Integrasi coding agent AI seperti Devin, Claude Code, atau GitHub Copilot Workspace ke repositori internal membuka celah baru dalam rantai pasok software. Insiden kebocoran data yang menyerupai pola eksploitasi GitLost menunjukkan bahwa interaksi agen AI dengan database development sering kali terekam tanpa sensor. Masalah muncul saat log query mentah yang berisi data sensitif dimasukkan kembali ke dalam context window model untuk pemecahan masalah (debugging), membuka jalan terjadinya eksfiltrasi token atau prompt rahasia melalui manipulasi context.
Akar Masalah: Raw Query Logging dan Context Injection
Secara default, developer sering mengaktifkan logging level DEBUG atau TRACE pada database driver untuk memudahkan agen AI menganalisis error. Praktik ini menghasilkan dua vektor risiko utama:
- Raw Query Leakage: Nilai literal dalam klausa
WHEREatauINSERT, seperti token API, secret key, atau password hash, tercatat langsung dalam log teks biasa. - Feedback Loop Exploitation: Agen AI membaca file log ini saat diminta menganalisis error. Prompt injection yang disisipkan melalui input pengguna dapat memanipulasi agen untuk mengekstraksi raw query dari log tersebut dan menampilkannya kembali ke antarmuka chat publik atau menyimpannya di file commit git.
Arsitektur Pertahanan Berlapis
Penyelesaian masalah ini tidak cukup dengan instruksi system prompt (seperti "Jangan tampilkan password"). Diperlukan proteksi struktural di lapisan data:
- Query Interceptor di Connection Pool: Masking parameter sensitif sebelum teks query dikirim ke logger.
- Prepared Statement Enforced: Memisahkan struktur teks query SQL dari nilai literalnya.
- Row Access Policy & Least Privilege: Membatasi akses baca agen ke metadata non-sensitif menggunakan mekanisme bawaan database.
Implementasi Interceptor SQL di Connection Pool
Contoh berikut menunjukkan implementasi proxy interceptor berbasis Node.js/TypeScript untuk database driver (seperti pg). Pendekatan ini mencegat objek query sebelum masuk ke audit log atau stream output agen AI.
import { Pool, QueryConfig, QueryResult } from 'pg';
interface SensitivePattern {
keyPattern: RegExp;
mask: string;
}
const SENSITIVE_PATTERNS: SensitivePattern[] = [
{ keyPattern: /bearer\s+[a-zA-Z0-9_\-\.]+/gi, mask: 'Bearer [REDACTED]' },
{ keyPattern: /(api[_-]?key|secret|token|password)\s*=\s*['"][^'"]+['"]/gi, mask: '$1=\'[REDACTED]\'' },
];
export class SecureAuditPool {
private pool: Pool;
constructor(connectionString: string) {
this.pool = new Pool({ connectionString });
}
private sanitizeSql(text: string): string {
let sanitized = text;
for (const { keyPattern, mask } of SENSITIVE_PATTERNS) {
sanitized = sanitized.replace(keyPattern, mask);
}
return sanitized;
}
private sanitizeValues(values?: any[]): any[] | undefined {
if (!values) return values;
return values.map((val) => {
if (typeof val === 'string' && val.length > 256) {
// Mencegah prompt injection panjang atau token berukuran besar lolos utuh
return `${val.substring(0, 16)}...[TRUNCATED_LEAK_GUARD]`;
}
return val;
});
}
public async query(queryTextOrConfig: string | QueryConfig, values?: any[]): Promise<QueryResult> {
const start = Date.now();
let text = typeof queryTextOrConfig === 'string' ? queryTextOrConfig : queryTextOrConfig.text;
let params = typeof queryTextOrConfig === 'string' ? values : queryTextOrConfig.values;
try {
const result = await this.pool.query(queryTextOrConfig, values);
return result;
} finally {
const duration = Date.now() - start;
// Logging HANYA format yang sudah disanitasi ke audit stream
const cleanSql = this.sanitizeSql(text);
const cleanParams = this.sanitizeValues(params);
this.writeAuditLog({
sql: cleanSql,
parameters: cleanParams,
durationMs: duration,
timestamp: new Date().toISOString(),
});
}
}
private writeAuditLog(entry: object): void {
// Audit log aman: agen AI hanya boleh membaca stream file ini
process.stdout.write(JSON.stringify(entry) + '\n');
}
}
Konfigurasi Row-Level Security (RLS) PostgreSQL
Selain masking di connection pool, batasi visibility data langsung di level engine PostgreSQL. Buat role khusus agen dengan hak akses minimal.
-- 1. Buat role read-only untuk Agent AI
CREATE ROLE ai_agent_runner WITH LOGIN PASSWORD 'strong_random_password';
GRANT CONNECT ON DATABASE production_clone TO ai_agent_runner;
GRANT USAGE ON SCHEMA public TO ai_agent_runner;
-- 2. Aktifkan RLS pada tabel sensitif
ALTER TABLE users ENABLE ROW LEVEL SECURITY;
ALTER TABLE api_keys ENABLE ROW LEVEL SECURITY;
-- 3. Terapkan policy: Agent hanya boleh melihat akun testing/dummy
CREATE POLICY agent_restricted_users ON users
FOR SELECT
TO ai_agent_runner
USING (email LIKE '%@test.internal' AND is_system_admin = false);
-- 4. Blok total pembacaan credential mentah
CREATE POLICY agent_block_credentials ON api_keys
FOR ALL
TO ai_agent_runner
USING (false);
Trade-off dan Verifikasi
Penerapan query interceptor menambah overhead latensi sekitar 2-5% tergantung kompleksitas Regular Expression yang dievaluasi. Untuk meminimalkan dampak:
- Prioritaskan sanitasi pada binding parameters (
$1,$2) dibanding regex parsing terhadap seluruh query string mentah. - Hindari logging
SELECT *pada tabel credential di environment development. Gunakan view termasking (misal:SELECT id, username, '***' AS password FROM users). - Lakukan verifikasi otomatis dengan integration test: jalankan query yang memuat secret, lalu pastikan output log tidak memuat token tersebut secara literal.
Komentar
0 komentar
Masuk ke akun kamu untuk ikut berkomentar.
Belum ada komentar
Jadilah yang pertama ikut berdiskusi!