OWASP Top 10 cho ứng dụng LLM 2026: giải thích đủ 10 rủi ro
Cập nhật ngày November 19, 202610 phút đọc
OWASP Top 10 cho ứng dụng LLM là danh sách của OWASP GenAI Security Project về những rủi ro bảo mật nghiêm trọng nhất đối với các ứng dụng xây dựng trên mô hình ngôn ngữ lớn (LLM). Phiên bản 2026 được công bố vào tháng 8 năm 2026 (trang tài nguyên của nó ghi ngày 3 tháng 8) và được giới thiệu vào ngày 1 tháng 9 năm 2026. Bài hướng dẫn này liệt kê cả mười mục kèm mã ID chính thức, giải thích ngắn gọn từng mục, đưa ra một biện pháp kiểm soát thực tế cho mỗi mục và tóm tắt những thay đổi so với năm 2025.
Thư mở đầu của các trưởng dự án đã định hướng tinh thần chung: “Hãy ngừng cố gắng xây dựng một mô hình không thể bị đánh lừa. Hãy xây dựng hệ thống xung quanh nó, để khi mô hình bị đánh lừa, và chắc chắn sẽ có lúc như vậy, thì không có gì quan trọng bị hỏng.”
Danh sách 2026 được xây dựng như thế nào
Các phiên bản trước dựa vào đánh giá của những người làm thực tế. Với bản 2026, OWASP còn đối chiếu kết quả bình chọn của cộng đồng với một tập dữ liệu gồm 7714 sự cố thực tế từ các cơ sở dữ liệu lỗ hổng công khai và một cơ sở dữ liệu về tác hại của AI, trong đó 6639 sự cố có đủ chi tiết để phân loại. Kết quả bình chọn chiếm ba phần tư trọng số, dữ liệu sự cố chiếm một phần tư. Hai nguồn này không phải lúc nào cũng khớp nhau: nếu xếp hạng theo số sự cố thô, prompt injection rơi khỏi top 10, điều mà OWASP cho là do “hiệu ứng phòng thủ” (defense effect), vì các đội ngũ chống lại nó quyết liệt nên ít exploit hoàn chỉnh lọt vào các cơ sở dữ liệu công khai hơn. Misinformation thì ngược lại: người bình chọn xếp nó gần cuối, dữ liệu sự cố xếp nó gần đầu, và bằng chứng đã kéo nó lên vị trí thứ bảy.
Tổng quan danh sách 2026
| Mục năm 2026 | Vị trí năm 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (với tên System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Vị trí năm 2025 được lấy từ danh sách năm 2025 của OWASP.
LLM01:2026 Prompt Injection
Đầu vào làm thay đổi hành vi của mô hình theo những cách nhà phát triển không dự định, dù nó đến từ người dùng, tài liệu, kết quả công cụ, hình ảnh hay bộ nhớ. Mục này giờ đây bao gồm cả các cuộc tấn công xuyên phương thức (cross-modal), giấu chỉ dẫn trong hình ảnh hoặc âm thanh. Biện pháp kiểm soát: giữ thông tin xác thực và các hành động làm thay đổi trạng thái trong mã ứng dụng, và chỉ cấp cho mô hình đặc quyền tối thiểu cho từng thao tác. Hướng dẫn của chúng tôi về prompt injection phân tích sâu mục này.
LLM02:2026 Sensitive Information Disclosure (tiết lộ thông tin nhạy cảm)
Dữ liệu bí mật hoặc thuộc diện quản lý bị rò rỉ qua bất kỳ kênh nào: câu trả lời, tham số của lệnh gọi công cụ, dấu vết suy luận (reasoning traces), các đoạn văn bản được truy xuất (chunks), nhật ký hoặc embedding. OWASP chỉ ra việc chia sẻ quá mức ở đầu nguồn, chẳng hạn những ổ đĩa không giới hạn phạm vi truy cập được dùng để nạp dữ liệu cho chỉ mục tạo sinh tăng cường truy xuất (RAG), là một trong hai thất bại đứng sau phần lớn các sự cố. Biện pháp kiểm soát: phân quyền trước khi truy xuất, áp dụng kiểm soát truy cập ở cấp tài liệu và cấp đoạn ngay bên trong truy vấn tới chỉ mục.
LLM03:2026 Excessive Agency (quyền hạn quá mức)
Những hành động gây hại xảy ra để đáp lại đầu ra bất ngờ, mơ hồ hoặc bị thao túng của mô hình. Nguyên nhân gốc rễ là chức năng, quyền hoặc mức tự chủ vượt quá mức cần thiết. Theo OWASP, trong các hệ thống agentic, vấn đề này có thể biểu hiện thành lạm dụng công cụ, lạm dụng danh tính và đặc quyền, hoặc lỗi dây chuyền. Biện pháp kiểm soát: giảm thiểu công cụ và quyền của chúng (một công cụ tóm tắt email chỉ cần đọc thư) và yêu cầu con người phê duyệt các hành động có tác động lớn.
LLM04:2026 Supply Chain (chuỗi cung ứng)
Rủi ro trong các mô hình, bộ dữ liệu và adapter của bên thứ ba như LoRA, các pipeline chuyển đổi và các package, bao gồm cả “slopsquatting”, khi kẻ tấn công đăng ký những tên package mà trợ lý lập trình bịa ra (hallucinate). Biện pháp kiểm soát: cố định các artifact của mô hình bằng digest bất biến thay vì tag có thể thay đổi, xác minh chữ ký và kiểm tra xem các thư viện phụ thuộc do AI gợi ý có thật sự tồn tại hay không trước khi cài đặt.
LLM05:2026 Data and Model Poisoning (đầu độc dữ liệu và mô hình)
Dữ liệu hoặc artifact của mô hình bị thao túng nhằm cài backdoor hoặc thiên lệch trong quá trình tiền huấn luyện, fine-tuning, tạo embedding hoặc phân phối. Việc đầu độc có thể rất rẻ: Souly và cộng sự (2025) phát hiện rằng 250 tài liệu bị đầu độc đủ để xâm phạm các mô hình từ 600 triệu đến 13 tỷ tham số, bất kể kích thước bộ dữ liệu. Biện pháp kiểm soát: theo dõi nguồn gốc (lineage) của dữ liệu và mô hình, quản lý phiên bản các bộ dữ liệu, và coi chat template, cấu hình tokenizer và adapter là mã cần được ký và xác minh.
LLM06:2026 Unbounded Consumption (tiêu thụ không giới hạn)
Quá trình inference không được kiểm soát gây ra sự cố ngừng dịch vụ, chi phí tăng vọt (“denial of wallet”) hoặc đánh cắp mô hình thông qua trích xuất. Các mô hình lập luận (reasoning model), đầu vào đa phương thức và vòng lặp công cụ của tác nhân khiến vấn đề nghiêm trọng hơn. Biện pháp kiểm soát: giới hạn chi tiêu cứng có thể dừng inference, cùng với circuit breaker cho tác nhân với giới hạn về số bước, độ sâu đệ quy, thời gian và chi phí cho mỗi lần chạy.
LLM07:2026 Misinformation (thông tin sai lệch)
Đầu ra sai hoặc thiếu căn cứ nhưng trông đủ đáng tin để người ta hành động theo. Trong các hệ thống agentic, một câu trả lời sai trở thành một hành động sai, chẳng hạn tác nhân báo rằng bản sao lưu đã chạy trong khi thực tế nó chưa từng chạy. Biện pháp kiểm soát: mẫu claim-check-act (khẳng định, kiểm tra, hành động), tách việc tạo nội dung khỏi việc thực thi và xác minh các khẳng định cùng điều kiện tiên quyết trước khi hành động.
LLM08:2026 Hidden Context Exposure (lộ ngữ cảnh ẩn)
Trích xuất hoặc tái dựng ngữ cảnh ẩn: system prompt, chỉ dẫn của nhà phát triển, văn bản chính sách được truy xuất và schema công cụ. OWASP khuyên nên giả định rằng ngữ cảnh ẩn có thể bị phát hiện. Biện pháp kiểm soát: không đưa thông tin xác thực và secret vào đó, và thực thi việc phân quyền bằng mã tất định bên ngoài mô hình.
LLM09:2026 Vector and Embedding Weaknesses (điểm yếu của vector và embedding)
Các cuộc tấn công vào lớp embedding phía sau RAG, bộ nhớ của tác nhân và bộ nhớ đệm ngữ nghĩa (semantic cache). Theo lời OWASP, “đầu độc khiến hệ thống sai, đảo ngược (inversion) khiến nó rò rỉ, gây nhiễu (jamming) khiến nó im lặng, còn lỗi kiểm soát truy cập khiến nó không còn phân biệt đối tượng.” Biện pháp kiểm soát: áp dụng giới hạn theo tenant ngay bên trong truy vấn tới chỉ mục, không phải dưới dạng bộ lọc sau khi truy xuất, và lưu nội dung có mức độ tin cậy khác nhau trong các chỉ mục riêng biệt.
LLM10:2026 Improper Output Handling (xử lý đầu ra không đúng cách)
Chuyển đầu ra của mô hình xuống các hệ thống phía sau mà không kiểm tra hợp lệ, điều có thể dẫn đến XSS, SQL injection, SSRF hoặc thực thi mã từ xa. Mục này giờ đây bao gồm cả mã không an toàn do các trợ lý tạo ra ở quy mô lớn. Biện pháp kiểm soát: coi đầu ra của mô hình như đầu vào từ người dùng: mã hóa (encode) theo đúng ngữ cảnh sử dụng, dùng truy vấn tham số hóa và tắt tính năng tự động hiển thị hình ảnh Markdown và bản xem trước liên kết.
Những thay đổi so với phiên bản 2025
OWASP cho biết thứ tự lần này “xáo trộn nhiều hơn những năm trước”. Các thay đổi chính:
- Excessive Agency tăng từ vị trí thứ sáu lên thứ ba, điều mà OWASP gọi là “sự dịch chuyển có hệ quả lớn nhất trong danh sách”.
- Unbounded Consumption tăng bốn bậc, còn Improper Output Handling tụt sâu nhất, từ vị trí thứ năm xuống thứ mười.
- Prompt Injection và Sensitive Information Disclosure giữ nguyên hai vị trí dẫn đầu.
- System Prompt Leakage trở thành Hidden Context Exposure, một mục có phạm vi rộng hơn.
- Các mục hiện có hấp thụ những rủi ro mới hơn thay vì bổ sung danh mục mới: injection xuyên phương thức, artifact mô hình không đúng như những gì chúng tự nhận, việc phá hoại quá trình fine-tuning và mã được tạo ra không an toàn.
- Các bảng ánh xạ sang các khung (NIST, MITRE ATLAS, CWE và các khung khác) được chuyển vào một phụ lục duy nhất.
OWASP cũng vạch ra một ranh giới rõ ràng hơn. Danh sách này xem mô hình là một thành phần của ứng dụng. Khi mô hình trở thành một chủ thể hành động với công cụ, bộ nhớ và hệ quả đối với các hệ thống khác, OWASP khuyên nên kết hợp danh sách này với OWASP Top 10 cho ứng dụng agentic, được trình bày từng bước trong hướng dẫn của chúng tôi về cách bảo mật tác nhân AI.
Cách áp dụng danh sách trong nhóm của bạn
Lời khuyên của OWASP là “xử lý cả mười mục, bắt đầu từ trên xuống”. Trong thực tế:
- Rà soát cả mười mục khi bạn thiết kế hoặc đánh giá một tính năng LLM, và ghi lại những chỗ tính năng đó có thể bị tấn công.
- Biến mỗi biện pháp kiểm soát thành một ticket có người phụ trách, và kiểm thử lại sau khi sửa.
- Gắn mã ID của các mục cho từng phát hiện để lập trình viên, kỹ sư bảo mật và product owner dùng chung một bộ thuật ngữ.
- Chỉ kiểm thử những hệ thống bạn sở hữu hoặc đã được cho phép kiểm thử bằng văn bản, và hãy kiểm tra xem điều khoản của nhà cung cấp mô hình có cho phép kiểm thử bảo mật hay không.
Dự án cuối khóa của khóa học tự học theo tiến độ riêng Bảo mật AI: Bảo vệ ứng dụng LLM và tác nhân AI, “Tấn công, khắc phục và kiểm thử lại một tác nhân AI”, kết thúc bằng một báo cáo bảo mật ánh xạ từng phát hiện vào các danh sách OWASP.
Tiếp theo nên đọc gì
Hãy bắt đầu từ mục đứng đầu: hướng dẫn của chúng tôi về prompt injection là gì giải thích các cuộc tấn công trực tiếp và gián tiếp cùng các lớp phòng thủ. Nếu ứng dụng của bạn truy xuất tài liệu, hãy xem kỹ LLM02 và LLM09, hai mục đề cập đến quyền truy xuất và lớp embedding; Kỹ sư AI: Giới thiệu về RAG & Tìm kiếm là một khóa học tự học liên quan.
Một cách bài bản để xây dựng những kỹ năng này là khóa học Bảo mật AI: Bảo vệ ứng dụng LLM và tác nhân AI: tự học theo tiến độ riêng, trình độ trung cấp, thời lượng 40 giờ, dành cho lập trình viên, kỹ sư AI và chuyên gia bảo mật đang xây dựng hoặc kiểm thử các tính năng AI.

Học kỹ năng công nghệ trực tuyến với Code Labs Academy
Tham gia cộng đồng học viên quốc tế của chúng tôi, mở khóa tiềm năng bản thân và bắt đầu con đường sự nghiệp công nghệ đầy ý nghĩa.
Nộp đơn ngay