สรุปสั้น
บริษัท Booz Allen ผู้รับเหมาด้านความมั่นคงของรัฐบาลสหรัฐฯ เผยผลทดสอบโมเดล AI ระดับแนวหน้าในห้องแล็บ OT ที่จำลองโรงงานผลิตจริง พบว่าโมเดลเชิงพาณิชย์สามารถไล่หาอุปกรณ์ที่ตั้งค่าผิด ไต่ผ่านเครือข่ายหลายชั้น และสั่งอุปกรณ์ทางกายภาพได้ โดยในรอบหนึ่งใช้เวลาราว 16 นาทีนับจากเจาะไฟร์วอลล์ขอบเครือข่าย ผ่านเครือข่าย IT เข้าสู่เครือข่าย OT จนสั่งให้เอาต์พุตของตัวควบคุมทำงาน และในอีกรอบโมเดลระบุและสั่งแขนกลให้เคลื่อนที่ได้ภายในไม่กี่นาที โมเดลบรรลุเป้าหมายทดสอบครบทั้ง 8 ข้อ ตั้งแต่ทำแผนที่สภาพแวดล้อม หาช่องโหว่ จนถึงยึดระบบ SCADA ทั้งที่ทุกการโจมตีและทุกการกระทำที่มีผลทางกายภาพต้องผ่านการอนุมัติจากมนุษย์ก่อน ซึ่งนาย Kyle Miller รองประธานฝ่าย infrastructure cybersecurity ของ Booz Allen ประเมินว่าถ้าไม่ต้องรออนุมัติ เวลาน่าจะลดลงเหลือครึ่งหนึ่ง
ผลทดสอบนี้มาพร้อมงานวิจัยของทีม Team82 บริษัท Claroty ที่ใช้เอเจนต์ AI เขียนโค้ดวิเคราะห์ตัวควบคุมระบบทำความเย็นของ Danfoss แล้วเชื่อมช่องโหว่ 2 ตัวจนได้สิทธิ์ root บนเครื่องในแล็บด้วยเวลา 28 นาทีและค่าโทเคนราว 6 ดอลลาร์ ช่องโหว่ชุดเดียวกันนี้ถูกใช้ในเหตุโจมตีตู้เย็นซูเปอร์มาร์เก็ตในฝรั่งเศสที่เคยรายงานไว้ในโพสต์ 10/103 ขณะที่บริษัท Dragos รายงานกรณีจริงที่กลุ่มแฮ็กเกอร์ใช้ AI ช่วยเจาะหน่วยงานรัฐเม็กซิโกอย่างน้อย 9 แห่ง แต่ยังข้ามเข้าเครือข่ายควบคุมของการประปาท้องถิ่นไม่สำเร็จ ผู้เชี่ยวชาญทุกรายชี้ตรงกันว่าแนวคิดที่ว่าผู้โจมตีต้องเชี่ยวชาญสูงจึงจะเจาะระบบ OT ได้กำลังใช้ไม่ได้อีกต่อไป
รายละเอียดข่าว
เว็บไซต์ Dark Reading รายงานเมื่อวันที่ 16 ตุลาคม 2569 ว่า Booz Allen ทดสอบโมเดล AI ระดับแนวหน้าในสภาพแวดล้อม OT ทั่วไป และพบว่าโมเดลเชิงพาณิชย์ระบุอุปกรณ์ที่ตั้งค่าผิดและไต่ผ่านเครือข่ายหลายชั้นจนลงมือกระทำทางกายภาพได้ ตามรายงานที่บริษัทเผยแพร่เมื่อวันที่ 8 ตุลาคม 2569 การทดสอบทำในแล็บ OT แบบปิดที่มีอุปกรณ์หลายผู้ผลิต จำลองโรงงานผลิตที่มีตัวควบคุม ระบบ SCADA เครือข่ายควบคุมอุตสาหกรรม แขนกล รีเลย์นิรภัย และมอเตอร์
นาย Miller ระบุว่าทีมไม่แปลกใจที่ AI ทำสำเร็จ แต่สิ่งที่สะดุดตาที่สุดคือความเร็วในการหาทางเข้าฝั่ง OT “ผมทำงานด้าน OT security มาทั้งชีวิต และไม่ว่าจะชอบหรือไม่ เราอยู่กันด้วย security through obscurity อยู่บ้าง เราเชื่อว่าผู้โจมตีต้องเชี่ยวชาญมากพอจะเข้าไปและเข้าใจสภาพแวดล้อม OT จนสั่งการให้เกิดผลทางกายภาพได้ การทดสอบโมเดลแนวหน้าครั้งนี้แสดงว่า AI ทลายกำแพงเหล่านั้นไปมาก”
ตัวเลข 16 นาทีหมายถึงช่วงเวลาตั้งแต่ผ่านไฟร์วอลล์ขอบเครือข่าย เข้าเครือข่าย IT ไปถึงเครือข่าย OT และสั่งให้เอาต์พุตของตัวควบคุมตัวหนึ่งทำงาน ทั้งนี้ Booz Allen ทิ้งช่องโหว่ที่ยังไม่แพตช์ไว้ในรอบแรก ๆ เวลาที่ได้จึงไม่รวมการค้นหาและพัฒนาช่องโหว่ zero-day ใหม่ และหน้ารายงานของ Booz Allen ไม่ได้ระบุว่าใช้โมเดลของผู้พัฒนารายใด
สำหรับงานของ Claroty นาย Sean Tufts ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีภาคสนามของบริษัท ระบุว่าเอเจนต์ AI พบช่องโหว่ที่เปิดเผยไปแล้ว 3 รายการในตัวควบคุม Danfoss และหาวิธีเชื่อม 2 ตัวเข้าด้วยกันจนได้ root ซึ่งหมายความว่าฝ่ายป้องกันจะมีเวลาตอบสนองน้อยลงหลังช่องโหว่ถูกเปิดเผย โดยเฉพาะอุปกรณ์ที่เปิดออกอินเทอร์เน็ต ช่องโหว่ชุดนี้ถูกนำไปใช้โจมตีระบบทำความเย็นในฝรั่งเศส 2 เดือนหลังจาก Claroty แจ้งผู้ผลิตจนมีเฟิร์มแวร์แก้ไข
ส่วนกรณีจริงที่ Dragos รายงาน นาย Jay Deen ผู้เชี่ยวชาญด้านการไล่ล่าผู้โจมตีของบริษัท ระบุว่ากลุ่มผู้โจมตีขนาดเล็กใช้โมเดลเชิงพาณิชย์ 2 ตัวที่แทบไม่มีความรู้เฉพาะด้าน OT แต่โมเดลชี้ได้เร็วว่าระบบการประปาเป็นเป้าหมายมูลค่าสูงและค้นหาวิธีเข้าถึง “สิ่งที่โดดเด่นไม่ใช่ว่า AI นำเทคนิคใหม่หรือซับซ้อนมาใช้ แต่ลดความเชี่ยวชาญและเวลาที่ต้องใช้ในการบุกรุกขนาดใหญ่ลงอย่างมาก” เขาย้ำว่า AI เข้าใกล้พอที่จะเริ่มพัฒนาเส้นทางสู่ OT แต่ไม่มีหลักฐานว่าผู้โจมตีข้ามเข้าเครือข่ายควบคุมได้จริง
วิธีการโจมตี
ตามรายงานของ Booz Allen การทดสอบแบ่งเป็น 8 สถานการณ์ภายใต้การควบคุม และโมเดลทำได้ตามเป้าหมายที่กำหนดทุกข้อ โมเดลนำข้อมูลอุปกรณ์และเวอร์ชันเฟิร์มแวร์ไปจับคู่กับช่องโหว่ที่รู้จักแล้วสร้างเส้นทางโจมตีเอง โดยไม่ได้รับซอร์สโค้ด เอกสารวิศวกรรม หรือคู่มือ OT ขั้นสูงใด ๆ ในสถานการณ์หนึ่ง โมเดลปลอมตัวเป็นอุปกรณ์สื่อสารคู่ของรีเลย์นิรภัยที่หายไปจากเครือข่าย และในการทดสอบ SCADA โมเดลสลับไปใช้หน้าจอควบคุมเวอร์ชันที่ถูกต้อง แล้วพบการเชื่อมต่อที่ยืนยันตัวตนค้างไว้แล้วไปยังอุปกรณ์ OT 14 เครื่อง
ระบบป้องกันเดิมช่วยได้บางส่วน ตัวควบคุมตัวหนึ่งปฏิเสธคำสั่งหยุด และมอเตอร์ที่ตั้งโหมดควบคุมเฉพาะที่ไม่สามารถถูกสั่งเปิดจากระยะไกลได้ ไฟร์วอลล์ การแบ่งเครือข่าย และ endpoint protection ชะลอหรือบล็อกบางการกระทำ แต่ Booz Allen สรุปว่าไม่มีมาตรการใดเพียงตัวเดียวที่หยุดโมเดลได้อย่างสม่ำเสมอ
ข้อจำกัดที่ควรเข้าใจคือ ทุกการโจมตีและทุกการกระทำที่มีผลทางกายภาพในแล็บผ่านการอนุมัติของมนุษย์ และช่องโหว่ถูกทิ้งไว้ให้โมเดลใช้โดยตั้งใจ ผลจึงสะท้อนความเร็วในการไต่เครือข่ายและใช้ช่องโหว่ที่รู้จักแล้ว ไม่ใช่ความสามารถค้นพบช่องโหว่ใหม่ ขณะเดียวกันทั้ง Claroty และ Booz Allen ยังไม่ได้สาธิตกรณีที่ผู้โจมตียึดเอเจนต์ AI ที่องค์กรติดตั้งใช้งานอยู่แล้วในระบบปฏิบัติการ แต่นาย Tufts เตือนว่า “เอเจนต์ที่มีสิทธิ์กว้างอาจกลายเป็นอีกทางหนึ่งให้ผู้โจมตีไปถึงระบบสำคัญ หากตัวเอเจนต์หรือโครงสร้างพื้นฐานเบื้องหลังถูกเจาะ” โดยผลสำรวจของ Claroty พบว่าบริษัท 70% ใช้ AI ในงานปฏิบัติการในรูปแบบใดรูปแบบหนึ่งแล้ว
ผลกระทบ
อุปกรณ์ OT ในโรงไฟฟ้า การประปา และโรงงานส่วนใหญ่ถูกติดตั้งใช้งานมานานนับสิบปีและแพตช์ได้ยาก การป้องกันจึงพึ่งความซับซ้อนและความไม่เป็นที่รู้จักของระบบเป็นด่านแรกมาตลอด ผลทดสอบชี้ว่าด่านนี้กำลังหายไป เพราะ AI ลดทั้งความรู้เฉพาะทางและเวลาที่ผู้โจมตีต้องใช้ จากเดิมที่ต้องอาศัยทีมเชี่ยวชาญหลายสัปดาห์ เหลือเพียงหลักนาทีสำหรับช่องโหว่ที่รู้จักแล้ว
ผลที่ตามมาโดยตรงคือช่วงเวลาระหว่างการเปิดเผยช่องโหว่กับการถูกโจมตีจริงจะสั้นลง ซึ่งเห็นได้แล้วจากกรณี Danfoss ที่ช่องโหว่ถูกใช้โจมตีจริงภายใน 2 เดือน และอุปกรณ์ OT ที่เปิดออกอินเทอร์เน็ตหรือมีเส้นทางเชื่อมจากเครือข่าย IT จะเสี่ยงที่สุด นอกจากนี้การติดตั้งเอเจนต์ AI ที่มีสิทธิ์กว้างในงานปฏิบัติการยังเพิ่มพื้นผิวการโจมตีใหม่ที่หลายองค์กรยังไม่ได้ประเมิน
คำแนะนำ
- แบ่งเครือข่ายรอบกระบวนการที่มีผลกระทบสูง ใช้ micro-segmentation ได้ยิ่งดี และถอดระบบ dual-homed บริการที่ใช้ร่วมกัน และเซสชันที่ยืนยันตัวตนค้างไว้ซึ่งข้ามขอบเขตเครือข่าย IT/OT ออก
- เสริมความแข็งแรงให้ระบบที่เป็นสะพานเชื่อม เช่น ไฟร์วอลล์ สวิตช์ jump host หน้าจอผู้ดูแล แพลตฟอร์ม SCADA และ engineering workstation
- จัดลำดับการแพตช์ตามผลทางกายภาพที่ช่องโหว่อาจนำไปสู่ ไม่ใช่ดูคะแนนความรุนแรงอย่างเดียว และเร่งปิดอุปกรณ์ OT ที่เปิดออกอินเทอร์เน็ต
- เฝ้าระวังการเปลี่ยนโหมดของตัวควบคุม การเขียนโปรแกรมลงตัวควบคุม และการนำเข้าโปรเจกต์ SCADA พร้อมตั้งระบบตรวจจับพฤติกรรมผิดปกติที่ปรับจูนดีพอจะแยกเอเจนต์ AI ที่ปลอมเป็นอุปกรณ์ OT ได้
- คงการตั้งค่าความปลอดภัยเฉพาะที่ของอุปกรณ์ เช่น โหมดควบคุมเฉพาะที่และรีเลย์นิรภัย เพราะเป็นมาตรการที่บล็อกบางการกระทำได้จริงในการทดสอบ
- เก็บแบ็กอัปและค่าตั้งที่รู้ว่าถูกต้องซึ่งทดสอบแล้วไว้พร้อมกู้คืน
- พิจารณาวาง honeypot หรือ canary ที่เลียนแบบสภาพแวดล้อม OT เพื่อชะลอผู้โจมตีที่ใช้ AI และป้อนข้อมูลลวง ตามคำแนะนำของนาย Miller
- ประเมินสิทธิ์ของเอเจนต์ AI ที่ใช้งานในระบบปฏิบัติการ ให้สิทธิ์เท่าที่จำเป็น และพิจารณาระบบตอบสนองอัตโนมัติที่บล็อกทราฟฟิกผิดปกติที่ขอบเครือข่าย เพราะการตอบสนองด้วยความเร็วมนุษย์อาจช้าเกินไป