etcd RangeStream进入Beta强化大规模读取

本周云原生生态聚焦AI工作负载的安全与性能加固。Google于9月2日在Security Command Center上线针对GKE、Cloud Run与Agent Platform的”Malicious Skill”运行时威胁检测器，为AI智能体代码提供运行时行为层面的防御；与此同时，etcd RangeStream在Kubernetes v1.37中晋升Beta，显著降低大规模列表读取的内存占用。安全与性能两条主线，共同指向云原生平台拥抱AI时的技术底座深挖。

主要新闻

Google在GKE上线”Malicious Skill”AI威胁检测器

Google Cloud于9月2日在Security Command Center（SCC）中正式上线针对AI工作负载的”Malicious Skill”运行时威胁检测器，覆盖Google Kubernetes Engine（GKE）、Cloud Run与Google Agent Platform。与构建期镜像扫描不同，该检测器聚焦于AI智能体代码在运行时实际执行的行为——即便是已经部署并受信任的智能体，一旦发生异常行为也能被实时捕获。检测器与其他生态组件（如Confidential GKE Nodes、GKE Agent Sandbox）共同构成Google的”基础设施-模型完整性-应用安全”三层AI安全架构。

Source: GKE Gets AI Threat Detectors After 8-Hour Outage

Kubernetes 1.37下etcd RangeStream晋升Beta，削减大规模读取内存

Kubernetes官方博客9月1日宣布，etcd RangeStream在v1.37中晋升Beta并默认开启。RangeStream配合etcd v3.7，将Range RPC的整包响应改为分块流式返回——块大小根据返回值的容量（而非key数量）自适应调整，内存随流处理及时释放。这使得API server与etcd在读取大规模集合（如海量List请求）时的内存峰值更可控、更可预测，对承载大型多集群与高密度对象查询的环境意义重大。该特性通过EtcdRangeStream特性门控控制，可在运行时优雅回退到旧分页Range路径。

Source: Kubernetes v1.37: etcd RangeStream Cuts Memory Use on Large List Reads

CNCF毕业Kubeflow，确立Kubernetes为AI控制平面

CNCF正式将Kubeflow提升至毕业（Graduated）地位，标志其在Kubernetes上端到端自动化AI/ML生命周期方面获得广泛企业采用。Kubeflow自2023年进入孵化以来，Python包下载量接近2.6亿，贡献者超过6,600人，用户涵盖Nvidia、LinkedIn与Spotify。其路线图聚焦于扩展大语言模型（LLM）编排与强化后训练能力。CNCF CTO Chris Aniszczyk称其毕业是”Kubernetes上企业AI工作负载成熟的里程碑”。

Source: CNCF Announces Kubeflow’s Graduation

Google强化GKE Agent安全：从Sandbox到运行时检测的防御纵深

伴随恶意技能检测器的上线，Google进一步铺开GKE Agent Sandbox与Titanium Intelligence Enclave等能力。GKE Agent Sandbox基于gVisor技术，可每秒启动多达300个沙箱，用于安全执行AI智能体生成的代码；而GKE hypercluster则可凭借单一逻辑集群管理跨多区域多达100万颗芯片。Google强调，这种大规模共享基础设施意味着任何安全失败都可能波及整个集群的GPU/TPU舰队，因此对”恶意技能”的实时运行时检测、配合硬件级隔离，成为AI工作负载安全的关键前提。

Source: GKE AI Security Defense-in-Depth

分析

本周最重要信号，是云原生安全正从”以镜像为中心的构建期防护”转向”以行为为中心的运行时防护”。Google在GKE/Cloud Run上线的Malicious Skill检测器是一个典型的分水岭：当AI智能体能够自主生成并执行代码时，传统的镜像扫描已不足以捕捉”代码在信任后被用于恶意用途”的风险。运行时检测、沙箱化执行与硬件级隔离（如Confidential GKE Nodes、Titanium Enclave）的叠加，说明厂商正为”AI入生产”重构安全范式——防护对象从静态工件转向动态行为，这将对平台工程与安全运营的现有告警与应急流程提出全新要求。

基础设施层面，Kubernetes 1.37的etcd RangeStream晋升Beta则回应了一个常被忽视却影响深远的问题：大规模读取的性能与内存成本。当AI训练、海量对象与多集群联邦产生密集的List与Watch流量时，API server与etcd的内存峰值往往是规模化瓶颈。RangeStream以流式分块取代整包加载，使内存随处理释放、按字节而非key数自适应，是Kubernetes为”big data + big AI”时代做出的关键降本优化。这与此前Kubernetes 1.37中64项增强（含DRA Group Claim Sharing等面向大型AI训练的特性）共同构成对大规模工作负载的系统支持。

Kubeflow的毕业则从另一个维度确认了”Kubernetes作为AI控制平面”的叙事。随着Kubeflow、OpenTelemetry等AI相关项目相继成熟毕业，Cloud Native平台”承载AI”的能力已经从口号变为经过治理层认可的工程事实。对平台团队而言，这意味着评估CNCF项目矩阵时，”AI就绪”正成为与安全、可观测并列的核心标尺——而AI智能体带来的新攻击面（恶意技能、越权身份、沙箱逃逸）则为这一标尺增加了新的风险维度。

展望未来，从业者应关注：Malicious Skill检测器在真实Agent工作流中的误报与检出效率、etcd RangeStream在超大规模集群中的生产反馈、GKE Agent Sandbox与hypercluster在企业AI训练/推理场景的集成度，以及11月盐湖城KubeCon + CloudNativeCon North America上这些能力向平台化交付的演进。云原生AI的安全与性能，正从”能不能跑”转向”能否安全、高效、规模化地跑”。

结论

本周云原生生态同时推进了安全与性能两大纵深：GKE的AI威胁检测器将防护推进到智能体行为层面，etcd RangeStream则以底层优化削减大规模读取的内存成本，而Kubeflow的毕业进一步坐实了Kubernetes作为AI控制平面的地位。对平台与安全团队而言，核心课题已从”如何把AI跑在Kubernetes上”深化为”如何在AI智能体可信、行为可观测、性能可扩展的前提下，安全高效地规模化运行AI工作负载”。