深度分析
利用 Intel TDX 與 dstack-capsule 完成 Kubernetes Pod 級遠端驗證
隨著LLM即服務與機密雲端工作負載的興起，需要以加密證明資料在受信任環境中處理。dstack-capsule透過IntelTDX在同一機密VM內提供Pod級遠端驗證，將pod_spec_hash嵌入報告資料。多Pod共享同一VM，特權保險絲不可逆確保切換安全模式。實驗顯示資源開銷僅約2 MB/Pod，驗證延遲約24 ms，遠優於每Pod獨立VM的方案。
Kubernetes
深度分析
為 Kubernetes 代理量測化：agent-breakage、pgvector 與 HNSW 的實作與發現
研究指出當前自動化Kubernetes運維代理難以被科學反駁。本文提出agent-breakage測量框架，透過注入故障、檢測回應、四向量評分及確定性嵌入做真實對照。實驗部分否證單叢集語料密度下的檢索累積效應，並揭露三項關鍵偏誤與框架的自我修正能力。
Model Context Protocol (MCP)
archestra 與 MCP：在 Kubernetes 上實現企業級代理式 AI 平台治理
archestra 是一個聚焦企業使用情境的開源平台，核心以 Model Context Protocol（MCP）為基礎，提供私有 MCP 註冊表、Kubernetes 原生的 MCP 編排器、使用者友善的觀測與治理面板。
Kubernetes
Kubernetes 使用者命名空間解析：權限映射與共用作業系統核心風險
近來Kubernetes導入使用者命名空間支援以強化容器內外的權限隔離。此做法以帳戶映射降低容器內root對宿主機的直接風險，同時保留現行容器運作模式。然而容器仍共用作業系統核心，核心層漏洞與特權升級風險仍存在，對多租戶部署的安全影響不可忽視。
深度分析
使用 Fluid 在 Kubernetes 上降低 LLM 冷啟動：網易的分散式快取與預取實作
網易遊戲在生產環境面對LLM推理冷啟動問題。團隊採用Kubernetes原生的Fluid方案進行模型預取、共用快取與資料感知調度，將資料抽象化並支援多執行環境與側車注入。實測顯示模型載入時間顯著下降，讓彈性推理在實務上可行，並降低成本與資源重複浪費。
深度分析
「Agent Name Service」於 Kubernetes 實作 DNS‑式零信任代理信任層的技術概述與驗證
隨著自主 AI 代理生態系統的興起，缺乏統一的發現與驗證機制成為安全瓶頸。本文提出以 DNS 為藍本的 Agent Name Service，結合去中心化識別碼、可驗證憑證與 OPA 政策，即在 3 節點、50 個代理的測試環境中達到次 10 毫秒回應與完整部署成功，展示了可行的零信任治理路徑。