根據Akamai發布的2024年度《全球網路狀態報告》統計，過去一年的網路攻擊活動中有29%針對API，顯示出API已成為網路罪犯的重點攻擊目標。攻擊手法則是涵蓋了開放網路應用程式安全計畫（OWASP）列出的API安全十大風險和網路應用安全風險，例如不受限存取敏感商務流程、伺服器端請求偽造、API不安全使用等弱點來滲透入侵應用服務。
Akamai大中華區資深技術顧問王明輝指出，現階段API安全風險因素中，最棘手的問題可說是業務邏輯濫用。若不具備API行為的準則，將難以偵測與判斷異常API活動，大幅提高運行階段遭遇攻擊的風險。典型的案例即為資料抓取（Data Scraping），這是一種新的資料洩露途徑，攻擊者可透過驗證後的API慢慢抓取機敏資料。
API是當前數位轉型的核心，為避免發生詐騙、濫用、授權等問題，企業在制定應用服務的資安策略時，勢必需要納入合規性要求與應對新興攻擊手法的措施，以避免未來需要重新設計服務架構。這不僅有助於加強安全防護，也能在日益嚴峻的網路安全環境中保持競爭力。
法規要求API風險管控
近年來金融監督管理委員會（簡稱金管會）針對API的安全管理十分看重，且對金融相關企業提出了明確要求，須全面盤點並清查企業內部使用的API是否不當地對外開放，並著重驗證對外提供服務的API，存取認證機制的有效性，以及相關安全設計的妥適性，以確保客戶個人資料的安全及維護客戶權益。
王明輝說明，從日趨嚴格的法規，可看出當前API安全不足之處。首先，金管會指出有機構未能建立完善的API盤點機制，因此無法完整掌控開放予網際網路的API，也未能將這些API納入嚴格的監控之中。這些未經盤點的API，如果誤被對外開放，將可能導致未經授權的資料存取，增加資安風險。
其次，對於那些已對外開放的API，若未建立妥善的驗證機制，則可能允許未經授權的存取，使得大量客戶相關資料有被非法取得的風險。即便設有認證機制，如果帳號與密碼的隱密性不足，同樣可能導致用於API認證的金鑰外洩。
再者，部分API未設計建置有效的防禦機制，例如缺乏網頁應用程式防火牆（WAF）或API管理系統（APIM）的保護，使得這些API容易受到如資料庫注入攻擊（SQL Injection）等威脅。攻擊者可透過這些漏洞取得資料庫內所有個人資料，或是透過上傳惡意檔案（例如木馬、病毒、惡意指令碼或Webshell等）進行攻擊，影響系統的正常運作。
王明輝以知名的美國加密貨幣交易所Coinbase舉例，2022年曾發生因交易介面缺陷支付有史以來最大的漏洞賞金25萬美元，該安全漏洞主要源於API的程式碼設計。Coinbase加密平台交易介面的API包含了處理交易功能，其中涉及到買賣雙方的帳號以及交易金額。在這個流程中，研究人員發現一個嚴重的漏洞：他們可以隨意更改比特幣錢包的來源，意即可以從任何帳號提取比特幣並賣給其他帳號。這個問題的核心在於帳號與錢包之間未進行嚴格綁定，導致身分驗證機制失效。
Akamai大中華區資深技術顧問王明輝指出，許多資料外洩事件的根源，在於程式碼或功能邏輯的設計不當，藉由行為分析機制，可有效阻止看似合法的用戶進行非法行為，保護系統免受內部或外部的潛在威脅。
此類API攻擊通常利用程式邏輯上的缺陷，並非傳統的WAF（網頁應用程式防火牆）等網路安全技術所能輕易防範。攻擊者只需在交易後修改某些參數，就能繞過一般的防禦機制。因此，了解並分析程式碼變得極為重要，以便及時發現和修補這些安全漏洞，強化API的安全性。
API安全的重要性，從金管會開始明文要求也可見一斑。市場上的Web應用與API保護（WAAP）解決方案正可協助企業建立防護措施，強化API安全管理以避免爆發資安事故。
資料湖收集大數據分析程式行為
Akamai打造的WAAP解決方案，具備網頁應用程式防火牆、殭屍程式緩解、API安全防護、DDoS緩解技術，可快速地識別漏洞攻擊程式，以免造成營運損失。針對API保護，其方案能有效防範API遭到濫用、資料盜竊以及其他形式的惡意流量攻擊。在對抗機器人和爬蟲程式方面，Akamai解決方案可以識別並阻止惡意機器人活動，保護應用程式和API不被資源耗盡。
王明輝指出，為解決影子API與濫用問題，讓IT或資安人員有能力掌握API安全態勢，Akamai架構了一個分析平台，採取了資料驅動的機器學習演算模型來應對。透過收集大量資料，Akamai使用機器學習演算法建立了正常的使用行為模式。這些模式以時間軸為基礎，建立行為基準線，以便於監測和識別異常行為。當系統在時間軸上識別到異常行為時，會發出告警，並說明異常行為的性質及可能的風險。此外，Akamai還提供API閘道，具備身分驗證與授權、速率限制等功能。
Akamai的API安全平台是雲原生且完全託管的，在安全資料湖（Data Lake）之上運行行為模式分析，支援發現、分類、漏洞評估、調查和威脅追蹤能力。王明輝說明，在追蹤API行為的技術實作方面，Akamai利用機器學習演算模型來持續監控和分析數據，可說是較特別之處。以往IT維運方式，大多是在資料中心內的核心交換器旁增添封包複製機制，以便能夠釐清使用者行為資訊。然而，在現代化的API Gateway或是Akamai的Edge端，這種方法難以直接適用。
對此，Akamai的解決方案設計增添了一個API安全平台，藉由資料湖負責儲存和處理收集來的大量數據。透過這些數據，機器學習演算法能夠建立和維護正常的行為模型，並持續監控所有進出API Gateway的溝通流量。這種架構不僅提高了資料處理的彈性，也增強了安全防護的能力，使得Akamai能在第一時間內識別並應對各種潛在的安全威脅。
對於資安要求較高的企業，亦可藉助API Security ShadowHunt，一項管理式威脅狩獵服務，讓擁有API威脅獵捕專業技能的分析師來增進攻擊識別能力。ShadowHunt的運作是基於API安全平台收集的資料與自動化分析機制，能夠偵測行為偏差和漏洞利用情況，機器學習的訊號會傳送給ShadowHunt分析師進行調查。由於分析師熟悉客戶的API資源，他們能迅速識別威脅活動，並即時提出告警與修復建議。此外，亦可每月審查API資產，讓企業可掌握安全態勢。