ความปลอดภัยไซเบอร์

Google พบผู้โจมตีใช้กระบวนการโจมตีด้วยช่องโหว่แบบอัตโนมัติเต็มรูปแบบ

Miles Okada
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญกูเกิลสังเกตเห็นกรอบการทำงานแบบหลายเอเจนต์ที่เปรียบเทียบแพตช์และดำเนินการโจมตีที่ร่างไว้…
ดูเพิ่มเติม
  • กูเกิลสังเกตเห็นกรอบการทำงานแบบหลายเอเจนต์ที่เปรียบเทียบแพตช์และดำเนินการโจมตีที่ร่างไว้ได้เองโดยไม่มีการมีส่วนร่วมของมนุษย์
  • ผู้โจมตีในปัจจุบันนิยมช่องโหว่ n-day ที่ได้รับการแพตช์แล้ว เพราะวัสดุการวิจัยที่มีจำกัดทำให้เป็นเป้าหมายที่ง่ายกว่าช่องโหว่ zero-day
  • กรอบการทดสอบเจาะระบบแบบเอเจนต์ย่นระยะเวลาการโจมตีให้เร็วระดับเครื่องจักร แต่ในปัจจุบันต้องแลกความลับในการพรางตัวกับความรวดเร็ว

Google Threat Intelligence Group (GTIG) ระบุว่าเป็นครั้งแรกที่พบผู้ก่อภัยคุกคามใช้เฟรมเวิร์กโมเดลภาษาขนาดใหญ่เพื่อทำให้การค้นหาและใช้ประโยชน์จากช่องโหว่เป็นไปโดยอัตโนมัติเต็มรูปแบบ โดยไม่มีมนุษย์เข้ามาเกี่ยวข้อง ตามรายงานติดตามภัยคุกคามด้าน AI รายไตรมาสที่จัดทำร่วมกับ Mandiant และเผยแพร่เมื่อวันที่ 16 พฤศจิกายน 2026

ตัวอย่างโดยละเอียดกรณีหนึ่งคือเซิร์ฟเวอร์สำหรับทดสอบระบบที่เปิดให้เข้าถึงได้ ซึ่งโฮสต์เฟรมเวิร์กแบบหลายเอเจนต์สำหรับวิจัยช่องโหว่และพัฒนาเครื่องมือโจมตี โดย GTIG ตั้งชื่อเฟรมเวิร์กนี้ว่า exploit_agent. เฟรมเวิร์กดังกล่าวผสานโมเดลแนวหน้าหลายโมเดลเข้ากับโมเดลภาษาขนาดใหญ่ (LLM) ที่ทำงานในเครื่อง โดยตั้งค่าให้เปรียบเทียบโค้ดก่อนและหลังการประกาศแพตช์สำหรับซอฟต์แวร์เว็บแอปพลิเคชันยอดนิยมอย่างต่อเนื่อง วิเคราะห์ความแตกต่างเพื่อค้นหาช่องโหว่ที่อาจมีอยู่ ร่างโค้ดโจมตี และเรียกใช้โค้ดโจมตีเหล่านั้นโดยอัตโนมัติ

เซิร์ฟเวอร์ดังกล่าวยังมีข้อมูลที่ขโมยออกมาจากเหยื่อที่ตกเป็นเป้าหมาย พร้อมด้วยสคริปต์สำหรับสอดแนมภายในระบบ เดารหัสผ่านแบบไล่ชุด ติดตั้งเว็บเชลล์ และลบเว็บเชลล์ที่ผู้โจมตีรายอื่นทิ้งไว้ ข้อมูลเทเลเมทรีจากเหยื่อบ่งชี้ว่าผู้ควบคุมระบบสนใจเว็บไซต์ในฝรั่งเศสที่เกี่ยวข้องกับอุตสาหกรรมสื่อและความบันเทิง รวมถึงภาคการศึกษาเป็นพิเศษ ความเห็นในไฟล์การตั้งค่าภาษารัสเซียกล่าวถึงคีย์ API ของ LLM สำหรับการโจมตีแบบอัตโนมัติ

การวิเคราะห์แพตช์และช่วงเวลาที่เอื้อต่อการโจมตี

GTIG ระบุว่าผู้โจมตีอาจมองว่าช่องโหว่ n-day ที่มีแพตช์แก้ไขออกมาแล้วเป็นเป้าหมายที่โจมตีได้มีประสิทธิภาพกว่าช่องโหว่ zero-day เนื่องจากมีข้อมูลวิจัยให้ใช้ในปริมาณจำกัด เอเจนต์สามารถเปรียบเทียบโค้ดต้นฉบับแต่ละเวอร์ชัน รวมถึงเวอร์ชันก่อนเผยแพร่หรือเวอร์ชันตัวอย่าง และตรวจสอบบันทึกประจำรุ่น งานวิจัยด้านความปลอดภัย และโค้ดพิสูจน์แนวคิดที่เกี่ยวข้องกับช่องโหว่เฉพาะรายการได้ ส่วนการวิจัยช่องโหว่ zero-day ที่ยังไม่เคยมีใครค้นพบมาก่อนนั้นต้องอาศัยการค้นหาที่ครอบคลุมกว้างขวางกว่า

การทำให้การตรวจสอบความแตกต่างของแพตช์และการพัฒนาโค้ดพิสูจน์แนวคิดให้พร้อมใช้โจมตีเป็นไปโดยอัตโนมัติ อาจช่วยลดช่วงเวลาระหว่างการเปิดเผยแพตช์กับการนำช่องโหว่ไปใช้โจมตีได้ อุปสรรคในการเริ่มต้นที่ลดลงยังส่งผลอีกประการหนึ่งด้วย โดย GTIG ระบุว่า LLM ช่วยสร้างโค้ดโจมตีที่อ้างว่าใช้งานได้ทั้งที่ใช้ไม่ได้ ทำให้ฝ่ายป้องกันต้องตรวจสอบเพิ่มเติมเพื่อแยกโค้ดโจมตีที่ทำงานได้จริงออกจากคำกล่าวอ้างที่ไม่เป็นความจริง

เฟรมเวิร์กหลายเอเจนต์ในการบุกรุกที่เกิดขึ้นจริง

การ exploit_agent ค้นพบนี้เป็นส่วนหนึ่งของการเปลี่ยนแปลงในวงกว้าง จากการป้อนคำสั่งด้วยตนเองไปสู่การใช้เครื่องมือบุกรุกแบบหลายเอเจนต์ GTIG และ Mandiant พบผู้ก่อภัยคุกคามหลายกลุ่มใช้เฟรมเวิร์กทดสอบเจาะระบบแบบเอเจนต์ที่เป็นโอเพนซอร์สในทางที่ผิด ซึ่งรวมถึง ARTEX, CAIRN, CyberStrikeAI และ PentAGI เพื่อทำให้ขั้นตอนเฉพาะด้านและงานปฏิบัติการต่าง ๆ ในระหว่างการบุกรุกที่เกิดขึ้นจริงเป็นไปโดยอัตโนมัติ ความสามารถที่มีร่วมกัน ได้แก่ การค้นหาและใช้ประโยชน์จากช่องโหว่ที่มีความซับซ้อนต่ำ การสร้างเพย์โหลดแบบใช้ครั้งเดียวตามต้องการ และการปรับกลยุทธ์ตามผลตอบรับจากการทำงานแบบเรียลไทม์

GTIG พบ CAIRN และ PentAGI ถูกนำไปใช้งานจริงโดยอิสระจากกัน และยังพบการทดลองใช้ CyberStrikeAI และ HexStrike AI ด้วย CAIRN ประสานงานเอเจนต์เฉพาะทางผ่านวงจร Observe, Orient, Decide, Act และกระดานดำส่วนกลาง GTIG พบการใช้ CAIRN ในปฏิบัติการบุกรุกที่มีเป้าหมายรวมถึงภาคการบินและอวกาศของสหรัฐฯ ระหว่างปลายเดือนสิงหาคมถึงต้นเดือนตุลาคม 2026 ผู้ก่อภัยคุกคามรายหนึ่งใช้แพลตฟอร์มประสานงานที่ปรับแต่งจาก PentAGI เพื่อสอดแนมอย่างเป็นระบบและสแกนหาช่องโหว่ในองค์กรหลากหลายแห่งทั่วเอเชีย

เฟรมเวิร์กเหล่านี้อาจย่นระยะเวลาการโจมตีให้เร็วเท่าความเร็วของเครื่องจักร แต่ GTIG ประเมินว่าในขณะนี้เครื่องมือเหล่านี้แลกความแนบเนียนกับความเร็ว การปล่อยให้ระบบทำงานโดยอัตโนมัติโดยไม่มีข้อจำกัดก่อให้เกิดทราฟฟิกที่ใช้ในการสืบหาหลักฐานทางดิจิทัล ใช้ตัวระบุที่จดจำได้ และทิ้งร่องรอยเฉพาะไว้ในระดับโค้ด สิ่งตกค้างเหล่านี้อาจช่วยให้ตรวจจับและบรรเทาภัยคุกคามได้ แม้เครื่องมือดังกล่าวจะยังสามารถบรรลุเป้าหมายในการปฏิบัติการได้ก็ตาม

การเข้าถึง AI ที่ถูกขโมยและการขายต่อในตลาดใต้ดิน

รายงานยังระบุตลาดสำหรับทรัพยากรคลาวด์และ AI ที่ถูกเจาะระบบด้วย ตลอดปี 2026 Mandiant รับมือเหตุการณ์ LLMJacking หลายครั้ง ซึ่งผู้ก่อเหตุที่มีแรงจูงใจทางการเงินใช้สภาพแวดล้อมคลาวด์ที่ถูกเจาะระบบเพื่อใช้ทรัพยากรประมวลผลหรือโควตาทรัพยากร LLM ของเหยื่อ Mandiant รายงานว่า ค่าใช้จ่ายจากการฉ้อโกงในวันเดียวบางครั้งสูงกว่า 100,000 ดอลลาร์ และกรณีการใช้ทรัพยากรในทางที่ผิดที่รุนแรงที่สุดมียอดสะสมสูงถึง 1 ล้านดอลลาร์ก่อนการแก้ไขปัญหา

GTIG ยังติดตาม LLM Mixers ซึ่งเป็นหน้าร้านผิดกฎหมายที่ขายการเข้าถึงบริการ LLM โดยไม่ได้รับอนุญาตและโครงสร้างพื้นฐานพร็อกซีที่ใช้สนับสนุนบริการเหล่านั้น ระบบเหล่านี้ส่งต่อทราฟฟิกของผู้ซื้อผ่านกลุ่มข้อมูลรับรองและอินสแตนซ์ประมวลผลที่ถูกขโมยมา อีกทั้งยังกระจายปริมาณคำค้นไปยังสภาพแวดล้อมของเหยื่อหลายรายเพื่อลดโอกาสถูกตรวจจับ GTIG พบการประกาศราคาในตลาดใต้ดินที่ใช้ภาษารัสเซียและภาษาจีน ตั้งแต่ 0.10 ถึง 25 ดอลลาร์ต่อโทเค็นหนึ่งล้านรายการ โดยราคาขึ้นอยู่กับบริการ โมเดล และข้อมูลรับรองที่เสนอขาย

ข้อค้นพบเหล่านี้ชี้ให้เห็นถึงปัญหาเร่งด่วนในระยะใกล้สำหรับฝ่ายป้องกัน ทั้งในด้านความเร็วและขนาดของการโจมตี แพตช์ที่เปิดเผยต่อสาธารณะอาจเป็นข้อมูลเปรียบเทียบสำหรับพัฒนาโค้ดโจมตีโดยอัตโนมัติ ขณะที่ข้อมูลรับรองที่ถูกขโมยและบริการพร็อกซีอาจช่วยให้เข้าถึงขีดความสามารถด้าน AI ได้ ปฏิบัติการอัตโนมัติเหล่านี้ยังทิ้งร่องรอยทางดิจิทัลและสร้างโค้ดโจมตีที่ไม่น่าเชื่อถือ ซึ่งเปิดโอกาสให้ฝ่ายป้องกันตรวจจับได้ แม้จะต้องรับมือกับช่วงเวลาโจมตีที่สั้นลงและข้อมูลจำนวนมากขึ้นที่ต้องตรวจสอบก็ตาม

Miles Okada เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมปัญญาประดิษฐ์และความปลอดภัยไซเบอร์โดยมุ่งเน้นที่ภัยคุกคามใหม่ ๆ สถาปัตยกรรมการป้องกัน และพลวัตที่เปลี่ยนแปลงระหว่างผู้โจมตีและระบบอัตโนมัติ งานของเขาตรวจสอบว่า AI กำลังเปลี่ยนแปลงการดำเนินงานด้านความปลอดภัยอย่างไร ตั้งแต่การตรวจจับและตอบสนองต่อภัยคุกคามโดยอัตโนมัติจนถึงการเพิ่มขึ้นของเทคนิค AI ปฏิปักษ์

ด้วยมุมมองเชิงเทคนิคและการสืบสวน Miles วิเคราะห์งานวิจัยด้านความปลอดภัย การเปิดเผยเหตุการณ์ และการใช้งานจริงเพื่อเข้าใจว่าที่ไหน AI เสริมสร้างการป้องกัน—และที่ไหนมันสร้างช่องโหว่ใหม่ เขาให้ความสนใจเป็นพิเศษต่อการใช้โมเดลในทางที่ผิด การปนเปื้อนข้อมูล การทำงานอัตโนมัติของการโจมตี และความเป็นจริงในการดำเนินงานของการรักษาความปลอดภัยระบบที่ขับเคลื่อนด้วย AI ในระดับใหญ่

บทความที่เขียนโดย Miles Okada ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อให้แน่ใจว่ามีความแม่นยำ ความเข้มงวด และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์ความปลอดภัย AI ที่เปลี่ยนแปลงอย่างรวดเร็ว