AI malware เตือนว่าตอนนี้เป็นเวลาเหมาะขยายแนวคิด Zero Trust ไปสู่ขั้นตอนการรันโค้ด

Lead paragraph การใช้โมเดล AI ในการเขียนโค้ดกำลังเปลี่ยนแปลงรูปแบบของความปลอดภัยซอฟต์แวร์อย่างรวดเร็ว หลังจากที่ Anthropic รายงานว่า กว่า 80 % ของโค้ดที่ผสานเข้าไปในระบบผลิต มาจากโมเดล Claude ความกังวลเกี่ยวกับ “AI malware” จึงบังคับให้ผู้ดูแลระบบพิจารณาขยายแนวคิด Zero Trust ไปยังขั้นตอนการรันโค้ดด้วย

Overview

เทคโนโลยี AI ที่เคยช่วยนักพัฒนาเร่งกระบวนการเขียนโปรแกรม กลับกลายเป็นเครื่องมือที่อาชญากรไซเบอร์สามารถใช้สร้างและปรับแต่ง payload ได้ในระดับ “นาทีต่อครั้ง” ตามรายงานของ Anthropic โมเดล Claude สามารถผลิตโค้ดที่พร้อมนำไปใช้งานโดยไม่ต้องผ่านการตรวจสอบจากมนุษย์ ซึ่งทำให้ช่องว่างระหว่างการเขียนโค้ดและการประมวลผลลดลงอย่างมหาศาล

ในสถานการณ์เช่นนี้ กระบวนการทบทวนโค้ดแบบเดิมที่อาศัย review scan test approve ไม่สามารถตามทันความเร็วของ AI ได้ ผู้โจมตีสามารถใช้ระบบเดียวกันในการสร้าง exploit, ทดสอบวิธีหลีกเลี่ยงการตรวจจับ และปรับเปลี่ยนพฤติกรรมให้เข้ากับสภาพแวดล้อมเป้าหมายได้หลายรอบต่อชั่วโมง

Threat Landscape

AI ทำให้ขั้นตอนสำคัญของ attack chain เช่น reconnaissance, vulnerability discovery, exploit generation และ payload adaptation กลายเป็นกระบวนการอัตโนมัติ ตัวอย่างเช่น โมเดล AI สามารถสแกนโค้ดฐานข้อมูลเปิด‑source เพื่อหาช่องโหว่ที่ยังไม่ได้รับการแพตช์ แล้วสร้างสคริปต์โจมตีที่ตรงตามเงื่อนไขเฉพาะของระบบเป้าหมายได้โดยอัตโนมัติ

การใช้ AI ยังทำให้ **indicator of compromise (IoC) มีความหลากหลายและคงที่น้อยลง โค้ดที่สร้างขึ้นใหม่แต่ละเวอร์ชันอาจไม่มีลายเซ็นต์หรือพฤติกรรมเดิมที่ผู้ป้องกันเคยเห็น ทำให้ระบบตรวจจับแบบ signature‑based หรือ heuristic ที่พึ่งพาการระบุ “signature” เฉพาะเจาะจงมีประสิทธิภาพลดลง

แม้ว่าการวิเคราะห์โดย AI จะช่วยในการ triage แต่ผลลัพธ์มักอยู่ในรูปของความเป็นไปได้ (probability) ไม่ใช่นโยบายที่แน่นอน ดังนั้นเมื่อโค้ดทำงานด้วยความเร็วของเครื่อง “อาจจะน่าสงสัย” ยังไม่พอสำหรับการตัดสินใจเชิงปฏิบัติ

How AI Changes the Attack Model

จากมุมมองของผู้โจมตี การใช้ machine‑executed payloads ทำให้ขั้นตอนหลายอย่างถูกย้ายออกจากคนเข้าสู่ระบบอัตโนมัติ ตัวอย่างที่พบได้บ่อยคือ:

• การสร้างสคริปต์หรือ dependency ที่พร้อมใช้งานภายในไม่กี่นาที
• การเปลี่ยนแปลงไฟล์คอนฟิกหรือเรียกใช้คำสั่งบนเครื่องเซิร์ฟเวอร์โดยตรงผ่าน agent ของ AI
• การปรับโค้ดให้เข้ากับระบบปฏิบัติการ, ไลบรารี หรือ runtime environment ที่แตกต่างกัน

ผลลัพธ์คือ ความหลากหลายของ payload เพิ่มขึ้น แต่สัญญาณที่บ่งชี้เจตนารมณ์ของโค้ดยังคงอยู่ เพราะเพื่อทำภารกิจได้ โค้ดต้องเข้าถึงทรัพยากร ระบบไฟล์ หรือเครือข่าย ซึ่งเป็นจุดเชื่อมต่อที่ผู้ป้องกันสามารถตรวจจับพฤติกรรมอันตรายได้

Limitations of Current Controls

แนวทาง software supply chain security ที่เน้นการตรวจสอบคุณสมบัติของ artifact ก่อนรัน เช่น SBOM, การเซ็นชื่อและ provenance ยังคงสำคัญ แต่ไม่เพียงพอต่อภัยคุกคามจาก AI‑generated code แม้โค้ดจะผ่านกระบวนการ build, signing และมาจากแหล่งที่เชื่อถือได้ มันยังสามารถทำงานผิดกฎระเบียบเมื่อรันจริงได้

ระบบตรวจจับแบบ post‑execution มีข้อจำกัดตรงที่ต้องรอให้พฤติกรรมอันตรายปรากฏแล้วจึงตอบโต้ ซึ่งในยุค AI ระยะเวลานี้อาจสั้นลงจากชั่วโมงเป็นวินาที ผู้โจมตีจึงมีเวลาเพียงพอในการขโมยข้อมูล, สร้าง persistence หรือเปิดช่องทางเครือข่ายก่อนที่ทีมรักษาความปลอดภัยจะรับรู้

ดังนั้น การเปลี่ยนจุดตัดสินใจจาก “หลังการทำงาน” ไปเป็น “ก่อนการทำงาน” จึงกลายเป็นสิ่งจำเป็น

Towards Zero Trust for Code

แนวคิด Zero Trust ที่เคยใช้กับผู้ใช้, อุปกรณ์และเครือข่าย สามารถนำมาปรับใช้กับโค้ดได้โดย:

• ประเมินพฤติกรรมที่คาดว่าจะเกิดขึ้นของโค้ดก่อนอนุญาตให้รัน
• สร้างนโยบายที่ระบุว่า “การดำเนินการใดบ้างที่เป็นที่ยอมรับ” เช่น การอ่านไฟล์เฉพาะ, การเรียก API ที่ได้รับอนุมัติ หรือการเข้าถึงเครือข่ายภายในเท่านั้น

ขั้นตอนปฏิบัติอาจรวมถึง:

• Mapping เส้นทางทั้งหมดที่โค้ดเข้าสู่ระบบ (repositories, packages, containers, CI/CD pipelines, email attachments, macros, browser extensions, AI‑generated scripts)
• ระบุจุดที่มีการพึ่งพา inherited trust เช่น การอนุมัติอัตโนมัติโดยอ้างอิงแหล่งที่มาที่เชื่อถือได้
• นำเครื่องมือ Runtime Application Self‑Protection (RASP) หรือ policy‑enforcement engine มาตรวจสอบพฤติกรรมแบบ real‑time ก่อนให้สิทธิ์การรัน

เมื่อโค้ด AI‑generated ถูกตรวจพบว่าอาจทำงานนอกกรอบที่กำหนด ระบบควรบล็อกหรือแยกสภาพแวดล้อมเพื่อการตรวจสอบต่อไป ไม่ใช่ปล่อยให้ทำการเปลี่ยนแปลงระบบโดยไม่ได้รับอนุญาต

Impact and Recommendations

องค์กรที่ยังอาศัยกระบวนการตรวจสอบแบบเดิมอาจเผชิญกับ risk amplification เนื่องจาก AI สามารถสร้างและปรับใช้โค้ดได้เร็วกว่าเวลาที่ทีมความปลอดภัยจะทำการตรวจสอบ การยอมรับ Zero Trust for Code จะช่วยลดช่องว่างนี้โดยให้การตัดสินใจเป็นเชิงป้องกันมากกว่าการตอบสนอง

แนะนำให้ผู้บริหารด้าน IT ดำเนินการตามขั้นตอนต่อไปนี้:

• ทำ inventory ของทุกจุดที่โค้ดอาจเข้าสู่สภาพแวดล้อมและจัดทำแผนความเสี่ยง
• ปรับใช้เครื่องมือ behavioral analysis ที่สามารถประเมินพฤติกรรมของโค้ดแบบเรียลไทม์ก่อนรัน
• ฝึกอบรมทีม DevSecOps ให้เข้าใจข้อจำกัดของ AI‑generated code และวิธีตั้งนโยบาย Zero Trust

ด้วยการบูรณาการแนวคิด Zero Trust เข้าไปในขั้นตอนการ execution ของโค้ด องค์กรจะสามารถลดโอกาสที่ภัยคุกคามจาก AI malware จะเข้าสู่ระบบได้อย่างมีประสิทธิภาพ

Summary

AI กำลังทำให้กระบวนการสร้างและปรับใช้โค้ดเป็นอัตโนมัติเร็วกว่าเดิม ทำให้รูปแบบของการโจมตีต้องเปลี่ยนไปสู่ “machine‑executed” อย่างต่อเนื่อง การขยาย Zero Trust ให้ครอบคลุมขั้นตอน execution ของโค้ดจึงกลายเป็นแนวทางสำคัญในการปกป้องระบบจากภัยคุกคาม AI malware ที่เกิดขึ้นในอนาคต.