เซิร์ฟเวอร์ Langflow กว่า 7,000 เครื่องถูกโจมตี พบช่องโหว่ใน LangGraph และ LangChain

การโจมตีที่เกิดขึ้นกับเซิร์ฟเวอร์ Langflow กว่า 7,000 เครื่องในขณะนี้ได้เปิดเผยถึงช่องโหว่ที่มีอยู่ในเฟรมเวิร์ก AI หลายตัว เช่น LangGraph และ LangChain ซึ่งเป็นปัญหาที่เกิดจากการออกแบบที่ไม่รัดกุมของเฟรมเวิร์กเหล่านี้ โดย Check Point Research ได้พบช่องโหว่ที่สามารถนำไปสู่การเข้าถึงระบบได้อย่างเต็มรูปแบบผ่านการโจมตี SQL injection ใน LangGraph และการโจมตี path traversal ใน Langflow และ LangChain ซึ่งช่องโหว่เหล่านี้ทำให้ผู้โจมตีสามารถเข้าถึงข้อมูลสำคัญ เช่น คีย์ OpenAI, ข้อมูลฐานข้อมูล และโทเค็น CRM ได้อย่างง่ายดาย

LangGraph เป็นเฟรมเวิร์กที่ให้ AI agents มีความสามารถในการจดจำผ่าน checkpointers ซึ่งเป็นชั้นข้อมูลที่เก็บสถานะการทำงาน และมีการดาวน์โหลดมากกว่า 50 ล้านครั้งต่อเดือน โดย Yarden Porat จาก Check Point Research ได้ทำการวิเคราะห์ชั้นนี้และพบช่องโหว่สามรายการ โดยสองในนั้นสามารถนำไปสู่การเข้าถึงระบบได้อย่างเต็มรูปแบบ (RCE) ช่องโหว่ CVE-2025-67644 ที่ถูกจัดอันดับ CVSS 7.3 เป็น SQL injection ใน SQLite checkpointer ซึ่งฟังก์ชันที่สร้าง WHERE clause สำหรับการค้นหาจุดตรวจสอบนั้นมีการละเลยการตรวจสอบข้อมูลที่เข้ามาอย่างเหมาะสม

ในขณะเดียวกัน Langflow ก็มีช่องโหว่ที่เกี่ยวข้องซึ่งถูกติดตามโดย Tenable และ VulnCheck ที่พบว่า path traversal ใน endpoint สำหรับการอัปโหลดไฟล์สามารถนำไปสู่การเข้าถึงระบบได้เช่นกัน ขณะที่ Cyera ได้บันทึกช่องโหว่ใน prompt loader ของ LangChain-core ที่สามารถอ่านข้อมูลสำคัญจากดิสก์ได้ ช่องโหว่เหล่านี้แสดงให้เห็นว่าผู้พัฒนาเฟรมเวิร์กเหล่านี้ไม่ได้มีการรักษาความปลอดภัยที่เพียงพอในขณะที่ส่งเฟรมเวิร์กเข้าสู่การผลิต ซึ่งทำให้เกิดช่องโหว่ที่สามารถถูกโจมตีได้ง่าย

การโจมตีเหล่านี้ไม่เพียงแต่ส่งผลกระทบต่อเซิร์ฟเวอร์ Langflow เท่านั้น แต่ยังส่งผลกระทบต่อระบบที่ใช้เฟรมเวิร์กเหล่านี้ในการพัฒนา AI agents ด้วย โดยเฉพาะอย่างยิ่งเมื่อเฟรมเวิร์กเหล่านี้ถูกนำไปใช้ในสภาพแวดล้อมการผลิตอย่างรวดเร็วโดยไม่มีการตรวจสอบความปลอดภัยที่เหมาะสม การที่เครื่องมือในการตรวจสอบการจราจรและการทำงานของระบบไม่สามารถตรวจจับช่องโหว่เหล่านี้ได้ ทำให้ปัญหานี้ยิ่งทวีความรุนแรงมากขึ้น

ดังนั้น ผู้พัฒนาจึงควรให้ความสำคัญกับการรักษาความปลอดภัยของเฟรมเวิร์กที่ใช้ในการพัฒนา AI agents และควรมีการทดสอบและตรวจสอบช่องโหว่ที่อาจเกิดขึ้นอย่างสม่ำเสมอ เพื่อป้องกันการโจมตีที่อาจส่งผลกระทบต่อข้อมูลและความปลอดภัยของระบบในอนาคต.