DeepSeek 公布 DSec：每日支撐數百萬智能體沙箱的訓練基礎設施

2026 年 9 月 30 日，DeepSeek 與清華大學在知乎平台聯合發佈技術報告，首次公開其面向大規模智能體（Agent）訓練的沙箱基礎設施——DSec。報告說明此系統在 DeepSeek‑V4.1 版本中的核心角色，並提供了當前運行規模的具體數據。

系統概覽

DSec 被定位為 DeepSeek‑V4.1 的統一訓練、評測與資料前處理平台。平台提供四種執行模型，從函式呼叫（FnCall）到完整虛擬機（Full VM）皆可支援，並在同一調度層實現統一管理，使研發團隊能在同一套資源池中靈活切換不同沙箱類型，無需額外的資源重新配置。

此統一調度層的設計，使得不同類型的沙箱在資源分配上保持一致的策略，減少了因環境差異導致的配置錯誤，同時也簡化了運維人員的監控與維護工作。

技術實現

報告指出，DSec 同時支援 FnCall、Container、MicroVM 與 Full VM 四種運行環境。所有環境均透過統一的調度介面接入，調度器負責資源分配、生命週期管理以及故障復原，確保不同模型之間的資源競爭被最小化，提升整體系統的穩定性與效能。

在容器與微型虛擬機層面，系統利用 Linux 命名空間與 cgroup 進行資源限制，並結合 eBPF 程式碼實時監控系統呼叫與 I/O 行為，以降低跨沙箱的干擾。

在全虛擬機模式下，MicroVM 以輕量化的虛擬化技術提供更高的隔離度，同時保持較低的啟動開銷，適合需要完整作業系統環境的智能體測試。

映像與儲存管理

在生產環境中，DSec 已經累計部署 11 266 個基礎映像與 102 171 個工作區。實際訪問這些映像的比例僅在 4.2% 到 13.3% 之間，說明大多數映像在冷備狀態下保持低佔用，從而降低了儲存壓力。

平台採用分層快取機制，將熱點映像預先載入高速儲存，未被頻繁存取的映像則保留於較慢的冷備儲存，這種策略在保證存取效率的同時，有效控制了磁碟空間的使用率。

性能提升

針對 8 192 個容器任務的基準測試顯示，任務執行時間從原先的 60 多分鐘縮短至約 35 分鐘，磁碟寫入量下降 57%。此一改進主要得益於 DSec 的 I/O 調度優化與對容器層級快取的深度利用，使得 I/O 效能顯著提升。

在 CPU 使用方面，約 90% 的沙箱平均實際佔用不超過申請配額的 5%。同時，系統實現了超過 50 倍的資源超賣（over‑commit），在保證任務完成的前提下顯著提升了硬體利用率，讓資源的使用更加彈性。

這些效能指標的提升，意味著相同硬體配置下可支援更多的訓練任務，從而降低了每個智能體的運算成本，對於大規模 AI 研發團隊具有直接的經濟效益。

規模與並發

單個分片由約 160 台伺服器組成，合計約 30 000 個 CPU 核心與 250 TB 記憶體。每日可建立約 300 萬個沙箱，峰值並發超過 38 萬，建立速率突破每秒 5 000 個實例。這些數字表明 DSec 已具備支撐數百萬智能體同時訓練的能力，能夠滿足大規模 AI 研發的需求。

在高峰期，調度器會根據即時資源使用情況自動調整分片內的工作負載，確保每個沙箱都能獲得足夠的 CPU 與記憶體資源，同時避免單點過載。

此種彈性擴展機制，使得開發者在測試新模型或調整超參數時，無需擔心資源瓶頸，能夠快速迭代並獲得即時回饋。

安全邊界與局限

DSec 的安全防護採用 AppArmor 與 eBPF 雙層機制，對系統呼叫與網路流量進行細粒度監控。報告同時承認，核心層面的漏洞仍然是潛在風險，當前缺乏針對所有已知漏洞的通用防禦手段，未來仍需持續加強安全防護措施。

雙層防護的設計在於先以 AppArmor 定義基本的權限範圍，然後利用 eBPF 動態插入的監控程式捕捉異常行為，兩者結合可在不影響正常工作負載的前提下，快速偵測並阻止可疑操作。

然而，報告亦指出，若核心層面的漏洞被利用，現有的沙箱隔離機制可能無法完全阻止攻擊者提升權限，這是目前安全防護的主要盲點。

基於此，DeepSeek 表示將持續投入資源於核心安全補丁的快速部署與漏洞掃描工具的研發，以縮短漏洞曝光與修補之間的時間窗口。

總體而言，DSec 在資源彈性、效能優化與安全防護方面展現了顯著的技術突破，為大規模智能體訓練提供了可靠的基礎設施。未來隨著更多實驗與實務驗證的累積，平台的穩定性與安全性有望進一步提升，為 AI 研發社群帶來更大的助益。