DLP (Data Loss Prevention) คืออะไร และความเสี่ยง Shadow AI

DLP (Data Loss Prevention หรือการป้องกันข้อมูลรั่วไหล) คือชุดเครื่องมือและกฎที่คอยเฝ้าดูข้อมูลสำคัญขององค์กร ทั้งตอนที่ถูกใช้ ถูกส่ง หรือถูกเก็บไว้ แล้วเตือน บล็อก หรือบันทึกเมื่อข้อมูลกำลังจะออกนอกองค์กรโดยไม่ได้รับอนุญาต ตัวอย่างเช่น การแนบไฟล์ในอีเมลถึงคนนอก การคัดลอกลง USB หรือการอัปโหลดไปยังเว็บไซต์ภายนอก ช่องทางที่เพิ่มขึ้นในช่วงหลังคือการวางข้อมูลลงในแชตบอต AI ซึ่งเป็นส่วนหนึ่งของ Shadow AI (การที่พนักงานใช้เครื่องมือ AI ที่องค์กรไม่ได้อนุมัติ) บทความนี้เป็นคู่กับ Data Classification: จัดชั้นความลับข้อมูลอย่างไร เพราะ DLP จะทำงานได้ดีเมื่อองค์กรรู้ก่อนว่าข้อมูลชิ้นไหนสำคัญ

DLP ดูข้อมูลสามสถานะ

อภิธานศัพท์ของ NIST ให้นิยาม DLP โดยอ้างจาก CNSSI 4009-2022 (เอกสารกำหนดศัพท์ด้านระบบความมั่นคงของสหรัฐฯ) ว่าเป็นความสามารถในการระบุ เฝ้าระวัง และปกป้องข้อมูลใน 3 สถานะ ได้แก่:

• ข้อมูลที่กำลังถูกใช้ (data in use): การกระทำบนเครื่องของผู้ใช้ เช่น คัดลอก พิมพ์ หรือบันทึกลง USB
• ข้อมูลที่กำลังเคลื่อนที่ (data in motion): การกระทำบนเครือข่าย เช่น อีเมลและการอัปโหลดผ่านเว็บ
• ข้อมูลที่เก็บอยู่ (data at rest): ข้อมูลในที่เก็บ เช่น เครื่องไฟล์เซิร์ฟเวอร์และพื้นที่เก็บข้อมูลบนคลาวด์

นิยามเดียวกันบอกว่า DLP ทำงานโดยตรวจเนื้อหาของข้อมูลอย่างละเอียด (deep inspection) ร่วมกับวิเคราะห์บริบทของแต่ละรายการ (transaction คือการกระทำหนึ่งครั้ง เช่น ส่งอีเมลหนึ่งฉบับหรืออัปโหลดหนึ่งไฟล์) บริบทในที่นี้ได้แก่ ผู้ส่ง ตัวข้อมูล ช่องทาง เวลา และผู้รับ โดยบริหารทั้งหมดจากจุดศูนย์กลางจุดเดียว จุดสำคัญคือ DLP ตัดสินจากทั้งเนื้อหาและบริบท ไม่ได้ดูแค่ว่าเป็นไฟล์ประเภทใด ไฟล์เดียวกันที่ส่งถึงเพื่อนร่วมงานอาจผ่านได้ แต่ถ้าส่งไปยังปลายทางภายนอกที่ไม่ได้รับอนุญาตอาจถูกบล็อก ทั้งนี้นิยามของ NIST ข้างต้นเขียนไว้เพื่อปกป้องข้อมูลของระบบความมั่นคงแห่งชาติ ผลิตภัณฑ์เชิงพาณิชย์จึงอาจต่างกันในรายละเอียด

DLP รู้ได้อย่างไรว่าอะไรคือข้อมูลสำคัญ

วิธีตรวจเนื้อหาที่พบบ่อยมีดังนี้ สรุปจากร่างเอกสาร NIST IR 8496 ว่าด้วยการจัดชั้นข้อมูล และจากเอกสารของผู้ผลิตระบบ DLP รายหนึ่ง:

• คำสำคัญ: ค้นหาคำหรือวลี เช่น "ลับ" หรือรหัสโครงการ เข้าใจง่ายและทำง่าย แต่ไม่รู้ว่าคำนั้นถูกใช้ในความหมายใด
• รูปแบบข้อความ (regular expression): ตัวช่วยค้นหาข้อความตามรูปแบบ เช่น เลขบัตร เบอร์โทร และอีเมล
• ตรวจค่าที่เจอและข้อความรอบข้าง: เอกสารของผู้ผลิตรายหนึ่งระบุว่าใช้ฟังก์ชันตรวจว่าตัวเลขที่เจอเป็นค่าที่ถูกต้องจริง และดูข้อความที่อยู่ใกล้ตัวเลขนั้นประกอบ เพื่อลดการจับผิดพลาด
• machine learning: ให้คอมพิวเตอร์เรียนรู้จากตัวอย่างข้อมูลที่จัดชั้นแล้ว ต้องมีตัวอย่างครบพอสำหรับทุกชั้น และตั้งค่ากับดูแลซับซ้อน
• ป้ายกำกับชั้นความลับ (classification label): ถ้าข้อมูลมีป้ายที่บอกชั้นความลับติดอยู่แล้ว DLP ใช้ป้ายเป็นเงื่อนไขได้เลย ไม่ต้องเดาจากเนื้อหา

ร่าง NIST ยังเตือนว่าการวิเคราะห์เนื้อหาของข้อมูลที่ไม่มีโครงสร้าง (unstructured data) เช่น เอกสารและอีเมล ทำให้ตีความความสำคัญได้ยาก ด้วยเหตุนี้ควรทำตามขั้นตอนใน Data Classification: จัดชั้นความลับข้อมูลอย่างไร ก่อนหรือไปพร้อมกัน เพื่อให้ DLP มีป้ายที่เชื่อถือได้ให้ใช้ แทนที่จะต้องเดาเอง

DLP ทำอะไรเมื่อพบ และควรเริ่มเข้มแค่ไหน

เอกสารของผู้ผลิตรายหนึ่ง (Microsoft Purview) แสดงการตอบสนองที่พบได้ทั่วไปในระบบ DLP เรียงจากเบาไปหนัก ผลิตภัณฑ์อื่นอาจใช้ชื่อและความสามารถต่างกัน:

• บันทึกอย่างเดียว: ไม่ขัดขวางงาน แต่เก็บหลักฐานว่าใครทำอะไรกับข้อมูลชนิดใด
• เตือนผู้ใช้: แสดงข้อความเตือนว่าผู้ใช้อาจกำลังจะแชร์สิ่งที่ไม่ควรแชร์
• บล็อก แต่ผู้ใช้ขอข้ามได้โดยระบุเหตุผล (override): ผู้ใช้ทำต่อได้ แต่ต้องระบุเหตุผล และระบบบันทึกไว้
• บล็อกเลย: ไม่เปิดให้ข้าม ใช้กับกรณีที่ต้องห้ามแน่นอน

คู่มือของผู้ผลิตรายนั้นแนะนำให้เริ่มจากโหมดจำลอง (simulation mode คือโหมดที่นโยบายตรวจและรายงานผล แต่ยังไม่ลงมือทำจริง) แล้วดูผล และปรับเงื่อนไขจนกระทบงานปกติน้อยที่สุด จึงค่อยเปิดใช้เต็มรูปแบบ คู่มือยังระบุว่าเจ้าของกระบวนการทางธุรกิจควรช่วยตัดสินว่าพฤติกรรมใดควรอนุญาต และควรฝึกอบรมผู้ใช้ควบคู่กันไป ถ้าเริ่มเข้มเกินไปตั้งแต่วันแรก ก็เสี่ยงที่จะบล็อกงานปกติ และสร้างการแจ้งเตือนผิดพลาด (false positive) มากเกินกว่าทีมจะตามทัน

DLP กับมาตรการของ NIST SP 800-53

ในแค็ตตาล็อกมาตรการความปลอดภัยของ NIST SP 800-53 Rev. 5 (Release 5.2.0) ไม่มีมาตรการที่ใช้ชื่อ DLP โดยตรง แต่ DLP ช่วยให้มาตรการหลายข้อใช้งานได้จริง ในคำอธิบายของมาตรการ SC-7(10) ระบุว่าเทคนิคป้องกัน exfiltration (การนำข้อมูลออกจากระบบโดยไม่ได้รับอนุญาต) รวมถึงการใช้เครื่องมือป้องกันข้อมูลสูญหายและรั่วไหล (data loss and data leakage prevention tools) ตัวอย่างมาตรการที่เกี่ยวข้องมีดังนี้:

• AC-4 Information Flow Enforcement: ควบคุมว่าข้อมูลไหลไปที่ใดได้บ้าง ทั้งภายในระบบและระหว่างระบบ ซึ่งต่างจากการกำหนดว่าใครเข้าถึงข้อมูลได้
• SC-7(10) Prevent Exfiltration: ป้องกันการนำข้อมูลออกนอกระบบ ทั้งโดยตั้งใจและไม่ตั้งใจ และให้ทดสอบเป็นระยะ
• SI-4(18) Analyze Traffic and Covert Exfiltration: วิเคราะห์ทราฟฟิกขาออกเพื่อตรวจจับการแอบนำข้อมูลออก
• MP-7 Media Use: จำกัดหรือห้ามใช้สื่อพกพา เช่น แฟลชไดรฟ์ และห้ามใช้อุปกรณ์เก็บข้อมูลพกพาที่ไม่มีเจ้าของที่ระบุได้
• AU-13 Monitoring for Information Disclosure: เฝ้าระวังหลักฐานว่าข้อมูลขององค์กรถูกเปิดเผยโดยไม่ได้รับอนุญาต เช่น บนเว็บสาธารณะหรือแพลตฟอร์มแชร์โค้ด
• PM-12 Insider Threat Program: ตั้งโครงการรับมือภัยจากคนใน (insider threat คือภัยที่มาจากผู้ที่มีสิทธิ์เข้าถึงข้อมูลอยู่แล้ว) พร้อมทีมจัดการเหตุการณ์ที่มาจากหลายสายงาน

DLP กับ Shadow AI

ความเสี่ยง นโยบาย และแนวทางจัดหาเครื่องมือ AI ที่อนุมัติแล้ว อธิบายไว้ใน Shadow AI คืออะไร: ความเสี่ยงที่องค์กรมองไม่เห็นและวิธีรับมือ บทความนี้จึงพูดเฉพาะบทบาทของ DLP OWASP (กลุ่มด้านความปลอดภัยของซอฟต์แวร์ที่เผยแพร่รายการความเสี่ยงของแอปพลิเคชัน AI) เตือนในหัวข้อ LLM02:2025 ว่าผู้ใช้อาจป้อนข้อมูลอ่อนไหวเข้าไปโดยไม่ตั้งใจ ข้อมูลนั้นอาจปรากฏในคำตอบของโมเดล AI ภายหลัง และแนะนำให้สอนผู้ใช้ไม่ให้ใส่ข้อมูลอ่อนไหวลงในเครื่องมือเหล่านี้

DLP ช่วยเรื่องนี้ได้บางส่วน ใน 3 ด้านต่อไปนี้:

• มองเห็นข้อมูลที่ถูกส่งไปยังเว็บ AI: ถ้าทราฟฟิกผ่านจุดตรวจ (inspection point คือจุดที่มีระบบตรวจดูทราฟฟิก) เช่น web gateway (ตัวกลางที่ตรวจการเข้าเว็บ ดู SASE และ SSE คืออะไร ใช้เมื่อไรจึงเหมาะ) หรือเบราว์เซอร์ที่องค์กรควบคุม DLP ก็ตรวจข้อความและไฟล์ที่ผู้ใช้ส่งไปได้ เอกสารของผู้ผลิตรายหนึ่งระบุว่ามีนโยบายครอบคลุมเว็บแอป AI สำหรับผู้ใช้ทั่วไปหลายราย
• เตือนก่อนส่ง: ข้อความเตือนตอนที่ผู้ใช้กำลังจะวางข้อมูลลับ ช่วยให้ผู้ใช้เรียนรู้ในจังหวะที่เกิดเหตุจริง
• ใช้ป้ายชั้นความลับเป็นเงื่อนไข: เช่น ห้ามส่งข้อมูลชั้น "ลับ" ไปยังเครื่องมือที่ยังไม่ได้อนุมัติ

แต่ DLP มีจุดอ่อนที่ต้องรู้ไว้ ไม่เช่นนั้นอาจเข้าใจผิดว่าปลอดภัยแล้ว จุดอ่อนมีดังนี้:

• ตรวจไม่ได้ถ้ามองไม่เห็นทราฟฟิก: SP 800-53 (SI-4(10)) ระบุว่าองค์กรต้องชั่งน้ำหนักระหว่างการเข้ารหัสทราฟฟิกเพื่อรักษาความลับ กับการรักษาความสามารถในการมองเห็นทราฟฟิกนั้นเพื่อเฝ้าระวัง
• นอกเครือข่ายและอุปกรณ์ส่วนตัว: การใช้ AI ผ่านโทรศัพท์หรือบัญชีส่วนตัวนอกเครือข่ายองค์กร อาจไม่ผ่านจุดตรวจเลย
• ข้อมูลไม่มีโครงสร้างตีความยาก: ร่าง NIST ระบุว่าตีความเนื้อหาที่ไม่มีโครงสร้างได้ยาก ดังนั้นการค้นหาคำและรูปแบบตัวเลขอาจพลาดข้อความที่เรียบเรียงใหม่ (ข้อสรุปช่วงหลังนี้เป็นการคาดการณ์ของเราเอง)
• รายชื่อเว็บ AI ต้องดูแลต่อเนื่อง: ถ้านโยบายอิงรายชื่อเว็บที่รู้จัก เครื่องมือใหม่ที่ไม่อยู่ในรายชื่อก็หลุดผ่านได้

ดังนั้นควรใช้ DLP ควบคู่กับการจัดหาเครื่องมือ AI ที่อนุมัติแล้วและการสอนพนักงาน ตามแนวทางใน Shadow AI คืออะไร: ความเสี่ยงที่องค์กรมองไม่เห็นและวิธีรับมือ แทนที่จะพึ่ง DLP อย่างเดียว หรือใช้แต่การห้าม

ข้อผิดพลาดที่พบบ่อย

• เปิดโหมดบล็อกตั้งแต่วันแรก: งานปกติติดขัด และการแจ้งเตือนผิดพลาดท่วมทีม
• ไม่รู้ว่าข้อมูลสำคัญอยู่ที่ไหนและสำคัญแค่ไหน: เมื่อไม่มีการจัดชั้นความลับ DLP ต้องเดาจากเนื้อหาเพียงอย่างเดียว
• เชื่อว่า DLP ครอบคลุมทุกช่องทาง: ช่องทางที่ไม่ผ่านจุดตรวจ เช่น อุปกรณ์ส่วนตัวนอกเครือข่าย จะไม่ถูกเฝ้าดู
• ไม่มีเจ้าของการแจ้งเตือน: มีการแจ้งเตือนเข้ามาแต่ไม่มีใครตรวจสอบหรือปรับนโยบาย
• ไม่บอกผู้ใช้ และไม่เปิดทางให้ทำงานต่อได้อย่างถูกต้อง: ผู้ใช้ไม่เข้าใจว่าทำไมถูกบล็อก จึงอาจหาทางเลี่ยง
• ใช้ DLP แทนการกำหนดสิทธิ์และการเข้ารหัส: DLP เป็นเพียงอีกชั้นหนึ่งของการป้องกัน ใช้แทนการควบคุมว่าใครเข้าถึงข้อมูลได้ไม่ได้

ขั้นแรกที่ทำได้ทันที

• เลือกข้อมูล 3 ประเภทแรก: เช่น ข้อมูลลูกค้า ซอร์สโค้ด และข้อมูลพนักงาน แล้วระบุเจ้าของข้อมูลและชั้นความลับของแต่ละประเภท
• เลือกช่องทางเริ่มต้น 2 ช่องทาง: เช่น อีเมลถึงภายนอก และการอัปโหลดไปยังเว็บ AI
• เปิดนโยบายแบบบันทึกหรือจำลองก่อน: ให้เวลาสักระยะหนึ่ง เช่น 30 วัน เพื่อดูว่ามีอะไรเกิดขึ้นจริง ก่อนเริ่มเตือนหรือบล็อก (30 วันเป็นข้อเสนอของเรา ไม่ใช่ค่ามาตรฐาน)
• ตั้งผู้รับผิดชอบการแจ้งเตือน: ระบุว่าใครตรวจสอบ ใครตัดสินกรณียกเว้น และใครปรับนโยบาย
• บอกพนักงานล่วงหน้า: อธิบายว่าอะไรจะถูกตรวจ และให้ช่องทางขอเครื่องมือ AI ที่อนุมัติแล้ว

หากต้องการดูว่าการป้องกันข้อมูลรั่วไหลขององค์กรอยู่ในระดับไหน ลองใช้ แบบประเมินตนเอง

ขอบเขตและความถูกต้องของข้อมูล

นิยามจากอภิธานศัพท์ของ NIST เขียนสำหรับระบบความมั่นคงแห่งชาติ เนื้อหามาตรการ SP 800-53 อ่านจากแค็ตตาล็อก OSCAL (ไฟล์ข้อมูลที่เครื่องอ่านได้ ซึ่งเป็นรูปแบบที่ NIST ใช้เผยแพร่มาตรการ) ฉบับ 5.2.0 ส่วนวิธีการตอบสนองของ DLP สรุปจากเอกสารของผู้ผลิตรายเดียว ผลิตภัณฑ์อื่นอาจต่างออกไป บทความนี้ไม่อ้างตัวเลขประสิทธิผลของ DLP เพราะไม่ได้ตรวจกับแหล่งต้นฉบับ (primary source) ข้อมูลทั้งหมดตรวจจากแหล่งที่เปิดอ่านเมื่อ 22 ตุลาคม 2026

ข้อมูลส่วนบุคคลที่รั่วไหลเป็นเรื่องที่ PDPA สำหรับทีมความปลอดภัย ให้ความสำคัญ ทั้งมาตรการป้องกันและการแจ้งเหตุละเมิดภายใน 72 ชั่วโมง

แหล่งอ้างอิงและข้อมูลเพิ่มเติม

• NIST Glossary: data loss prevention: นิยามของ DLP จาก CNSSI 4009-2022
• NIST SP 800-53 Rev. 5: แค็ตตาล็อกมาตรการ ดู AC-4, SC-7(10), SI-4(18), MP-7, AU-13 และ PM-12
• NIST SP 800-53 Rev. 5 ในรูปแบบ OSCAL: ข้อความมาตรการและคำอธิบายแบบที่เครื่องอ่านได้
• NIST IR 8496 ร่างเริ่มต้นสำหรับรับฟังความเห็น: วิธีวิเคราะห์เนื้อหาข้อมูลและข้อจำกัดกับข้อมูลไม่มีโครงสร้าง (ร่างที่ถูกยุติการพัฒนาแล้ว)
• OWASP LLM02:2025 Sensitive Information Disclosure: ความเสี่ยงที่ข้อมูลอ่อนไหวรั่วผ่านแอป AI
• Microsoft Learn: Learn about data loss prevention: ตัวอย่างเอกสารของผู้ผลิตรายหนึ่งว่าด้วยวิธีตรวจ การตอบสนอง และการนำไปใช้