Blog, Insight Hub

ถอดบทเรียนกรณีผู้โจมตีใช้ Hermes กับระบบกระทรวงการคลังไทย

เมื่อ AI Agent กลายเป็น “ผู้ช่วยแฮก” — ถอดบทเรียนกรณีผู้โจมตีใช้ Hermes กับระบบกระทรวงการคลังไทย

โลก Cybersecurity กำลังเข้าสู่จุดเปลี่ยนสำคัญ เมื่อ AI Agent ไม่ได้ถูกใช้เพียงช่วยเขียนโค้ด วิเคราะห์ข้อมูล หรือทำงานอัตโนมัติให้องค์กร แต่กำลังถูกผู้โจมตีนำไปสนับสนุนปฏิบัติการไซเบอร์แบบกึ่งอัตโนมัติและอัตโนมัติ

กรณีที่น่าสนใจเกิดขึ้นกับประเทศไทย เมื่อบริษัทด้าน Threat Intelligence Hunt.io เผยแพร่รายงานเมื่อวันที่ 23 กรกฎาคม 2026 ว่า นักวิจัยพบโครงสร้างพื้นฐานของผู้โจมตีซึ่งเชื่อมโยงกับปฏิบัติการที่มุ่งเป้าไปยัง กระทรวงการคลังของประเทศไทย (Thailand’s Ministry of Finance: MOF) โดยมีการใช้ Open-source AI Agent ชื่อ Hermes ในโหมด “YOLO” ซึ่งลดหรือข้ามการขออนุมัติจากมนุษย์ก่อนดำเนินคำสั่งที่อาจมีความเสี่ยง (Hunt.io)

เหตุการณ์นี้ไม่ได้พิสูจน์ว่า AI สามารถแฮกระบบทั้งหมดได้เองโดยปราศจากมนุษย์ แต่แสดงให้เห็นว่า ผู้โจมตีสามารถมอบหมายงานบางส่วนใน Post-exploitation Workflow ให้ AI Agent ดำเนินการต่อเนื่องได้จริง

จากเดิมที่ AI เป็นเพียงเครื่องมือช่วยคิด ผู้โจมตีกำลังทดลองใช้ AI เป็นผู้ปฏิบัติงานที่เรียกเครื่องมือ อ่านผลลัพธ์ และดำเนินขั้นตอนถัดไปได้

ข้อเท็จจริงสำคัญที่ควรทราบก่อนอ่าน

รายละเอียดเหตุการณ์ในบทความนี้อ้างอิงจากการวิเคราะห์โครงสร้างพื้นฐานของผู้โจมตีโดย Hunt.io และรายงานข่าวที่นำข้อมูลดังกล่าวไปตรวจสอบต่อ
Hunt.io ระบุว่า Thailand’s national CERT และ NCSA ได้รับแจ้งเมื่อวันที่ 15 กรกฎาคม 2026 และตอบรับการแจ้งในวันเดียวกัน ก่อนมีการเว้นระยะเปิดเผยข้อมูลตามแนวทาง Responsible Disclosure
ณ เวลาที่ Dark Reading รายงาน หน่วยงานรัฐบาลไทยยังไม่ได้ให้ความเห็นต่อสาธารณะเกี่ยวกับเหตุการณ์นี้
Hunt.io พบหลักฐานที่บ่งชี้ว่าผู้โจมตีเข้าถึงระบบภายในหลายส่วน แต่ ไม่พบหลักฐานยืนยันว่ามีการนำข้อมูลออกจากเครือข่ายแล้ว (Hunt.io, Dark Reading)

ดังนั้น ควรหลีกเลี่ยงข้อความที่ฟันธงว่า “AI ขโมยข้อมูลกระทรวงการคลังสำเร็จแล้ว” เพราะเกินกว่าหลักฐานที่เปิดเผยในขณะนี้

Hunt.io พบอะไร?

ระหว่างวันที่ 9–13 กรกฎาคม 2026 ระบบ Attack Capture ของ Hunt.io ตรวจพบ Open Directory จำนวน 3 ชุดบน Server IP เดียว ซึ่ง Host อยู่ใน Hong Kong

ข้อมูลที่นักวิจัยจัดเก็บจาก Directory เหล่านั้นประกอบด้วย 585 Files รวมประมาณ 470 MB โดย Hunt.io อธิบายว่าเป็น Attack Code, Stolen Credentials และวัตถุอื่นที่เกี่ยวข้องกับปฏิบัติการ (Hunt.io)

สิ่งที่พบประกอบด้วย

Exploit Code สำหรับช่องโหว่ที่รู้จักหลายรายการ
Web Shell
suo5 HTTP Tunneling Tool
Script ที่สร้างขึ้นเพื่อเป้าหมายเฉพาะ
Hardcoded Credentials บางส่วน
Session Material และ Cookie Files
เครื่องมือค้นหาเส้นทางยกระดับสิทธิ์
Log การทำงานของ Hermes AI Agent
Payload สำหรับ Windows และ Linux
Implant ที่ผู้โจมตีเรียกว่า Hades

Script และ Configuration หลายรายการอ้างถึงระบบของกระทรวงการคลังโดยตรง ทั้งชื่อระบบ Hostname, Internal IP Address, Administrative Web Panel และ Hadoop Big Data Infrastructure

หลักฐานเหล่านี้ทำให้นักวิจัยประเมินว่า ผู้โจมตีมีความรู้เกี่ยวกับโครงสร้างระบบภายในของเป้าหมายในระดับที่มีนัยสำคัญ โดย Hunt.io ระบุด้วยว่า Active Session Material, Web Shell ที่ถูกติดตั้ง และข้อมูลการเข้าถึงเครือข่ายภายใน บ่งชี้ถึงการ compromise ระบบหลายส่วนภายในเครือข่าย MOF

Hermes AI Agent ถูกใช้ทำอะไร?

จุดที่ทำให้เหตุการณ์นี้แตกต่างจาก Cyberattack ทั่วไปคือการพบ Log การทำงานของ Hermes AI Agent

Hermes เป็น Open-source AI Agent ที่สามารถทำงานต่อเนื่อง เก็บ Memory ระหว่าง Session และเรียกใช้เครื่องมือต่าง ๆ ได้ ผู้โจมตีตั้งค่า Agent ในลักษณะ Unattended หรือ YOLO Mode ซึ่งยกเลิกการรอ Human Approval สำหรับคำสั่งที่อาจถูกมองว่าเป็นอันตราย

จาก Log ที่ Hunt.io วิเคราะห์ Hermes ถูกใช้สนับสนุนงานหลายประเภท ได้แก่

Network and System Enumeration

สำรวจ Host ระบบ บริการ และองค์ประกอบต่าง ๆ ภายในเครือข่าย เพื่อทำความเข้าใจสภาพแวดล้อมของเป้าหมาย

Privilege Escalation Assessment

ตรวจสอบเส้นทางหรือจุดอ่อนที่อาจนำไปสู่การยกระดับสิทธิ์ รวมถึงอ่านผลจากเครื่องมือ Open-source อย่าง LinPEAS บน Linux

File and Directory Discovery

สำรวจ Directory และ File ภายในระบบ เพื่อระบุตำแหน่งของข้อมูลหรือทรัพยากรที่น่าสนใจ

Internal Network Reconnaissance

รวบรวมรายละเอียดเกี่ยวกับโครงสร้าง Network และระบบที่เชื่อมโยงกัน เพื่อสนับสนุนการขยายการเข้าถึง

Log บางส่วนแสดงว่า Operator สั่ง Agent ให้สำรวจ Content Directory ที่มีไฟล์ PDF, DOC และ XLS รวมถึง Personnel Records ที่เกี่ยวข้องกับสำนักงานปลัดกระทรวงการคลัง อย่างไรก็ตาม Hunt.io และ Dark Reading ระบุตรงกันว่า ยังไม่มีหลักฐานว่าไฟล์เหล่านั้นถูก Exfiltrate (Dark Reading)

Hermes เป็น “แฮกเกอร์อัตโนมัติ” หรือไม่?

ยังไม่ควรสรุปเช่นนั้น

หลักฐานที่เปิดเผยชี้ว่า Human Operator ยังคงมีบทบาทในการกำหนดเป้าหมาย จัดเตรียม Infrastructure, Credential, Exploit, Malware และคำสั่งให้ Agent ขณะที่ Hermes ช่วยดำเนินงานบางส่วน เช่น การสำรวจระบบ อ่านผลลัพธ์ และค้นหาเส้นทางถัดไป

คำอธิบายที่แม่นยำกว่าคือ

Hermes ทำหน้าที่เป็น AI-assisted Offensive Operator ภายใต้ปฏิบัติการที่มนุษย์กำหนดทิศทาง ไม่ใช่ AI ที่ตัดสินใจเลือกโจมตีกระทรวงการคลังด้วยตัวเอง

ความแตกต่างนี้สำคัญ เพราะช่วยให้องค์กรประเมินภัยคุกคามตามหลักฐาน โดยไม่ลดทอนความเสี่ยงและไม่ขยายเรื่องเกินจริง

Hades คืออะไร?

อีกองค์ประกอบหนึ่งที่พบใน Attack Infrastructure คือ Implant ที่ผู้โจมตีเรียกว่า Hades

Hunt.io พบ Binary ที่ Compile ด้วยภาษา Go สำหรับทั้ง Windows และ Linux โดยมีความสามารถสำคัญ ได้แก่

Remote Interactive Shell: เปิดช่องทางให้ผู้ควบคุมสั่งงานเครื่องเป้าหมาย
Persistence: สร้างกลไกให้ Malware กลับมาทำงานหลัง Restart
File Transfer: รองรับการรับและส่งไฟล์
SOCKS Proxy: ใช้เครื่องที่ถูกยึดเป็นเส้นทางเชื่อมต่อไปยังระบบอื่น
In-memory Execution: บาง Build รองรับการ Execute Code ใน Memory
Screenshot Capture: พบใน Windows Build ที่นักวิจัยวิเคราะห์

Hades ติดต่อกับ Command-and-Control Infrastructure ผ่าน HTTPS และใช้ AES-256-GCM ในการปกป้อง Payload ระหว่างการสื่อสาร ตามรายละเอียดทางเทคนิคของ Hunt.io

อย่างไรก็ตาม คำว่า “Hades เป็นมัลแวร์ที่ใช้ดูดข้อมูลออกจากกระทรวงการคลังแล้ว” ยังไม่แม่นยำ

หลักฐานยืนยันว่า Hades มี File Transfer Capability และถูก Stage อยู่ในโครงสร้างพื้นฐานของผู้โจมตี แต่ยังไม่มีหลักฐานสาธารณะที่ยืนยันว่า Hades ถูกใช้ Exfiltrate ข้อมูลจากระบบกระทรวงการคลังสำเร็จ

ผู้โจมตีเข้าสู่ระบบครั้งแรกได้อย่างไร?

ปัจจุบันยังไม่ทราบ Initial Access Vector

Hunt.io พบ Exploit Code สำหรับช่องโหว่ที่รู้จักหลายรายการ รวมถึง

CVE-2021-4034 หรือ PwnKit
CVE-2021-3156 ใน sudo
CVE-2017-7269 ใน IIS WebDAV

นอกจากนี้ยังพบ Web Shell และเครื่องมือสำหรับ Privilege Escalation แต่การพบเครื่องมือเหล่านี้ใน Infrastructure ไม่ได้พิสูจน์ว่าเครื่องมือหรือช่องโหว่ใดถูกใช้เป็นจุดเข้าระบบครั้งแรก

สิ่งที่รายงานเปิดเผยจึงเป็นภาพของ Post-exploitation Activity มากกว่าหลักฐานที่อธิบาย Cyber Kill Chain ได้ครบตั้งแต่ Initial Access จนถึง Objective

Attribution: ใครอยู่เบื้องหลัง?

Hunt.io ประเมินด้วยความเชื่อมั่นระดับ Low-to-Medium Confidence ว่า Operator อาจเป็นผู้ใช้ภาษาจีนหรือมีความคุ้นเคยกับภาษาจีน โดยอ้างอิงจาก

Infrastructure ที่ตั้งอยู่ใน Hong Kong
Chinese-language Indicators บางรายการ
การใช้ API Key ของ FOFA ซึ่งเป็น Internet Asset Reconnaissance Platform จากจีน
ประวัติบางส่วนของ Infrastructure ที่เคยเชื่อมโยงกับเครื่องมือภัยคุกคามอื่น

อย่างไรก็ตาม ปัจจัยเหล่านี้ยังไม่เพียงพอสำหรับการระบุรัฐบาล องค์กร หรือกลุ่ม Threat Actor รายใดอย่างเด็ดขาด จึงไม่ควรขยายผลเป็นข้อกล่าวหาต่อประเทศหรือหน่วยงานโดยไม่มีหลักฐานเพิ่มเติม

AI กำลังเปลี่ยน Cyberattack อย่างไร?

ที่ผ่านมา Cybersecurity มักตั้งสมมติฐานว่า

Attacker = Human Operator

มนุษย์ต้อง Reconnaissance → วิเคราะห์ → Execute Command → อ่านผลลัพธ์ → ตัดสินใจ → ดำเนินคำสั่งถัดไป

AI Agent ทำให้ Workflow สามารถเปลี่ยนเป็น

Human Operator → AI Agent → Tools → Target → Analyze Result → Next Action

Agent สามารถช่วยดำเนินขั้นตอนซ้ำ ๆ อย่างต่อเนื่อง โดยไม่ต้องรอมนุษย์ตัดสินใจทุกคำสั่ง เช่น

ค้นหา Host และ Service
จัดหมวดหมู่ผลการสำรวจ
วิเคราะห์ Output จากเครื่องมือ
สำรวจ File System
ค้นหาเส้นทาง Privilege Escalation
สร้างหรือปรับ Script
จัดลำดับงานและดำเนินคำสั่งถัดไป

ผลลัพธ์ที่น่ากังวลไม่ใช่เพียงความสามารถใหม่ แต่คือ ความเร็ว ความต่อเนื่อง และขนาดของปฏิบัติการ

ในอนาคต ผู้โจมตีหนึ่งคนอาจควบคุม AI Agent หลายตัวเพื่อดำเนินงานกับหลายเป้าหมายพร้อมกัน ลดภาระงานซ้ำ และขยายขีดความสามารถได้เร็วกว่าการใช้ Human Operator เพียงอย่างเดียว

จาก Human-speed Attack สู่ Machine-speed Attack

Cybersecurity กำลังเข้าสู่การแข่งขันระหว่าง

AI-assisted Attack

กับ

AI-assisted Defense

หากฝั่งผู้โจมตีใช้ AI ช่วย Reconnaissance, Vulnerability Analysis, Credential Analysis และ Post-exploitation ได้เร็วขึ้น ฝั่งองค์กรต้องยกระดับวงจร

Detect → Analyze → Correlate → Contain → Respond

ให้เร็วขึ้นเช่นเดียวกัน

SOC ที่ยังพึ่งพามนุษย์ตรวจ Alert ทีละรายการโดยไม่มี Automation, Correlation และ Prioritization อาจเผชิญข้อจำกัดอย่างมาก เมื่อ Attack Workflow เริ่มทำงานอย่างต่อเนื่องในระดับ Machine Speed

องค์กรไทยควรเรียนรู้อะไรจากเหตุการณ์นี้?

1. Patch Management จำเป็น แต่ไม่เพียงพอ

การ Patch ลดโอกาสถูกโจมตีผ่านช่องโหว่ที่รู้จัก แต่ไม่สามารถป้องกัน Credential Abuse, Web Shell, Session Theft, Misconfiguration หรือการเคลื่อนที่ภายในเครือข่ายได้ทั้งหมด

2. ต้องมองเห็น External Attack Surface

องค์กรควรค้นหาระบบที่เปิดออก Internet อย่างต่อเนื่อง เช่น

ระบบที่ไม่ได้อยู่ใน Asset Inventory
Administrative Interface ที่ไม่ควรเปิดสู่สาธารณะ
Open Directory และ Storage ที่กำหนดสิทธิ์ผิด
Domain, Subdomain และ Cloud Resource ที่หลงเหลือ
Service และ Certificate ที่ผิดปกติ

3. EDR/XDR ต้องครอบคลุมระบบสำคัญ

EDR/XDR ช่วยตรวจจับพฤติกรรมที่ Signature เพียงอย่างเดียวอาจมองไม่เห็น เช่น

การรัน Enumeration Tool
การสร้าง Persistence
การใช้งาน Web Shell
การ Execute Code จาก Memory
การเข้าถึง Credential และ Session Material
Process และ Network Connection ที่ผิดปกติ

4. NDR และ Network Segmentation มีความสำคัญมากขึ้น

องค์กรควรตรวจจับ Lateral Movement, Internal Reconnaissance, Tunneling, Proxy และ Command-and-Control Traffic พร้อมจำกัดการเข้าถึงระหว่าง Segment ตามหลัก Least Privilege

5. SIEM ต้องเชื่อมโยงเหตุการณ์ ไม่ใช่เพียงรวบรวม Log

ระบบควร Correlate ข้อมูลจาก Identity, Endpoint, Network, Application, Cloud และ Data Platform เพื่อค้นหาลำดับพฤติกรรม เช่น

Login ผิดปกติ → Privilege Escalation → Internal Scan → Web Shell → C2 Connection → File Access จำนวนมาก

6. Threat Intelligence ต้องนำไปใช้กับการปฏิบัติการ

IOC เพียงอย่างเดียวอาจหมดอายุเร็ว องค์กรจึงต้องติดตามทั้ง Infrastructure, Tactics, Techniques and Procedures (TTPs), Malware Behavior และรูปแบบการใช้ AI Agent ของผู้โจมตี

7. ต้องมี Telemetry สำหรับระบบ Big Data และ Administrative Plane

กรณีนี้มี Script ที่อ้างถึง Hadoop, HiveServer2, Ambari และ Administrative Web Panel จึงเป็นบทเรียนว่าระบบ Data Platform และ Management Interface ต้องถูกนำเข้าสู่ Monitoring Scope เช่นเดียวกับ Server และ Endpoint ทั่วไป

8. Incident Response Playbook ต้องรองรับ AI-assisted Attack

Playbook ควรตั้งสมมติฐานว่า ผู้โจมตีอาจทำงานต่อเนื่อง 24 ชั่วโมง ทดลองคำสั่งจำนวนมาก และปรับ Workflow ได้เร็ว ทีมตอบสนองจึงต้องมี Automation สำหรับ

Enrich Alert
Block IOC
Isolate Endpoint
Disable Account
Revoke Session
Collect Forensic Evidence
Search for Related Activity across Environment

การทำงานอัตโนมัติเหล่านี้ต้องอยู่ภายใต้สิทธิ์ การควบคุม และ Human Approval ที่เหมาะสม โดยเฉพาะคำสั่งที่อาจกระทบต่อบริการสำคัญ

มุมที่น่าสนใจ: ผู้โจมตีใช้ AI แต่พลาดด้าน Operational Security

สาเหตุที่นักวิจัยมองเห็นรายละเอียดของปฏิบัติการได้มาก เป็นเพราะ Infrastructure ของผู้โจมตีมี Open Directory เปิดเผยต่อ Internet

ความผิดพลาดดังกล่าวเปิดเผย Tools, Logs, Payloads, Credentials และข้อมูลที่ช่วยเชื่อมโยง Attack Infrastructure เข้าด้วยกัน

กล่าวได้ว่า

ผู้โจมตีใช้ AI เพื่อเพิ่มความเร็วให้ Cyberattack แต่กลับเปิดเผยร่องรอยจำนวนมากจาก Operational Security ที่บกพร่อง

Dark Reading รายงานข้อสังเกตของ Hunt.io ว่า Automation สร้างข้อมูลและร่องรอยจำนวนมาก หาก Operator ไม่รักษาความปลอดภัยของ Infrastructure ให้ดี ร่องรอยเหล่านั้นอาจกลายเป็นหน้าต่างให้นักวิจัยเห็นวิธีดำเนินปฏิบัติการได้ชัดเจนขึ้น (Dark Reading)

บทสรุป

เหตุการณ์ Hermes ไม่ได้หมายความว่า AI สามารถ “แฮกระบบทุกอย่างได้ด้วยตัวเอง” และยังไม่มีหลักฐานสาธารณะยืนยันว่าข้อมูลของกระทรวงการคลังถูกนำออกจากระบบแล้ว

แต่สิ่งที่เหตุการณ์นี้แสดงให้เห็นอย่างชัดเจนคือ

AI Agent สามารถถูกนำมาใช้เป็นส่วนหนึ่งของ Offensive Cyber Operations ได้จริง

ตั้งแต่ System Enumeration, Network Reconnaissance, File Discovery และ Privilege Escalation Assessment ไปจนถึงการสนับสนุน Post-exploitation Workflow

นี่คือสัญญาณของการเปลี่ยนแปลงจากยุค

Human vs Human

เข้าสู่ยุค

Human + AI vs Human + AI

คำถามสำหรับองค์กรจึงไม่ใช่เพียง

“เราป้องกัน Hacker ได้หรือไม่?”

แต่กำลังเปลี่ยนเป็น

“Cyber Defense ของเรามองเห็น วิเคราะห์ และตอบสนองได้เร็วพอหรือไม่ เมื่อผู้โจมตีเริ่มใช้ AI Agent ทำงานด้วยความเร็วระดับ Machine Speed?”

แหล่งอ้างอิง

หมายเหตุ: ลิงก์ Hunt.io เป็นแหล่งข้อมูลต้นทางหลัก ส่วนบทความจากสื่ออื่นใช้เพื่อประกอบบริบทและตรวจสอบการนำเสนอข้อมูล ควรอัปเดตสถานะหากมีคำชี้แจงอย่างเป็นทางการจากหน่วยงานไทยในภายหลัง

เกี่ยวกับผู้เขียน

อาจารย์ปรเมศร์ เพียรสกุล ผู้เชี่ยวชาญด้านความมั่นคงปลอดภัยไซเบอร์ (Cybersecurity) และปัญญาประดิษฐ์ (AI) ปัจจุบันดำรงตำแหน่งประธานเจ้าหน้าที่บริหาร (CEO) และผู้ก่อตั้ง บริษัท อินเทลลิเจนท์ ดาต้า อนาไลติค จำกัด

#Cybersecurity #AIAgent #CyberThreatIntelligence #AISecurity #ThailandCybersecurity

ที่คุณอาจจะสนใจ