Hugging Face รายงานเหตุความปลอดภัย กรกฎาคม 2026: รับมือระบบโจมตีอัตโนมัติด้วย AI Agent เต็มรูปแบบ

เมื่อต้นสัปดาห์นี้ เราได้ตรวจพบและตอบโต้การบุกรุกเข้าสู่โครงสร้างพื้นฐานด้านการผลิต (production infrastructure) บางส่วนของเรา ซึ่งเหตุการณ์ครั้งนี้มีความโดดเด่นและแตกต่างจากที่เคยพบมา คือการโจมตีถูกขับเคลื่อนแบบเบ็ดเสร็จตั้งแต่ต้นจนจบด้วยระบบ autonomous AI agent และเราสามารถตรวจพบพร้อมวิเคราะห์เหตุการณ์ทั้งหมดได้ด้วยความช่วยเหลือจากระบบ AI ของเราเองเป็นหลัก

โฆษกของเรายืนยันว่ามีการเข้าถึงชุดข้อมูลภายในและข้อมูลประจำตัว (credentials) หลายรายการอย่างไม่ได้รับอนุญาต ขณะนี้เรากำลังเร่งประเมินว่ามีข้อมูลของพาร์ทเนอร์หรือลูกค้าได้รับผลกระทบหรือไม่ และจะแจ้งไปยังฝ่ายที่เกี่ยวข้องโดยตรงตามความจำเป็น อย่างไรก็ตาม เราไม่พบหลักฐานการดัดแปลงโมเดลที่ให้บริการสาธารณะ ชุดข้อมูล หรือ Spaces รวมถึงตรวจสอบแล้วว่าระบบห่วงโซ่อุปทานซอฟต์แวร์ (container images และ distributed packages) ทั้งหมดปลอดภัย

สิ่งที่เกิดขึ้น

การบุกรุกเริ่มต้นขึ้นในจุดที่แพลตฟอร์ม AI มีความเสี่ยงสูง นั่นคือส่วนประมวลผลข้อมูล (data-processing pipeline) โดยชุดข้อมูลที่เป็นอันตรายได้อาศัยช่องโหว่ code-execution สองเส้นทาง (Remote Code Execution จากชุดโหลดข้อมูลและการทำ template-injection ในการตั้งค่า) เพื่อรันโค้ดบนเครื่องประมวลผล จากนั้นผู้โจมตีได้ยกระดับสิทธิเข้าถึงในระดับโหนด (node-level access) เพื่อรวบรวมข้อมูลประจำตัวของ Cloud และ Cluster ก่อนจะเคลื่อนย้ายไปยังคลัสเตอร์ภายในหลายแห่งในช่วงสุดสัปดาห์

แคมเปญการโจมตีนี้รันโดยระบบ autonomous agent (คาดว่าพัฒนาต่อยอดมาจากโครงสร้างงานวิจัยความปลอดภัยแบบเอเจนต์ แต่ยังไม่ทราบแน่ชัดว่าใช้ LLM รุ่นใด) มีการดำเนินการอิสระหลายหมื่นรายการผ่านชุด sandbox ที่ถูกสร้างและลบทิ้งอย่างรวดเร็ว พร้อมใช้เทคนิคการควบคุม (command-and-control) แบบย้ายถิ่นตัวเองบนบริการสาธารณะ ซึ่งตรงกับสถานการณ์ "agentic attacker" ที่อุตสาหกรรมเทคโนโลยีเคยคาดการณ์ไว้

การดำเนินการของเรา

• แก้ไขช่องโหว่ที่ต้นเหตุ: ปิดเส้นทางการรันโค้ดในชุดข้อมูลที่ใช้สำหรับการเข้าถึงในเบื้องต้นแล้ว
• กำจัดจุดยึดของผู้โจมตีในคลัสเตอร์ที่ได้รับผลกระทบ พร้อมสร้างโหนดที่ถูกบุกรุกขึ้นใหม่ทั้งหมด
• ยกเลิกและทำการหมุนเวียน (rotation) ข้อมูลประจำตัวและ Token ที่ได้รับผลกระทบ รวมถึงเริ่มการหมุนเวียนความลับ (secrets) ในวงกว้างเพื่อความปลอดภัยเชิงรุก
• ติดตั้งชุดป้องกัน (guardrails) เพิ่มเติมและยกระดับมาตรการควบคุมการเข้าถึงในคลัสเตอร์ให้เข้มงวดขึ้น
• เพิ่มประสิทธิภาพระบบตรวจจับและแจ้งเตือน เพื่อให้สัญญาณความเสี่ยงสูงส่งถึงเจ้าหน้าที่ตอบสนองได้ภายในไม่กี่นาทีตลอด 24 ชั่วโมง

เรากำลังทำงานร่วมกับผู้เชี่ยวชาญด้านนิติวิทยาศาสตร์ไซเบอร์จากภายนอกเพื่อตรวจสอบปัญหาและทบทวนนโยบายความปลอดภัยใหม่ทั้งหมด นอกจากนี้เราได้รายงานเหตุการณ์ดังกล่าวต่อหน่วยงานบังคับใช้กฎหมายเรียบร้อยแล้ว

สำหรับชุมชนของเรา เพื่อให้มั่นใจในความปลอดภัย เราแนะนำให้ผู้ใช้งานทุกท่านทำการหมุนเวียน access tokens และตรวจสอบกิจกรรมล่าสุดในบัญชี หากสงสัยว่าได้รับผลกระทบหรือต้องการรายงานประเด็นด้านความปลอดภัย สามารถติดต่อเราได้ที่ [email protected]

เราขอขอบคุณทีมงาน Hugging Face ทุกคนที่ร่วมตอบโต้เหตุการณ์นี้อย่างต่อเนื่องตลอด 24 ชั่วโมง และต้องขออภัยในความไม่สะดวกที่เกิดขึ้น เราให้สัญญาว่าจะยกระดับมาตรฐานความปลอดภัยให้สูงขึ้นอย่างไม่หยุดยั้ง

วิเคราะห์การบุกรุกที่ขับเคลื่อนด้วย AI

เราตรวจพบการโจมตีนี้ได้ผ่านระบบตรวจจับสิ่งผิดปกติที่เสริมพลังด้วย AI โดยใช้ LLM คัดกรองข้อมูล telemetry ด้านความปลอดภัยเพื่อแยกแยะสัญญาณการบุกรุกจริงออกจากสัญญาณรบกวนทั่วไป และเชื่อมโยงข้อมูลเหล่านั้นจนพบความผิดปกติ เพื่อให้ทันต่อการกระทำอัตโนมัติหลายหมื่นครั้ง เราได้ใช้ AI agent วิเคราะห์บันทึกกิจกรรมของผู้โจมตีที่มีมากกว่า 17,000 รายการ ทำให้สามารถสร้างลำดับเหตุการณ์ขึ้นใหม่ ระบุตัวบ่งชี้การบุกรุก และตรวจสอบความเสียหายที่เกิดขึ้นจริงได้อย่างแม่นยำ แนวทางนี้ช่วยให้งานที่ต้องใช้เวลาหลายวันเสร็จสิ้นภายในไม่กี่ชั่วโมง ทำให้เราตอบโต้คู่ต่อสู้ได้ทันท่วงที

อย่างไรก็ตาม เราพบข้อจำกัดบางอย่างในการเลือกใช้โมเดลมาวิเคราะห์ ซึ่งเป็นบทเรียนที่สำคัญดังนี้

ปัญหาความเหลื่อมล้ำของระบบป้องกัน (The asymmetry problem)

ในช่วงแรกเราใช้ frontier models ผ่าน API เชิงพาณิชย์เพื่อวิเคราะห์บันทึกกิจกรรม แต่พบว่าไม่สามารถทำงานได้ เนื่องจากคำสั่งโจมตีและข้อมูลชุดคำสั่งช่องโหว่ถูกบล็อกโดยระบบ guardrails ของผู้ให้บริการที่ไม่สามารถแยกแยะระหว่างนักวิเคราะห์กับผู้โจมตีได้ เราจึงเปลี่ยนมาใช้ GLM 5.2 ซึ่งเป็นโมเดลแบบ open-weight บนโครงสร้างพื้นฐานของเราเองแทน ซึ่งนอกจากจะทำงานได้แล้ว ยังช่วยป้องกันไม่ให้ข้อมูลสำคัญของผู้โจมตีและข้อมูลประจำตัวต้องหลุดรอดออกไปภายนอก

ประสบการณ์นี้ชี้ให้เห็นช่องว่างที่น่ากังวล เราไม่ทราบว่าผู้โจมตีใช้โมเดลใด ไม่ว่าจะเป็นโมเดลแบบโฮสต์ที่ผ่านการเจลเบรค (jailbreak) หรือโมเดล open-weight ที่ไม่มีข้อจำกัด แต่ที่แน่ๆ ผู้โจมตีไม่ได้อยู่ภายใต้กฎการใช้งานใดๆ ในขณะที่ฝ่ายป้องกันกลับถูกจำกัดโดย guardrails ของโมเดลเชิงพาณิชย์ บทเรียนสำหรับฝ่ายไอทีคือ: ควรเตรียมโมเดลประสิทธิภาพสูงบนโครงสร้างพื้นฐานของตนเองไว้ให้พร้อม ก่อน เกิดเหตุ เพื่อเลี่ยงการถูกล็อคโดยระบบป้องกันและเพื่อความปลอดภัยของข้อมูล ทั้งนี้เราได้แจ้งข้อเสนอแนะดังกล่าวไปยังผู้ให้บริการโมเดลที่เกี่ยวข้องแล้ว

ความหมายต่ออนาคต

เครื่องมือโจมตีอัตโนมัติด้วย AI ไม่ใช่เรื่องในทฤษฎีอีกต่อไป แต่มันคือความเป็นจริงที่ช่วยลดต้นทุนให้ผู้โจมตีสามารถดำเนินแคมเปญที่ซับซ้อนและรวดเร็วในระดับวินาที การป้องกันแพลตฟอร์มในปัจจุบันจึงต้องถือว่าข้อมูลและโมเดลคือพื้นที่เสี่ยงสำคัญ และต้องใช้ AI ในเชิงรับเพื่อก้าวให้ทันโลก เราจะเดินหน้าลงทุนในด้านนี้และแบ่งปันความรู้ที่ได้รับต่อไป