แพลตฟอร์มโอเพ่นซอร์สด้านปัญญาประดิษฐ์ Hugging Face เปิดเผยว่าถูกโจมตีโดยระบบเอเจนต์ AI อัตโนมัติ
บริษัทระบุว่าตรวจพบและตอบสนองต่อเหตุการณ์ที่มุ่งเป้าไปยังโครงสร้างพื้นฐานการผลิตเมื่อสัปดาห์ที่ผ่านมา โดยพบการเข้าถึงที่ไม่ได้รับอนุญาตต่อชุดข้อมูลภายในบางส่วนและข้อมูลรับรองของบริการหลายตัว แต่ยืนยันว่าไม่มีหลักฐานว่ามีการแก้ไขโมเดล ข้อมูล หรือ Spaces ที่เปิดให้ผู้ใช้ทั่วไป รวมถึงซัพพลายเชนซอฟต์แวร์ของบริษัทเอง
วิธีการโจมตี
การโจมตีที่ Hugging Face เผชิญนั้นมีลักษณะเป็นขั้นตอนต่อเนื่อง โดยผู้โจมตีใช้ช่องโหว่ใน data processing pipeline เพื่อยกระดับสิทธิ์และเคลื่อนที่ไปทั่วโครงสร้างพื้นฐานภายใน เราสามารถสรุปเป็นลำดับขั้นตอนดังนี้:
01 เริ่มต้นด้วยชุดข้อมูลอันตราย
ผู้โจมตีสร้าง dataset ที่ฝังโค้ดอันตรายเพื่อใช้ช่องโหว่.
-
ใช้ remote code dataset loader เพื่อรันโค้ด
-
ใช้ template injection ในการตั้งค่าชุดข้อมูลเพื่อฝังคำสั่ง
02 เข้าถึง worker node
เมื่อโค้ดถูกโหลด ผู้โจมตีสามารถรันคำสั่งบน processing worker.
-
ได้สิทธิ์ระดับ node
-
สามารถเข้าถึงระบบไฟล์และกระบวนการภายใน
03 เก็บข้อมูลรับรองและสิทธิ์
ผู้โจมตีใช้สิทธิ์ที่ได้มาเพื่อดึง credential สำคัญ.
-
เก็บ cloud credentials
-
เก็บ cluster tokens และ secret
04 เคลื่อนที่ภายในระบบ
จาก node แรก ผู้โจมตีเคลื่อนที่ไปยัง cluster อื่น ๆ.
-
ใช้ lateral movement
-
ขยายการเข้าถึงไปยังหลาย cluster
05 ใช้ autonomous agent framework
การโจมตีถูกดำเนินการโดยระบบ AI อัตโนมัติ.
-
ทำงานหลายพัน action ผ่าน sandbox ระยะสั้น
-
ใช้ command-and-control ที่ย้ายตัวเองไปยังบริการสาธารณะ
การแก้ไขและป้องกัน
มาตรการแก้ไขที่ Hugging Face ดำเนินการหลังจากถูกโจมตีมีหลายขั้นตอนที่ครอบคลุมทั้งการฟื้นฟูระบบและการป้องกันในอนาคต โดยสรุปได้ดังนี้:
-
ลบจุดยึดของผู้โจมตี บริษัทได้กำจัด foothold ที่ผู้โจมตีสร้างขึ้นใน cluster ที่ได้รับผลกระทบ และทำการ rebuild node ที่ถูกเจาะใหม่ทั้งหมด
-
ยกเลิกและหมุนเวียน credential ทำการ revoke และ rotate credential และ token ที่ถูกใช้ รวมถึงการหมุนเวียน secret ในวงกว้างเพื่อความปลอดภัย
-
เพิ่ม guardrails และ admission control ปรับปรุงการควบคุมการเข้าถึง cluster ให้เข้มงวดขึ้น เพื่อป้องกันการโจมตีซ้ำ
-
ปรับปรุงระบบตรวจจับและแจ้งเตือน ติดตั้งระบบ monitoring ที่สามารถแจ้งเตือนทีมตอบสนองภายในไม่กี่นาที ตลอด 24 ชั่วโมง
-
แนะนำลูกค้าให้ตรวจสอบบัญชี บริษัทแนะนำให้ผู้ใช้หมุนเวียน access token ของตนเอง และตรวจสอบกิจกรรมล่าสุดในบัญชีเพื่อหาความผิดปกติ
บทเรียนสำหรับผู้ป้องกันจากเหตุการณ์ Hugging Face
บทเรียนที่องค์กรอื่นสามารถเรียนรู้จากเหตุการณ์ที่ Hugging Face ถูกโจมตี มีหลายประเด็นสำคัญที่สะท้อนถึงความท้าทายใหม่ ๆ ในการป้องกันภัยไซเบอร์ยุค AI:
-
เตรียมโมเดลสำหรับการสืบสวน Hugging Face พบว่าโมเดลที่มี guardrails เข้มงวดไม่สามารถใช้ในการวิเคราะห์ forensic ได้ เพราะบล็อกคำสั่งที่มี payload จริง ดังนั้นองค์กรควรมีโมเดล open-weight ที่ผ่านการตรวจสอบและสามารถรันบนโครงสร้างพื้นฐานของตนเอง เพื่อใช้ในเหตุการณ์จริงโดยไม่เสี่ยงข้อมูลรั่วไหล
-
ระวังการโจมตีผ่าน dataset จุดเริ่มต้นของการโจมตีคือชุดข้อมูลที่ฝังโค้ดอันตรายไว้ใน pipeline การประมวลผล แสดงให้เห็นว่าการตรวจสอบ dataset และการ sanitize input เป็นสิ่งจำเป็น
-
เสริมการควบคุมสิทธิ์และการเข้าถึง ผู้โจมตีสามารถยกระดับสิทธิ์ไปถึงระดับ node และเคลื่อนที่ใน cluster ได้ง่าย แสดงให้เห็นว่าการใช้ least privilege และการแบ่งแยกสิทธิ์เป็นสิ่งสำคัญ
-
ระบบตรวจจับและแจ้งเตือนที่รวดเร็ว Hugging Face ปรับปรุงระบบให้แจ้งเตือนภายในไม่กี่นาที ซึ่งเป็นบทเรียนว่าการตอบสนองเร็วคือหัวใจในการจำกัดความเสียหาย
-
การหมุนเวียน credential และ secret การ revoke และ rotate credential อย่างสม่ำเสมอช่วยลดโอกาสที่ผู้โจมตีจะใช้ข้อมูลเดิมในการเข้าถึงซ้ำ




