สรุปสั้น
บริษัท CrowdStrike เปิดเผยแคมเปญโจมตีแบบเจาะจงที่เล็งองค์กรด้านการเงินในเกาหลีใต้ โดยผู้โจมตีใช้ ARTEX ซึ่งเป็นเครื่องมือทดสอบเจาะระบบ (pentesting) แบบ agentic AI โอเพนซอร์สที่พัฒนาในจีน ทำงานร่วมกับโมเดลภาษาขนาดใหญ่ (LLM) หลายตัว กิจกรรมเกิดขึ้นช่วงปลายเดือนกันยายนถึงต้นเดือนตุลาคม 2569 และจบลงด้วยการขโมยข้อมูลออกไปได้ CrowdStrike พบแคมเปญนี้จากไดเรกทอรีที่เปิดสาธารณะบน IP ในฮ่องกง ซึ่งเผยประวัติเซสชัน Claude Code ไฟล์ memory ของ Claude และไฟล์คอนฟิกของ ARTEX ทำให้มองเห็นวิธีทำงานของผู้โจมตีได้ละเอียดผิดปกติ
แคมเปญนี้ยังไม่ถูกโยงกับกลุ่มผู้โจมตีที่รู้จัก แต่หลักฐานชี้ไปที่ผู้ปฏิบัติการที่พูดภาษาจีนและมีแรงจูงใจทางการเงิน หลังข่าวออกมา Autumn-27 ผู้พัฒนา ARTEX ประกาศว่าไม่เกี่ยวข้องกับการโจมตี และเปลี่ยนโครงการเป็นซอร์สปิดพร้อมหยุดอัปเดตทุกเวอร์ชัน ในช่วงเดียวกันบริษัท ZenoX ของบราซิลเผยแพลตฟอร์ม SCARLET LOOP ที่ใช้ AI agent ทำ credential stuffing และยึดบัญชีแบบอัตโนมัติทั้งกระบวนการ โดยทดสอบ credential ไปแล้วกว่า 12 ล้านชุด สองกรณีนี้สะท้อนว่าผู้โจมตีทั้งสายจารกรรมข้อมูลและอาชญากรรมไซเบอร์เริ่มใช้ AI agent ทำงานแทนคนในขั้นตอนที่เคยต้องใช้แรงงานมาก
รายละเอียดข่าว
เว็บไซต์ The Hacker News รายงานเมื่อวันที่ 8 ตุลาคม 2569 อ้างรายงานของทีม CrowdStrike Intelligence ว่า “ผู้โจมตีใช้ ARTEX เครื่องมือเจาะระบบแบบ agentic โอเพนซอร์สที่เพิ่งเปิดตัวและพัฒนาในจีน ร่วมกับโมเดลภาษาขนาดใหญ่” ARTEX เป็นระบบเจาะระบบอัตโนมัติที่ขับเคลื่อนด้วย LLM แบบหลายเอเจนต์ (multi-agent) พัฒนาโดยผู้ใช้ GitHub ชื่อ Autumn-27 The Hacker News อ้างอิงรายงานของสื่อเกาหลีใต้ Kyunghyang Shinmun และ Chosun Ilbo ประกอบด้วย
จุดที่ทำให้ CrowdStrike ติดตามแคมเปญได้คือความผิดพลาดด้าน OPSEC ของผู้โจมตีเอง นักวิจัยพบไดเรกทอรีเปิดบน IP ในฮ่องกงที่เก็บประวัติเซสชัน Claude Code ไฟล์ memory และคอนฟิก ARTEX ไว้ การวิเคราะห์เซสชันเหล่านั้นพบสถาปัตยกรรมเซิร์ฟเวอร์ 2 ตัว คือ IP ในฮ่องกงเป็นแกนหลักของแคมเปญ ส่วน IP 38.244.50[.]120 เป็นที่ตั้งของ ARTEX instance ที่คาดว่าใช้โจมตีเป้าหมายในเกาหลีใต้
นอกจากงานที่เกี่ยวกับ ARTEX ผู้โจมตียังถาม Claude ว่าโดยทั่วไปแฮ็กเกอร์ขายข้อมูลรั่วของเกาหลีที่ไหน และขอให้ช่วยหากลุ่ม Telegram ที่ซื้อขายข้อมูลเกาหลี ในเซสชันหนึ่งมี prompt ที่อ้างถึงบัญชี Telegram @YY520CN และชื่อ “YY” ซึ่งชื่อผู้ใช้เดียวกันนี้ปรากฏในเซสชันอื่นที่ค้นหาช่องโหว่ของตลาดซื้อขายของขวัญ NFT บน Telegram ด้วย อย่างไรก็ตาม CrowdStrike ระบุชัดว่า “แม้ข้อมูลส่วนบุคคลใน prompt น่าจะเป็นของผู้โจมตีที่ทำกิจกรรมเกี่ยวกับ ARTEX แต่ข้อมูลที่มีในขณะนี้ยังไม่สามารถยืนยันได้แน่ชัดว่าเป็นคนเดียวกัน”
รายงานไม่ได้เปิดเผยจำนวนบริษัทที่ถูกโจมตี ช่องทางเจาะเข้าครั้งแรก ช่องโหว่ที่ถูกใช้ หรือประเภทข้อมูลที่ถูกขโมย ข้อมูลส่วนนี้จึงยังมีน้อยมาก
วิธีการโจมตี
ARTEX และโมเดลที่ใช้
ARTEX instance ของผู้โจมตีใช้ DeepSeek v4.1-flash เป็น LLM หลัก และเสริมด้วย GLM-5.3 ของ Z.ai กับ Grok 4.6 ของ SpaceXAI CrowdStrike สันนิษฐานว่าผู้โจมตีเข้าถึง DeepSeek ผ่านตัวแทนจำหน่าย API ชื่อ xcai[.]pro ส่วน Claude Code ถูกใช้เป็นเครื่องมือช่วยงานฝั่งปฏิบัติการ ทั้งตั้งค่าโครงสร้างพื้นฐานและค้นหาช่องทางขายข้อมูล ภาพที่ได้คือผู้โจมตีรายเดียวสามารถสั่ง AI agent ให้สแกน เจาะ และขยายผลในเป้าหมายได้โดยใช้คนน้อยลงมาก ซึ่งเป็นงานที่เดิมต้องใช้ทีม pentest ที่มีทักษะ
หลังมีข่าวการใช้งานในทางที่ผิด Autumn-27 ออกแถลงการณ์ว่า “ARTEX ถูกออกแบบมาเพื่อการเรียนรู้และวิจัย มุ่งช่วยองค์กรทดสอบความเสี่ยงด้านความปลอดภัยภายในขอบเขตทรัพย์สินที่ได้รับอนุญาต” และ “ด้วยความเป็นจริงที่เครื่องมือถูกนำไปใช้ผิด โครงการ ARTEX จะไม่อัปเดตอีกและจะเปลี่ยนเป็นซอร์สปิด ไม่มีการปล่อยเวอร์ชันหรือดูแลต่อในอนาคต” แต่โค้ดที่เคยเผยแพร่ไปแล้วยังอาจถูก fork และใช้ต่อได้
SCARLET LOOP — แพลตฟอร์ม AI ยึดบัญชีแบบอัตโนมัติ
ZenoX เปิดเผยแพลตฟอร์ม credential stuffing และยึดบัญชีแบบ agentic ของผู้โจมตีที่พูดภาษาโปรตุเกสและหวังผลทางการเงิน ซึ่งตั้งชื่อว่า SCARLET LOOP แพลตฟอร์มทำงาน 4 ขั้น ได้แก่ (1) ค้นหาและจัดอันดับเป้าหมายมูลค่าสูงด้วย AI classifier โดยเน้นแพลตฟอร์มสะสมแต้ม ระบบสิ่งจูงใจพนักงาน และบัตรของขวัญในบราซิล (2) ดึง credential ที่ตรงกับเป้าหมายจากล็อกของ infostealer และข้อมูลรั่ว (3) ล็อกอินด้วย AI agent ที่ใช้เบราว์เซอร์ต่อต้านการตรวจจับ และ (4) ส่ง credential ที่ใช้ได้ไปยังช่อง Telegram ส่วนตัวในรูปแบบ ✅ {url} {user}:{password}
ระบบใช้ GPT-5.6 ของ OpenAI สร้างคำค้น (dork) หาหน้าล็อกอินของบริษัทในอุตสาหกรรมเป้าหมาย ใช้ GPT-5.5 จัดประเภทและให้คะแนนเป้าหมาย ส่วนเอเจนต์เบราว์เซอร์ใช้ DeepSeek-V4-Pro และ DeepSeek-V4-Flash และยังตั้งค่า Claude Opus 4.6, Gemini 2.5 Flash, GLM-5.1 และโมเดล gemma-4-26B-A4B ที่รันในเครื่องที่ 127.0.0[.]1:1237 ZenoX อธิบายว่า “LLM agent ที่มีเครื่องมืออัตโนมัติ 46 ตัวควบคุม Firefox ที่ปลอมค่า canvas, WebGL, เขตเวลา, ภาษา, ตำแหน่ง และขนาดหน้าจอ พร้อมจ้างภายนอกแก้ captcha”
จุดที่น่าสนใจคือโหมด “AUTO Mode” ที่ถอดโมเดล AI ออกจากลูปหลังล็อกอินสำเร็จครบจำนวนที่กำหนดบนโดเมนเดียวกัน เพื่อประหยัด token และใช้ AI เฉพาะเมื่อเจอฟอร์มล็อกอินที่ไม่รู้จัก ZenoX สรุปว่า “แพลตฟอร์มถูกสร้างมาให้จ่ายค่าความฉลาดเพียงครั้งเดียวต่อเป้าหมาย แล้วหยุดจ่าย” เซิร์ฟเวอร์ที่เปิดสู่อินเทอร์เน็ตของแพลตฟอร์มแสดงว่ามีการทดสอบ credential ไปแล้ว 12,277,358 ชุด ในจำนวนนี้ 11,832 ชุดถูกจัดว่าใช้ได้จริง ครอบคลุม 3,968 โดเมน
ผลกระทบ
กรณี ARTEX แสดงว่าเครื่องมือ pentest แบบ AI agent ที่เปิดเป็นโอเพนซอร์สถูกดัดแปลงเป็นอาวุธได้เร็ว และใช้ได้จริงจนขโมยข้อมูลจากภาคการเงินได้สำเร็จ การปิดซอร์สภายหลังแทบไม่ลดความเสี่ยง เพราะโค้ดเวอร์ชันเดิมยังอยู่ในมือผู้ที่ดาวน์โหลดไปแล้ว ขณะที่ต้นทุนของผู้โจมตีลดลงเหลือแค่ค่า API ของ LLM ซึ่งหาซื้อผ่านตัวแทนจำหน่ายได้ง่าย สำหรับฝ่ายป้องกัน การโจมตีที่ AI agent ขับเคลื่อนมักมีจังหวะเร็วและครอบคลุมกว่าการโจมตีด้วยมือ ช่วงเวลาตั้งแต่สแกนเจอจนถึงถูกขโมยข้อมูลจึงสั้นลง
กรณี SCARLET LOOP กระทบทุกบริการที่มีหน้าล็อกอินและผูกกับมูลค่าทางการเงิน โดยเฉพาะระบบสะสมแต้มและบัตรของขวัญที่มักไม่บังคับ MFA อัตราสำเร็จราว 0.1% อาจดูต่ำ แต่เมื่อทำงานอัตโนมัติในระดับหลายล้านชุด ผลลัพธ์คือบัญชีที่ถูกยึดเกือบ 12,000 บัญชี และการที่เอเจนต์ปรับตัวกับฟอร์มล็อกอินใหม่ได้เองทำให้การป้องกันที่อาศัยการตรวจ bot แบบตายตัวได้ผลน้อยลง
คำแนะนำ
- ลดช่องทางที่ AI agent ใช้หาเป้าหมาย: ปิดบริการที่ไม่จำเป็นบนอินเทอร์เน็ต อุดช่องโหว่ที่เปิดสู่ภายนอกตามลำดับความเสี่ยง และทำ attack surface management ต่อเนื่อง
- เฝ้าระวังรูปแบบการสแกนและการโจมตีที่เร็วผิดปกติหรือไล่ทดสอบหลายเทคนิคต่อเนื่องจาก IP เดียว ซึ่งเป็นลักษณะของเครื่องมือเจาะระบบอัตโนมัติ
- ตรวจล็อกการเชื่อมต่อไปยัง IP
38.244.50[.]120และโดเมนxcai[.]proและค้นหาการขโมยข้อมูลออกผิดปกติ (data egress) จากระบบที่เปิดสู่ภายนอก - บริการที่มีบัญชีผู้ใช้ควรบังคับ MFA โดยเฉพาะระบบสะสมแต้มและบัตรของขวัญ ใช้ rate limiting และตรวจจับ credential stuffing จากพฤติกรรม ไม่ใช่แค่ลายนิ้วมือเบราว์เซอร์
- ตรวจสอบ credential ขององค์กรในล็อก infostealer และข้อมูลรั่วเป็นระยะ แล้วบังคับเปลี่ยนรหัสผ่านบัญชีที่หลุด
- องค์กรที่ใช้เครื่องมือ pentest แบบ AI agent เอง ควรจำกัดขอบเขตเป้าหมาย เก็บคอนฟิกและ API key อย่างปลอดภัย และไม่เปิดไดเรกทอรีหรือประวัติเซสชันสู่สาธารณะ