กลับ
2026/11/17
AI agent ที่ขโมยคีย์มาจ่ายค่าใช้จ่ายให้ตัวเอง: เจาะลึกแคมเปญ ARTEX
API AI ล่อเป้าของ Amazon จับบันทึกของ agent ผู้โจมตีได้: คีย์ AI ที่ถูกขโมยถูกใช้จ่ายค่าล่าคีย์เพิ่ม เกิดอะไรขึ้น และต้องแก้ไขอะไร
ทีมความปลอดภัยของ Amazon ได้เผยแพร่รายงานภัยคุกคามประเภทที่หาได้ยาก เซิร์ฟเวอร์ล่อเป้าของ Amazon ซึ่งสร้างให้ดูเหมือน API ของโมเดล AI ถูก AI agent ของผู้โจมตีนำไปใช้เป็น “สมอง” ของตัวเอง และ agent เหล่านี้ยังส่งบันทึกแคมเปญของตนแนบมากับทุกคำขอ ครั้งนี้ฝ่ายป้องกันจึงได้อ่านหน่วยความจำการทำงานของผู้โจมตีโดยตรง สิ่งที่พบไม่ใช่การโจมตีด้วย AI แห่งอนาคต แต่เป็นจุดอ่อนด้านสุขอนามัยความปลอดภัยแบบเดิม ๆ ที่ถูกค้นพบและเจาะได้เร็วขึ้นและถูกลง โดยมีคีย์ AI ที่ถูกขโมยเป็นผู้จ่ายค่าการล่า
กับดัก: API AI ล่อเป้าที่อ่านบันทึกของผู้โจมตีได้
Amazon ดำเนินเครือข่ายเซนเซอร์ล่อเป้าขนาดใหญ่ชื่อ MadPot เซนเซอร์บางส่วนปลอมตัวเป็น API สำหรับการอนุมาน (inference) ของโมเดลภาษาขนาดใหญ่ (LLM) ยอดนิยม ซึ่งก็คือบริการที่แอปพลิเคชันเรียกใช้เพื่อรับคำตอบจากโมเดล ระหว่างวันที่ 3 ตุลาคมถึง 5 พฤศจิกายน 2026 AI agent ได้เชื่อมต่อกับเป้าล่อเหล่านี้ราวกับว่าเป็นผู้ให้บริการโมเดลจริง
AI agent ต้องส่งบริบทของตนไปยังโมเดลทุกครั้งที่เรียกใช้ เป้าล่อจึงได้รับคำสั่งระบบ ประวัติการใช้เครื่องมือ สถานะของ knowledge graph และผลการค้นพบที่ agent รายงาน พูดง่าย ๆ คือผู้โจมตีส่งคู่มือปฏิบัติการของตนให้ Amazon เอง
ตามข้อมูลของ Amazon agent เหล่านี้ทำงานบน ARTEX ซึ่งเป็นเฟรมเวิร์กโอเพนซอร์สสำหรับทดสอบเจาะระบบด้วย AI agent Amazon ประเมินด้วยความเชื่อมั่นระดับปานกลาง (moderate confidence) ว่าแคมเปญเหล่านี้ดำเนินการโดยกลุ่มที่เกี่ยวข้องกับจีนหลายกลุ่มที่แยกจากกัน หลักฐานได้แก่ prompt ที่เขียนด้วยภาษาจีนตัวย่อ การตั้งค่าเขตเวลาของจีน และ “เส้นแดง” ในคำสั่งที่ยกเว้นเป้าหมายในจีนแผ่นดินใหญ่และโดเมนของภาครัฐ ความเชื่อมั่นระดับปานกลางไม่ใช่ข้อพิสูจน์ จึงควรอ่านการระบุตัวผู้โจมตีนี้ในลักษณะดังกล่าว
Amazon ยังระบุข้อจำกัดไว้อย่างชัดเจน Amazon ไม่ได้เห็นการโจมตีขณะเกิดขึ้นจริง แต่เห็นเพียงสิ่งที่ agent ส่งมายังเซนเซอร์ และไม่สามารถยืนยันผลลัพธ์ที่ agent อ้างว่าทำได้
แคมเปญที่ 1: คีย์ที่ถูกขโมยจ่ายค่าการขโมยครั้งถัดไป
แคมเปญที่ใหญ่ที่สุดมุ่งล่าข้อมูลรับรองของบริการ AI ได้แก่คีย์ API ที่บริษัทใช้ชำระค่าบริการโมเดล AI เชิงพาณิชย์ agent เล็งเป้าซอฟต์แวร์ที่โฮสต์เอง (self-hosted) สองประเภท
- เกตเวย์และพร็อกซี LLM: One API, New API, Veloera, Sub2API และ LiteLLM ซอฟต์แวร์เหล่านี้ทำหน้าที่อยู่หน้าผู้ให้บริการ AI หลายราย และเก็บคีย์ทั้งหมดไว้ในที่เดียว
- เครื่องมือสร้างแอป AI และหน้าแชต: Dify, FastGPT, Langflow, RAGFlow, Open WebUI, LobeChat และ Ollama
เทคนิคที่ใช้ไม่ใช่เรื่องใหม่ agent มองหาสิ่งต่อไปนี้
- ระบบที่เพิ่งติดตั้งใหม่และยังไม่มีใครตั้งค่าบัญชีผู้ดูแล ซึ่งผู้เข้าชมคนแรกจะกลายเป็นผู้ดูแลระบบ
- หน้าผู้ดูแลระบบและหน้าตั้งค่าผู้ให้บริการที่ตอบสนองโดยไม่ต้องล็อกอิน
- ข้อมูลรับรองผู้ดูแลระบบค่าเริ่มต้น เช่น master key ค่าเริ่มต้นของ LiteLLM
- ช่องโหว่ที่เป็นที่รู้จัก รวมถึง Langflow CVE-2025-3248 และ RAGFlow CVE-2026-28797
- การข้ามการยืนยันตัวตนผ่านเฮดเดอร์ isCliRequest ในเกตเวย์ตระกูล One API
- การปลอมแปลงคำขอฝั่งเซิร์ฟเวอร์ (SSRF) เพื่อเข้าถึงบริการ metadata ของคลาวด์และข้อมูลรับรองในนั้น
- ความลับที่หลงเหลืออยู่ใน JavaScript ฝั่งไคลเอนต์ source map เส้นทางดีบัก และไฟล์ environment
agent จัดระดับสิ่งที่พบ ได้แก่ เบาะแส ต่อมาคือคีย์ที่ยืนยันแล้วด้วยการเรียก API ที่ใช้งานได้จริง และคีย์ที่วัดผลกระทบได้แล้ว คีย์ที่ถูกเปิดเผยต่อสาธารณะมานานกว่า 30 วันถือว่ามีมูลค่าต่ำ โดยสันนิษฐานว่ามีคนอื่นนำไปใช้อยู่แล้ว
ประเด็นที่ทุกบริษัทที่ให้บริการ AI ควรกังวลคือเรื่องเศรษฐศาสตร์ คีย์ที่ใช้งานได้ถูกป้อนกลับเข้าไปในเกตเวย์โมเดลของผู้โจมตีเอง คีย์ที่ถูกขโมยจึงเป็นผู้จ่ายค่าการอนุมาน AI ที่ขับเคลื่อนการค้นหาคีย์เพิ่มเติม Amazon อธิบายว่านี่คือปฏิบัติการที่หล่อเลี้ยงตัวเองได้ เหยื่อเป็นผู้จ่ายบิล ส่วนผู้โจมตีแทบไม่มีต้นทุนในการดำเนินการต่อ
แคมเปญที่ 2: deepfake เพื่อหลอกการตรวจสอบตัวตน
แคมเปญที่สองใช้ agent ประเภทเดียวกันโจมตีกระบวนการรู้จักลูกค้า (KYC) ของศูนย์ซื้อขายคริปโทเคอร์เรนซีสองแห่ง agent สร้างภาพเอกสารประจำตัวปลอมพร้อม metadata ของกล้องปลอม และวิดีโอ deepfake แบบเรียลไทม์เพื่อผ่านการตรวจเซลฟีแบบสด เซสชันหนึ่งสร้าง pipeline deepfake แบบเรียลไทม์บนการ์ดจอระดับผู้บริโภคเพียงใบเดียว ทำงานที่ 11.5 เฟรมต่อวินาที
แต่ไม่สำเร็จ ในทุกความพยายามที่ agent บันทึกไว้ การตรวจสอบฝั่งเซิร์ฟเวอร์ของผู้ให้บริการยืนยันตัวตนปฏิเสธ deepfake ทั้งหมด แม้แต่ความพยายามที่ดีที่สุดซึ่งรักษาตำแหน่งใบหน้าให้คลาดจากเป้าหมายไม่เกิน 7 พิกเซลก็ตาม บทเรียนคือ คำตัดสินสุดท้ายต้องมาจากเซิร์ฟเวอร์ ไม่ใช่จากสิ่งใดก็ตามที่อุปกรณ์ของผู้ใช้ควบคุมได้
ทำไมเกตเวย์ AI จึงเป็นสมบัติล้ำค่าที่สุด
เกตเวย์ LLM สะดวกเพราะรวมผู้ให้บริการ AI ทุกรายไว้หลังหน้าผู้ดูแลระบบเพียงหน้าเดียว และนั่นก็เป็นเหตุผลที่ทำให้มันเป็นเป้าหมายที่ดีที่สุด การล็อกอินที่อ่อนแอเพียงจุดเดียว การติดตั้งที่ยังไม่มีผู้ดูแลเพียงเครื่องเดียว หรือ endpoint การตั้งค่าที่เปิดเผยเพียงจุดเดียว ก็ทำให้บัญชีผู้ให้บริการทั้งหมดที่อยู่เบื้องหลังรั่วไหลพร้อมกัน รวมถึงวงเงินใช้จ่ายของบัญชีเหล่านั้นด้วย
เครื่องมือเหล่านี้จำนวนมากถูกติดตั้งอย่างรวดเร็วสำหรับโครงการนำร่องหรือ hackathon แล้วถูกปล่อยให้ทำงานบนอินเทอร์เน็ตต่อไป เครื่องมือเหล่านี้มักอยู่นอกกระบวนการแพตช์ การเฝ้าระวัง และการทบทวนสิทธิ์การเข้าถึงตามปกติที่ใช้กับระบบ production agent แบบ ARTEX สแกนหาช่องว่างนี้ทั้งวันด้วยต้นทุนที่ต่ำมาก
สิ่งที่ควรทำทันที
- ปฏิบัติต่อเกตเวย์ AI และเครื่องมือสร้างแอป AI เหมือนระบบ production วางไว้หลังระบบยืนยันตัวตน และหากเป็นไปได้ ให้อยู่หลัง VPN หรือเครือข่ายส่วนตัว รวมไว้ในกระบวนการแพตช์ การเฝ้าระวัง และการทบทวนสิทธิ์การเข้าถึง
- ติดตั้งให้เสร็จสมบูรณ์ทุกครั้ง ตั้งค่าบัญชีผู้ดูแลระบบทันทีหลังติดตั้ง และลบรหัสผ่านและ master key ค่าเริ่มต้นออก รวมถึง master key ค่าเริ่มต้นของ LiteLLM
- ปิดอินเทอร์เฟซผู้ดูแลระบบ หน้าผู้ดูแลระบบและหน้าตั้งค่าผู้ให้บริการต้องไม่ตอบสนองหากไม่ได้ล็อกอิน และไม่ควรเข้าถึงได้จากอินเทอร์เน็ต
- แพตช์ช่องโหว่ที่ระบุไว้ Langflow CVE-2025-3248 ได้รับการแก้ไขใน Langflow 1.3.0 และอยู่ในรายการช่องโหว่ที่ถูกโจมตีจริงของ CISA สำหรับ RAGFlow CVE-2026-28797 ประกาศด้านความปลอดภัยไม่ได้ระบุเวอร์ชันที่แพตช์แล้ว แต่ตั้งแต่ RAGFlow 0.25.0 คอมโพเนนต์ที่ได้รับผลกระทบจะเรนเดอร์เทมเพลตใน sandbox ของ Jinja2 จึงควรอัปเกรดเป็น 0.25.0 หรือใหม่กว่า เราไม่พบการแก้ไขที่เผยแพร่สำหรับการข้ามการยืนยันตัวตน isCliRequest ของ One API ดังนั้นควรเก็บ One API และ fork ต่าง ๆ ของมันให้พ้นจากอินเทอร์เน็ตสาธารณะ
- หมุนเวียนคีย์ของผู้ให้บริการ หากเกตเวย์หรือแอป AI เคยถูกเปิดเผย ให้สันนิษฐานว่าคีย์ถูกขโมยไปแล้ว หมุนเวียนคีย์ที่ผู้ให้บริการแต่ละราย ไม่ใช่เฉพาะในเกตเวย์
- กำหนดวงเงินใช้จ่ายและการแจ้งเตือน กำหนดเพดานงบประมาณแยกให้แต่ละคีย์ และแจ้งเตือนเมื่อค่าใช้จ่ายหรือการใช้งานผิดปกติ บิลที่พุ่งขึ้นกะทันหันมักเป็นสัญญาณแรกของคีย์ที่ถูกขโมย
- อย่าให้ความลับหลุดไปกับสิ่งที่ปล่อยออกไป ตรวจหาคีย์ใน JavaScript ฝั่ง front-end, source map, เส้นทางดีบัก และไฟล์ environment ก่อนการปล่อยทุกครั้ง
- ป้องกันการใช้บริการ metadata ในทางที่ผิด บนเซิร์ฟเวอร์คลาวด์ ให้บังคับใช้บริการ metadata เวอร์ชันใหม่ที่ทนทานต่อ SSRF (เช่น IMDSv2 บน AWS) และจำกัดสิ่งที่ instance role ทำได้
- ตรวจสอบตัวบ่งชี้การโจมตี รายงานของ Amazon ระบุที่อยู่ IP ที่พบในทั้งสองแคมเปญ ให้ค้นหาที่อยู่เหล่านี้ใน log ของเกตเวย์และ log ของเว็บ
บทสรุป
ARTEX ไม่ได้คิดค้นการโจมตีรูปแบบใหม่ แต่นำรหัสผ่านค่าเริ่มต้น หน้าผู้ดูแลระบบที่เปิดโล่ง และซอฟต์แวร์ที่ไม่ได้แพตช์ มาทำให้การเจาะระบบรวดเร็ว ต่อเนื่อง และหาเงินทุนได้ด้วยตัวเอง การป้องกันยังคงเป็นสุขอนามัยความปลอดภัยพื้นฐานเช่นเดิม เพียงแต่ตอนนี้ต้องนำไปใช้กับเกตเวย์ AI และเครื่องมือ AI ด้วย จงสันนิษฐานว่าคีย์ที่รั่วไหลหรือการตั้งค่าที่ผิดพลาดใด ๆ จะถูกพบอย่างรวดเร็ว และแก้ไขก่อนที่จะถูกพบ
ต้องการความช่วยเหลือในการตรวจสอบว่าเครื่องมือและเกตเวย์ AI ของคุณเปิดเผยต่อความเสี่ยงอย่างไรหรือไม่? ติดต่อทีม LOGIQ
แหล่งที่มา
- AWS Security Blog: Amazon Threat Intelligence observes threat actors running cybercrime campaigns with ARTEX AI agents (13 พฤศจิกายน 2026)
- NVD: CVE-2025-3248 ช่องโหว่การรันโค้ดจากระยะไกลโดยไม่ต้องยืนยันตัวตนใน Langflow (แก้ไขแล้วใน 1.3.0)
- ประกาศด้านความปลอดภัย RAGFlow GHSA-vvwj-fvwh-4whx: CVE-2026-28797 ช่องโหว่ server-side template injection
- CISA: Known Exploited Vulnerabilities catalog (แคตตาล็อกช่องโหว่ที่ถูกโจมตีจริง)
Photo: Lucas Seebacher / Pexels
Global
Japan
Korea
China
Taiwan
Vietnam
Indonesia
Portugal
Spain
France
Germany
Egypt
Russia