ช่องโหว่หน่วยความจำของปัญญาประดิษฐ์อาจเปลี่ยนตัวแทนอัตโนมัติให้กลายเป็นอาวุธแฝงตัว

เมื่อระบบปัญญาประดิษฐ์ไม่ลืมอะไรเลย ข้อมูลทุกชิ้นที่มันเคยประมวลผลจะกลายเป็นอาวุธที่เป็นไปได้ นี่คือเหตุผลเชิงตรรกะที่น่าหวั่นใจเบื้องหลังช่องโหว่ด้านหน่วยความจำของ AIในเจเนอเรชันใหม่ของเอเจนต์อัตโนมัติแบบมีสถานะ (stateful) — และเป็นสิ่งที่นักวิจัย Om Narayan กล่าวถึงอย่างตรงไปตรงมาในงานวิจัยที่เขาเรียกช่องโหว่นี้ว่าChronos Vulnerability

ประเด็นสำคัญ

• Chronos Vulnerability อธิบายคลาสของการโจมตีที่อาศัยหน่วยความจำ ซึ่งทำให้ระบบความเชื่อภายในของเอเจนต์ AI อัตโนมัติแบบมีสถานะเสียหาย โดยแยกการบุกรุกเริ่มต้นออกจากการกระทำที่สร้างความเสียหายในภายหลัง
• การโจมตีหลักสองประเภท — คือ Memory Injection Attack (MINJA) และ sleeper agent — แสดงให้เห็นว่าภัยคุกคามเหล่านี้ทำงานอย่างไรในทางปฏิบัติ
• ตัวกรองเนื้อหาที่จุดปลายแบบดั้งเดิมไม่สามารถป้องกันการโจมตีแบบยึดติด (persistence-based) ในสถาปัตยกรรม AI แบบมีสถานะได้ ดังที่แสดงให้เห็นโดยใช้เกณฑ์มาตรฐาน World of Workflows
• แนวทางป้องกันที่กำลังเกิดขึ้น ได้แก่ AgentDoG, Agent-C, A-MemGuard, Trusted Execution Environments บน GPU และสถาปัตยกรรมหน่วยความจำแบบ Zero-Trust
• Dynamics Blindness ถูกระบุว่าเป็นความเสี่ยงที่สำคัญและแตกต่างในการรักษาความปลอดภัยให้กับระบบ AI แบบมีสถานะ

การเกิดขึ้นของ Chronos Vulnerability ใน AI อัตโนมัติแบบมีสถานะ

ปัญหาด้านความปลอดภัยเริ่มต้นจากการเปลี่ยนแปลงด้านสถาปัตยกรรม ระบบปัญญาประดิษฐ์เชิงสร้างสรรค์รุ่นเก่ามักจะเป็นแบบไม่มีสถานะ (stateless) — การโต้ตอบแต่ละครั้งเริ่มต้นใหม่ โดยไม่มีความทรงจำของสิ่งที่เกิดขึ้นก่อนหน้า ข้อจำกัดนั้นยังทำหน้าที่เป็นเหมือนไฟร์วอลล์ตามธรรมชาติ เมื่อระบบ AI ได้รับหน่วยความจำถาวรและความสามารถในการวางแผนและดำเนินการในระยะเวลายาวนาน พื้นผิวของภัยคุกคามทั้งหมดก็เปลี่ยนไป

การเปลี่ยนจากโมเดลแบบไม่มีสถานะไปสู่เอเจนต์แบบมีสถานะ

เอเจนต์อัตโนมัติแบบมีสถานะถูกออกแบบมาสำหรับการวางแผนระยะยาวและการทำงานอัตโนมัติของเวิร์กโฟลว์ระดับองค์กร ความสามารถนั้นต้องการให้พวกมันจัดเก็บ ดึงคืน และลงมือปฏิบัติตามองค์ความรู้ที่สะสมข้ามเซสชัน หน่วยความจำเดียวกันที่ทำให้พวกมันทรงพลัง ยังทำให้พวกมันกลายเป็นเป้าหมายได้ในรูปแบบที่ก่อนหน้านี้เป็นไปไม่ได้

งานวิจัยของ Narayan มองวิวัฒนาการด้านสถาปัตยกรรมนี้ว่าเป็นการเปิดบทใหม่ด้านความปลอดภัย — บทที่ภัยคุกคามไม่ได้มาแล้วจากไปพร้อมกับการโต้ตอบครั้งเดียว แต่ฝังตัวอยู่ในบริบทการปฏิบัติงานอย่างต่อเนื่องของเอเจนต์แทน

คำจำกัดความและผลกระทบของ Chronos Vulnerability

Chronos Vulnerability ไม่ใช่ช่องโหว่เพียงจุดเดียว แต่เป็นหมวดหมู่ภัยคุกคามเชิงรูปแบบที่อธิบายการโจมตีซึ่งทำลายระบบความเชื่อภายในของเอเจนต์อัตโนมัติผ่านเลเยอร์หน่วยความจำ ชื่อนี้สื่อถึง “เวลา” — เพราะเวลาและความคงอยู่ที่มันเปิดโอกาส คือสิ่งที่การโจมตีเหล่านี้ใช้ประโยชน์โดยตรง

สิ่งที่ทำให้หมวดหมู่ภัยคุกคามนี้มีนัยสำคัญเป็นพิเศษคือกลไกการแยกส่วน (decoupling) ที่เป็นแกนกลาง ผู้โจมตีไม่จำเป็นต้องอยู่ในขณะที่ความเสียหายเกิดขึ้น การบุกรุกสามารถเกิดขึ้นตั้งแต่ช่วงต้นของการทำงานของเอเจนต์ ส่วนผลลัพธ์ที่เป็นอันตรายจะมาถึงในภายหลัง ถูกกระตุ้นโดยสถานะหน่วยความจำที่สะสม งานวิจัยได้ทำให้สิ่งนี้เป็นแบบจำลองภัยคุกคามอย่างเป็นทางการ มอบคำศัพท์เชิงโครงสร้างให้กับนักวิจัยด้านความปลอดภัยได้ใช้ทำงานร่วมกัน

กลไกและตัวอย่างของการโจมตีที่อาศัยหน่วยความจำ

สถานการณ์ Memory Injection Attack (MINJA) และ sleeper agent

ตัวอย่างหลักสองกรณีที่ Narayan ระบุคือ Memory Injection Attack (MINJA) และ sleeper agent ในการโจมตีแบบ MINJA เนื้อหาที่เป็นอันตรายจะถูกใส่เข้าไปในคลังหน่วยความจำของเอเจนต์ ค่อย ๆ เปลี่ยนวิธีที่มันรับรู้สภาพแวดล้อมและตัดสินใจ เอเจนต์จะไม่รู้สึกว่ามีอะไรผิดปกติ — ระบบความเชื่อของมันเพียงแค่ถูกเขียนใหม่

สถานการณ์ sleeper agent นั้นอาจน่าหวั่นใจกว่านั้น ที่นี่ สถานะหน่วยความจำที่ถูกทำให้เสียหายจะหลบซ่อนอยู่จนกว่าจะมีเงื่อนไขกระตุ้นเฉพาะเกิดขึ้น จากนั้นเอเจนต์จะดำเนินการที่เป็นอันตรายซึ่งดูเหมือนจะเป็นผลตามธรรมชาติจากกระบวนการให้เหตุผลของมันเอง จากภายนอก พฤติกรรมดูเหมือนจงใจและสอดคล้องกันภายใน จากมุมมองนิติวิทยาศาสตร์ การสืบย้อนการโจมตีกลับไปยังจุดเริ่มต้นจึงยากอย่างยิ่ง

กลไกการโจมตี: การแยกการบุกรุกออกจากความเสียหาย

การแยกส่วนนี้คือสิ่งที่ทำลายตรรกะด้านความปลอดภัยแบบดั้งเดิมโดยพื้นฐาน ระบบป้องกันที่จุดปลายส่วนใหญ่ถูกสร้างขึ้นบนแนวคิดที่ว่าอินพุตที่เป็นอันตรายและเอาต์พุตที่สร้างความเสียหายจะเกิดขึ้นใกล้กันในเชิงเวลา บล็อกอินพุต แล้วคุณก็ป้องกันความเสียหายได้ ในสถาปัตยกรรม AI แบบมีสถานะ สมมติฐานนั้นใช้ไม่ได้อีกต่อไป

ผู้โจมตีสามารถฝังชิ้นส่วนหน่วยความจำที่เสียหายระหว่างการโต้ตอบตามปกติแล้วจากไป ความเสียหายจะปรากฏในภายหลัง — อาจจะนานมากในภายหลัง — เมื่อเอเจนต์ดำเนินการบางอย่างโดยอัตโนมัติซึ่งถูกกำหนดรูปโดยการบิดเบือนก่อนหน้านั้นโดยไม่รู้ตัว เวกเตอร์การโจมตีและเหตุการณ์หายนะถูกแยกจากกันด้วยเวลา ด้วยการปฏิบัติการที่ถูกต้องตามปกติคั่นกลาง และด้วยกระบวนการตัดสินใจของเอเจนต์เอง

ความท้าทายต่อมาตรการรักษาความปลอดภัยแบบดั้งเดิม

ความไม่เพียงพอของตัวกรองเนื้อหาที่จุดปลาย

งานวิจัยของ Narayan ทดสอบภัยคุกคามเหล่านี้กับเกณฑ์มาตรฐาน World of Workflows ซึ่งเป็นกรอบสำหรับประเมินพฤติกรรมของเอเจนต์อัตโนมัติในลำดับงานที่ซับซ้อน ผลลัพธ์ชัดเจน: ตัวกรองเนื้อหาที่จุดปลายแบบดั้งเดิมไม่เพียงพอสำหรับสถาปัตยกรรมแบบมีสถานะ

เหตุผลเป็นเรื่องเชิงโครงสร้าง ตัวกรองเนื้อหาจะตรวจสอบอินพุตและเอาต์พุตแต่ละรายการแบบแยกส่วน พวกมันไม่มีการรับรู้ถึงเส้นทางวิวัฒนาการของหน่วยความจำของเอเจนต์ — ว่าสถานะที่สะสมได้เปลี่ยนแบบจำลองภายในของเอเจนต์ไปอย่างไรตามกาลเวลา ตัวกรองที่สามารถระบุพรอมต์ที่เป็นอันตรายได้อย่างถูกต้องเมื่อมองแบบเดี่ยว ๆ อาจมองไม่เห็นการบิดเบือนแบบเดียวกันเมื่อถูกกระจายไปตามการโต้ตอบที่ดูเหมือนถูกต้องตามปกตินับสิบครั้ง

Dynamics Blindness ในฐานะความเสี่ยงสำคัญ

Dynamics Blindness คือความเสี่ยงเฉพาะที่ Narayan ระบุสำหรับช่องว่างนี้ หมายถึงความไร้ความสามารถของเครื่องมือรักษาความปลอดภัยในการมองเห็นว่ารัฐภายในของเอเจนต์กำลังพัฒนาไปอย่างไร — เส้นทางพลวัตของการก่อรูปความเชื่อ แทนที่จะเป็นเนื้อหาคงที่ของข้อความใดข้อความหนึ่ง เอเจนต์ที่กำลังเผชิญการโจมตีหน่วยความจำอย่างต่อเนื่องจะดูเหมือนเอเจนต์ที่ทำงานตามปกติสำหรับตัวกรองเนื้อหา ความล่องหนนั้นเองคือภัยคุกคาม

ตรงนี้เองที่นัยยะในวงกว้างสำหรับการใช้งานระดับองค์กรเริ่มชัดเจน องค์กรที่กำลังก้าวไปสู่ AI อัตโนมัติสำหรับการทำงานอัตโนมัติของเวิร์กโฟลว์ไม่ได้เพียงแค่ติดตั้งเครื่องมือที่ทรงพลังขึ้น — พวกเขากำลังนำระบบที่ไม่สามารถรับประกันความปลอดภัยได้ด้วยการป้องกันที่มีอยู่เดิมเข้ามาใช้ ช่องว่างระหว่างความสามารถด้านสถาปัตยกรรมกับความพร้อมด้านความปลอดภัยนั้นเป็นเรื่องจริง และกำลังขยายกว้างขึ้น

กรอบการป้องกันที่กำลังเกิดขึ้นต่อภัยคุกคามที่อาศัยหน่วยความจำ

แนวทางป้องกันเชิงซอฟต์แวร์: AgentDoG, Agent-C, A-MemGuard

งานวิจัยได้สังเคราะห์กรอบการป้องกันแบบ defense-in-depth ที่จัดระเบียบตามแนวทางที่กำลังเกิดขึ้นหลายแบบ ในฝั่งซอฟต์แวร์ มีสามกรอบที่โดดเด่น:

• AgentDoG (diagnostic trajectory guardrails) เฝ้าติดตามเส้นทางพฤติกรรมของเอเจนต์ตามกาลเวลา แจ้งเตือนความผิดปกติในวิธีที่กระบวนการตัดสินใจของมันพัฒนา แทนที่จะดูแค่การตัดสินใจ ณ ช่วงเวลาใดเวลาหนึ่ง
• Agent-C ใช้การตรวจสอบเชิงเวลาอย่างเป็นทางการ (formal temporal verification) — กล่าวคือ การตรวจสอบเชิงคณิตศาสตร์ที่ยืนยันว่ากระบวนการให้เหตุผลของเอเจนต์ยังคงสอดคล้องกับวัตถุประสงค์ดั้งเดิมของมันตลอดเวลา
• A-MemGuard ใช้โมเดลฉันทามติของหน่วยความจำเชิงภูมิคุ้มกัน โดยอาศัยอุปมาเชิงชีววิทยาในการระบุและปฏิเสธสถานะหน่วยความจำที่เสียหายด้วยการเปรียบเทียบกับฉันทามติที่กว้างกว่าของสแน็ปช็อตหน่วยความจำที่เชื่อถือได้

โซลูชันเชิงฮาร์ดแวร์: GPU Trusted Execution Environments และสถาปัตยกรรม Zero-Trust

ในระดับฮาร์ดแวร์ งานวิจัยชี้ไปที่Trusted Execution Environments (TEEs) บน GPU และสถาปัตยกรรมหน่วยความจำแบบ Zero-Trust ว่าเป็นชั้นการป้องกันที่แข็งแกร่งกว่า TEE แยกการประมวลผลไว้ในเอนเคลฟที่ได้รับการปกป้องด้วยฮาร์ดแวร์ ทำให้ผู้โจมตีทำให้หน่วยความจำเสียหายจากภายนอกขอบเขตที่ได้รับการปกป้องได้ยากขึ้นมาก สถาปัตยกรรม Zero-Trust ขยายตรรกะนี้ไปยังการเข้าถึงหน่วยความจำเอง — ไม่มีการอ่านหรือเขียนหน่วยความจำใดที่ถูกมองว่าปลอดภัยโดยอัตโนมัติหากไม่มีการตรวจสอบ

แนวทางฮาร์ดแวร์เหล่านี้แก้ข้อจำกัดของกรอบซอฟต์แวร์: ผู้โจมตีที่มีความซับซ้อนเพียงพออาจบิดเบือนเครื่องมือเฝ้าติดตามเองได้ การยึดโยงความเชื่อถือไว้ที่ระดับฮาร์ดแวร์ช่วยลดพื้นผิวการโจมตีนั้น แม้ว่าจะนำไปสู่การพึ่งพาความสมบูรณ์ของฮาร์ดแวร์ซึ่งมีประเด็นที่ต้องพิจารณาในตัวเองก็ตาม

การใช้เกณฑ์มาตรฐาน World of Workflows ในการสาธิตภัยคุกคาม

การเลือกใช้เกณฑ์มาตรฐาน World of Workflows เป็นบริบทการทดลองนั้นมีความหมาย มันถูกออกแบบมาเพื่อทดสอบเอเจนต์ในลำดับงานหลายขั้นตอนที่คล้ายกับงานในโลกจริง — ประเภทของการปฏิบัติการระยะยาวที่พึ่งพาหน่วยความจำซึ่งเป็นลักษณะของการใช้งานระดับองค์กรจริง การใช้มันเพื่อสาธิตช่องโหว่ด้านหน่วยความจำของ AI ทำให้แบบจำลองภัยคุกคามยึดโยงกับเงื่อนไขที่สำคัญต่อผู้ปฏิบัติงาน ไม่ใช่แค่นักทฤษฎี

ผลลัพธ์จากเกณฑ์มาตรฐานตอกย้ำข้อโต้แย้งหลักของงานวิจัย: ช่องว่างด้านความปลอดภัยไม่ใช่เรื่องสมมติ ในเงื่อนไขการปฏิบัติงานที่เอเจนต์อัตโนมัติถูกออกแบบมาสำหรับมันจริง ๆ การโจมตีแบบยึดติดใช้การได้ และการป้องกันปัจจุบันไม่สามารถหยุดมันได้

สิ่งที่กรอบของ Narayan มอบให้ในท้ายที่สุดคือจุดเริ่มต้นสำหรับสาขาที่ต้องการมันอย่างเร่งด่วน การทำให้อนุกรมวิธานของภัยคุกคามเป็นทางการ — การให้ชื่อ กลไก และเงื่อนไขการทดสอบแก่การโจมตีที่ก่อนหน้านี้ถูกอธิบายอย่างหลวม ๆ เท่านั้น — เป็นก้าวแรกที่จำเป็นก่อนที่การป้องกันที่มีประสิทธิภาพจะถูกประเมินในระดับใหญ่ได้ คำถามที่ยากกว่า ซึ่งงานวิจัยตั้งใจปล่อยให้เปิดอยู่ คือความเร็วที่การป้องกันเหล่านั้นจะพัฒนาเทียบกับอัตราที่เอเจนต์อัตโนมัติแบบมีสถานะถูกนำไปใช้งานจริงในสภาพแวดล้อมการผลิต

คำถามที่พบบ่อย

Chronos Vulnerability ใน AI คืออะไร?

Chronos Vulnerability คือหมวดหมู่ภัยคุกคามด้านความปลอดภัยที่เกี่ยวข้องกับการโจมตีที่อาศัยหน่วยความจำต่อเอเจนต์ AI อัตโนมัติแบบมีสถานะ ซึ่งทำลายระบบความเชื่อภายในของพวกมัน ลักษณะกำหนดของมันคือการแยกการบุกรุกเริ่มต้นออกจากการกระทำที่เป็นอันตรายในภายหลัง — หมายความว่าผู้โจมตีสามารถบิดเบือนหน่วยความจำของเอเจนต์ตั้งแต่ช่วงต้นของการทำงาน และความเสียหายจะปรากฏขึ้นในภายหลังระหว่างการทำงานอัตโนมัติ

เหตุใดตัวกรองเนื้อหาที่จุดปลายแบบดั้งเดิมจึงไม่เพียงพอสำหรับเอเจนต์อัตโนมัติแบบมีสถานะ?

ตัวกรองเนื้อหาที่จุดปลายจะประเมินอินพุตและเอาต์พุตแต่ละรายการแบบแยกส่วน พวกมันไม่มีมุมมองต่อการเปลี่ยนแปลงของสถานะหน่วยความจำภายในของเอเจนต์ตามกาลเวลา การโจมตีแบบยึดติดจะแพร่การบิดเบือนไปตามการโต้ตอบหลายครั้งที่ดูเหมือนถูกต้อง ทำให้การทำให้เสียหายมองไม่เห็นสำหรับตัวกรองที่ตรวจเฉพาะข้อความแบบแยกส่วน แทนที่จะดูเส้นทางหน่วยความจำทั้งหมดของเอเจนต์

มีกลยุทธ์ป้องกันใดบ้างต่อการโจมตี AI ที่อาศัยหน่วยความจำ?

แนวทางป้องกันที่กำลังเกิดขึ้นรวมถึงราวกันตกสำหรับเส้นทางการวินิจฉัย (AgentDoG) การตรวจสอบเชิงเวลาอย่างเป็นทางการ (Agent-C) และฉันทามติของหน่วยความจำเชิงภูมิคุ้มกัน (A-MemGuard) ในฝั่งซอฟต์แวร์ ในระดับฮาร์ดแวร์ Trusted Execution Environments (TEEs) บน GPU และสถาปัตยกรรมหน่วยความจำแบบ Zero-Trust มอบขอบเขตที่แข็งแกร่งกว่าโดยยึดโยงความเชื่อถือไว้ที่เลเยอร์ฮาร์ดแวร์ แทนที่จะพึ่งพาเพียงการเฝ้าติดตามด้วยซอฟต์แวร์

เกณฑ์มาตรฐาน World of Workflows มีส่วนช่วยต่อการศึกษานี้อย่างไร?

เกณฑ์มาตรฐาน World of Workflows มอบสภาพแวดล้อมงานหลายขั้นตอนที่สมจริง ซึ่งสะท้อนประเภทของการปฏิบัติการอัตโนมัติระยะยาวที่เอเจนต์ AI ถูกนำไปใช้ในสภาพแวดล้อมองค์กร Narayan ใช้มันเพื่อสาธิตทั้งประสิทธิผลในทางปฏิบัติของการโจมตีที่อาศัยหน่วยความจำ และความล้มเหลวของตัวกรองเนื้อหาแบบดั้งเดิมในการตรวจจับการโจมตีเหล่านี้ภายใต้เงื่อนไขการทำงานที่สมจริง

{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Chronos Vulnerability ใน AI คืออะไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Chronos Vulnerability คือหมวดหมู่ภัยคุกคามด้านความปลอดภัยที่เกี่ยวข้องกับการโจมตีที่อาศัยหน่วยความจำต่อเอเจนต์ AI อัตโนมัติแบบมีสถานะ ซึ่งทำลายระบบความเชื่อภายในของพวกมัน ลักษณะกำหนดของมันคือการแยกการบุกรุกเริ่มต้นออกจากการกระทำที่เป็นอันตรายในภายหลัง — หมายความว่าผู้โจมตีสามารถบิดเบือนหน่วยความจำของเอเจนต์ตั้งแต่ช่วงต้นของการทำงาน และความเสียหายจะปรากฏขึ้นในภายหลังระหว่างการทำงานอัตโนมัติ.”}},{“@type”:”Question”,”name”:”เหตุใดตัวกรองเนื้อหาที่จุดปลายแบบดั้งเดิมจึงไม่เพียงพอสำหรับเอเจนต์อัตโนมัติแบบมีสถานะ?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”ตัวกรองเนื้อหาที่จุดปลายจะประเมินอินพุตและเอาต์พุตแต่ละรายการแบบแยกส่วน พวกมันไม่มีมุมมองต่อการเปลี่ยนแปลงของสถานะหน่วยความจำภายในของเอเจนต์ตามกาลเวลา การโจมตีแบบยึดติดจะแพร่การบิดเบือนไปตามการโต้ตอบหลายครั้งที่ดูเหมือนถูกต้อง ทำให้การทำให้เสียหายมองไม่เห็นสำหรับตัวกรองที่ตรวจเฉพาะข้อความแบบแยกส่วน แทนที่จะดูเส้นทางหน่วยความจำทั้งหมดของเอเจนต์.”}},{“@type”:”Question”,”name”:”มีกลยุทธ์ป้องกันใดบ้างต่อการโจมตี AI ที่อาศัยหน่วยความจำ?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”แนวทางป้องกันที่กำลังเกิดขึ้นรวมถึงราวกันตกสำหรับเส้นทางการวินิจฉัย (AgentDoG) การตรวจสอบเชิงเวลาอย่างเป็นทางการ (Agent-C) และฉันทามติของหน่วยความจำเชิงภูมิคุ้มกัน (A-MemGuard) ในฝั่งซอฟต์แวร์ ในระดับฮาร์ดแวร์ Trusted Execution Environments (TEEs) บน GPU และสถาปัตยกรรมหน่วยความจำแบบ Zero-Trust มอบขอบเขตที่แข็งแกร่งกว่าโดยยึดโยงความเชื่อถือไว้ที่เลเยอร์ฮาร์ดแวร์ แทนที่จะพึ่งพาเพียงการเฝ้าติดตามด้วยซอฟต์แวร์.”}},{“@type”:”Question”,”name”:”เกณฑ์มาตรฐาน World of Workflows มีส่วนช่วยต่อการศึกษานี้อย่างไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”เกณฑ์มาตรฐาน World of Workflows มอบสภาพแวดล้อมงานหลายขั้นตอนที่สมจริง ซึ่งสะท้อนประเภทของการปฏิบัติการอัตโนมัติระยะยาวที่เอเจนต์ AI ถูกนำไปใช้ในสภาพแวดล้อมองค์กร Narayan ใช้มันเพื่อสาธิตทั้งประสิทธิผลในทางปฏิบัติของการโจมตีที่อาศัยหน่วยความจำ และความล้มเหลวของตัวกรองเนื้อหาแบบดั้งเดิมในการตรวจจับการโจมตีเหล่านี้ภายใต้เงื่อนไขการทำงานที่สมจริง.”}}]}

บทความนี้จัดทำขึ้นด้วยความช่วยเหลือของปัญญาประดิษฐ์และผ่านการทบทวนโดยทีมบรรณาธิการแล้ว