Pada 10 September 2026, tim Amazon Threat Intelligence menemukan sebuah server yang terbuka di internet. Server itu menjalankan Cairn, kerangka kerja uji penetrasi berbasis agen AI. Operatornya lupa memasang autentikasi. Karena kelalaian tersebut, siapa pun yang menemukan alamat IP itu dapat membaca seluruh riwayat operasi: prompt, daftar target, dan keluaran tiap agen.
Dari log terbuka itulah peneliti menyusun ulang sebuah kampanye 48 jam yang menyasar universitas di Asia Timur. Bagian paling mengganggu bukan soal targetnya, melainkan tempo kerjanya. Dalam satu sesi, agen AI memetakan API sebuah aplikasi pencitraan medis open source, menemukan celah path traversal yang saat itu belum punya pengenal CVE, lalu menulis file sembarang ke server. Rentang waktunya sekitar sebelas menit, tanpa satu pun manusia memilih langkah berikutnya.
Artikel ini membedah insiden tersebut, menjelaskan mengapa aplikasi riset seperti MONAI Label menjadi pintu masuk yang menarik, dan menutup dengan langkah konkret yang bisa Anda jalankan minggu ini jika tim Anda menjalankan server AI atau aplikasi open source di infrastruktur sendiri.
Kronologi: 48 jam, tiga target, satu terobosan
Kampanye berlangsung sejak 8 September 2026 dan berjalan sekitar dua hari. Operator memberikan daftar alamat IP beserta satu tujuan sederhana dalam bahasa Mandarin: dapatkan akses shell. Selanjutnya, agen-agen Cairn bekerja sendiri — merencanakan langkah, mengeksekusi perintah, membaca hasil, lalu menyesuaikan pendekatan ketika langkah sebelumnya gagal.
Pola inilah yang membedakan insiden ini dari serangan otomatis biasa. Skrip pemindai hanya menjalankan daftar periksa yang sama ke ribuan alamat. Agen AI sebaliknya membaca respons server, menyimpulkan teknologi yang berjalan di baliknya, lalu mengarang langkah baru ketika jalur pertama buntu. Karena itu, hasil ketiga operasi di bawah ini sangat berbeda meski memakai alat yang sama.
| Operasi | Target | Usaha agen | Hasil |
|---|---|---|---|
| Pertama | Redis tanpa autentikasi di salah satu universitas | Sekitar 16 jam, 148 aksi berurutan: eksploitasi replikasi, pelarian sandbox skrip, penulisan file konfigurasi, hingga injeksi Log4Shell | Gagal |
| Kedua | Server GPU universitas | Lebih dari 6 jam; memanen sekitar 80 nama pengguna asli dari direktori fakultas dan makalah, lalu mencoba lebih dari 30.000 kombinasi kredensial ke SSH, VPN, portal kampus, dan perangkat penyimpanan jaringan | Gagal |
| Ketiga | Aplikasi pencitraan medis MONAI Label | Sekitar 11 menit: memetakan endpoint API, menguji parameter nama file, lalu menulis file sembarang | Berhasil, akses root |
Kegagalan pada dua operasi pertama justru memperkuat pesannya. Agen tidak berhenti karena lelah atau kehabisan jam kerja. Ia menghabiskan 16 jam untuk mencoba teknik yang sudah dikenal pada Redis, lalu berpindah target tanpa keluhan. Sementara itu, keberhasilan pada operasi ketiga menunjukkan bahwa satu endpoint yang lupa memvalidasi input sudah cukup untuk membatalkan seluruh kerja keras pertahanan di lapisan lain.
Kenapa aplikasi riset jadi pintu masuk
MONAI Label adalah aplikasi open source untuk melabeli citra medis dengan bantuan model AI. Tim riset medis memakainya karena praktis: unggah citra, anotasi, latih model. Sayangnya, kemudahan itu datang bersama asumsi yang berbahaya. Menurut laporan keamanan proyeknya, endpoint PUT /datastore/image menerima parameter image dari pemanggil tanpa validasi, lalu menyambung nilai itu ke direktori penyimpanan dan menulis berkas di sana.
Akibatnya, nilai seperti ../../../tmp/x menulis konten unggahan ke lokasi mana pun selama proses aplikasi punya izin tulis di sana. Fungsi penyimpanan label memiliki cacat serupa. Agen AI menemukan jalur ini dengan cara yang membosankan tetapi efektif: memetakan API, mencatat parameter yang bisa pemanggil ubah, lalu menguji apakah parameter tersebut menerima tanda titik-titik.
Ada satu detail konfigurasi yang membuat dampaknya jauh lebih besar. Autentikasi pada MONAI Label nonaktif secara bawaan; pengelola harus menyalakannya lewat variabel MONAI_LABEL_AUTH_ENABLE. Karena itu, pada instalasi standar, setiap klien yang bisa menjangkau server dapat mengeksploitasi celah ini tanpa kredensial apa pun. Bagi laboratorium kampus yang memasang aplikasi ini untuk demo atau penelitian bersama, kombinasi keduanya — input lolos tanpa validasi dan autentikasi mati — praktis sama dengan menyerahkan kunci ruang server.
sitecustomize.py: dari tulis file jadi root
Banyak tim menganggap penulisan file sembarang sebagai masalah tingkat menengah. Insiden ini menunjukkan mengapa anggapan itu berbahaya. Pada sesi berikutnya, agen memakai celah yang sama untuk menulis reverse shell Python ke sitecustomize.py. Berkas itu istimewa karena interpreter Python mengimpornya otomatis setiap kali menyala, tanpa perlu baris import eksplisit.
Selanjutnya, agen memicu endpoint pelatihan model agar server melahirkan proses Python baru. Proses itu mengimpor muatan tadi, membuka koneksi balik ke penyerang, dan berjalan dengan hak akses root. Perhatikan urutannya: tidak ada eksploitasi kernel, tidak ada tebakan kata sandi, tidak ada rantai kerentanan yang rumit. Hanya satu validasi yang hilang, satu berkas yang salah tempat, dan satu proses yang berjalan dengan hak terlalu besar.
Pelajaran teknisnya jelas. Validasi jalur berkas bukan urusan kosmetik, dan proses aplikasi sebaiknya tidak berjalan sebagai root. Jika Anda ingin memperdalam pola pikir membatasi hak akses agen, baik bagi penyerang maupun bagi asisten coding Anda sendiri, artikel tentang sandbox untuk AI coding agent membahas penerapannya secara praktis.
Pergeseran lanskap: alat pertahanan jadi senjata
Cairn sendiri sah. Tim pembuatnya merancang proyek ini untuk penelitian dan penguatan pertahanan, dan peneliti keamanan memakainya untuk mengoordinasikan banyak agen dalam satu operasi. Namun, fungsi yang sama bekerja dua arah. Pada September 2026, Gambit Security mendokumentasikan pemakaian Cairn oleh kelompok bermotif finansial untuk mencuri kartu kredit dari lebih dari 100 situs ritel. Google juga melaporkan pemakaian alat serupa terhadap sebuah organisasi kedirgantaraan di Amerika Serikat.
Pekan ini, Bell Canada mengumumkan bahwa pelaku yang mereka sebut “agentic” berhasil mencuri data pelanggan korporat. Sebagai perbandingan, pola yang muncul konsisten: masuk lewat celah yang tidak mencolok, bergerak cepat, lalu memperluas akses sebelum tim pertahanan sempat menutup tiket pertama. Dalam kasus universitas tadi, operator bahkan menyambungkan proksi ke jaringan kampus kedua yang menjalankan perangkat lunak rentan serupa, lalu mengarahkan agen menyerang mesin lain di sana.
Karena itu, kebiasaan lama seperti “kami akan investigasi dulu, patch minggu depan” makin mahal. Jendela antara deteksi dan eksploitasi menyempit dari hari menjadi menit. Sebagai contoh, cacat yang sama yang pada kasus ini agen butuh sebelas menit untuk mengeksploitasinya juga menuntut kecepatan setara saat Anda menambal. Prinsip ini sudah saya bahas pada kasus patch JDK untuk Java4Shell, dan logikanya berlaku sama untuk aplikasi Python, PHP, maupun Java. Jika server Anda menjalankan aplikasi PHP, panduan patch server PHP memuat urutan pemeriksaan yang bisa Anda pakai ulang.
Yang perlu Anda lakukan minggu ini
Tim Amazon menutup laporannya dengan satu saran yang layak Anda pegang: prioritaskan deteksi berkeyakinan tinggi yang memicu respons otomatis, dengan manusia mengawasi hasilnya, bukan meninjau setiap aksi satu per satu. Berikut terjemahan praktisnya untuk tim kecil di Indonesia.
- Inventarisasi aplikasi AI yang terbuka. Cari server MONAI Label, Jupyter, Gradio, Streamlit, atau dashboard model lain yang terbuka dari internet. Jalankan
ss -tulpndi setiap mesin, lalu bandingkan dengan daftar port yang memang sengaja Anda buka. - Nyalakan autentikasi dan batasi jaringan. Untuk MONAI Label, setel
MONAI_LABEL_AUTH_ENABLE=True. Untuk aplikasi lain, taruh di belakang VPN atau reverse proxy dengan autentikasi, bukan langsung di IP publik. - Jangan jalankan proses sebagai root. Buat pengguna khusus untuk setiap layanan. Jika celah tulis file muncul lagi, dampaknya berhenti di direktori yang sempit.
- Periksa berkas muatan Python. Awasi perubahan pada
sitecustomize.py,usercustomize.py, dan berkas.pthdi direktori situs paket. Perubahan tak terduga pada berkas-berkas itu adalah sinyal kuat penyusupan. - Putuskan jalur kritis dari internet. Pada serangan ini, agen memetakan jaringan internal lewat SSRF pada instance Qdrant yang ikut berjalan di mesin yang sama. Segmentasi jaringan tetap menjadi pertahanan termurah.
- Siapkan playbook 15 menit. Tentukan sebelumnya siapa yang memutuskan mematikan layanan, siapa menghubungi pimpinan laboratorium, dan bagaimana Anda mengambil bukti sebelum reboot.
Batas yang perlu diakui
Beberapa hal belum pasti dan sebaiknya tidak Anda perlakukan sebagai fakta. Atribusi ke aktor terkait Tiongkok berada pada tingkat keyakinan moderat, berdasarkan bahasa prompt, zona waktu skrip, dan pilihan target. Amazon juga tidak menyebut nama universitas yang menjadi korban, dan organisasi korban bukan pelanggan AWS sehingga jalur pemberitahuannya melewati mitra pemerintah. Angka 11 menit berasal dari catatan operasi agen, bukan pengukuran independen.
Yang cukup pasti: cacat pada MONAI Label maintainer sudah menambalnya lewat pull request 1915 dan mengumumkannya pada 18 November 2026. Jika laboratorium atau rumah sakit tempat Anda bekerja menjalankan versi lama aplikasi ini, penambalan bukan lagi soal disiplin, melainkan soal apakah server Anda masih milik Anda. Dengan demikian, kesimpulan paling jujur dari insiden ini sederhana — agen AI belum mengubah aturan dasar keamanan, tetapi ia mempersingkat waktu yang Anda punya untuk mematuhinya.
Referensi
- Amazon Threat Intelligence — Chinese-nexus actors’ Cairn AI agents found a zero-day on their own
- BleepingComputer — Hackers use autonomous AI tool Cairn to find zero-day, take over server
- GitHub Security Advisory GHSA-qc22-rmgc-vg94 — Path traversal in datastore upload endpoints
Eksplorasi konten lain dari Oentoro
Berlangganan untuk dapatkan pos terbaru lewat email.