ข้ามไปยังเนื้อหา
Sign in with Google เพิ่ม session metadata ใหม่ — claim auth_time และ amr ช่วยทำ risk-based access control
เครื่องมือนักพัฒนา

Sign in with Google เพิ่ม session metadata ใหม่ — claim auth_time และ amr ช่วยทำ risk-based access control

อ่าน 4 นาที ที่มา: Google Developers Blog

Google ประกาศเพิ่ม session metadata claim ใหม่ใน Sign in with Google เมื่อวันที่ 16 มิถุนายน 2026 โดยใส่ OIDC (OpenID Connect) standard claim สองตัวเข้าไปใน ID Token ที่ backend ของแอปได้รับ ได้แก่ auth_time และ amr ซึ่งให้ข้อมูลเชิงลึกว่าผู้ใช้ยืนยันตัวตนกับ Google เมื่อไร และ ด้วยวิธีใด ฟีเจอร์นี้เปิดให้ใช้กับแอปที่ผ่านการ verify แล้ว และรองรับทั้งบัญชี Gmail ส่วนตัวและบัญชีที่จัดการโดย Google Workspace

แนวคิดหลักคือการให้แอปได้ “ยืม” ผลการตรวจสอบ session ที่ Google ทำไว้แล้ว แทนที่จะต้องสร้างกลไก strong authentication ขึ้นเองทั้งหมด ช่วยลดภาระทีมพัฒนาในการจัดการความปลอดภัยของการล็อกอิน

auth_time และ amr ต่างกันอย่างไร

auth_time คือ timestamp ที่บอกว่าผู้ใช้ล็อกอินเข้าบัญชี Google ครั้งล่าสุดเมื่อใด ซึ่งต่างจากเวลาที่ออก token ให้แอป จุดนี้สำคัญเพราะมันบอก “ความสด” ของ session ทำให้แอปบังคับนโยบายอย่างการขอให้ยืนยันตัวตนซ้ำก่อนทำธุรกรรมสำคัญได้

ส่วน amr (Authentication Methods Reference) เป็น array ที่ระบุ วิธี ที่ผู้ใช้ยืนยันตัวตน มีค่าที่รองรับเช่น pwd (รหัสผ่าน), mfa (ผ่าน multi-factor), hwk (hardware-secured key), swk (software key), tel และ sms ทำให้แอปรู้ระดับความแข็งแรงของการล็อกอิน และนำไปกำหนดสิทธิ์แบบละเอียดได้ เช่น ปฏิเสธการเข้าถึงฟังก์ชัน admin ถ้าไม่มี mfa หรือไม่ได้ใช้ security key

ใช้ทำอะไรได้บ้าง

Google ยกตัวอย่าง use case อย่าง step-up authentication (ใช้ auth_time เช็กอายุ session แล้วบังคับยืนยันซ้ำถ้า session เก่าเกินไป), authorization policy ที่อิงกับวิธีล็อกอิน และ audit logging ที่บันทึก amr ไว้เป็นหลักฐานว่าผู้ใช้เข้าถึงข้อมูลสำคัญด้วยวิธีไหน claim เหล่านี้ใช้ได้ทั้งบน Android, iOS และ Web เพียงร้องขอผ่าน standard OIDC claims parameter โดยแทบไม่ต้องแก้ flow เดิม

มุมมอง AI Curator

นี่เป็นการอัปเดตที่ดู “เล็ก” แต่สะท้อนทิศทางสำคัญของการออกแบบความปลอดภัยยุคนี้ — ขยับจาก static policy (“ล็อกอินแล้วผ่านยาว”) ไปสู่ continuous/risk-based access ที่ประเมินบริบทของแต่ละการกระทำ ในยุคที่ phishing และ account takeover รุนแรงขึ้นเรื่อย ๆ การรู้ว่าผู้ใช้ยืนยันตัวตน “เมื่อไรและด้วยวิธีอะไร” คือข้อมูลที่มีค่ามากกว่าแค่ “ล็อกอินสำเร็จหรือไม่”

สำหรับนักพัฒนาไทยและ SEA จำนวนมากที่ใช้ Sign in with Google เป็นช่องทางล็อกอินหลักของแอปและ fintech การได้ signal เหล่านี้แบบฟรีโดยไม่ต้องสร้างระบบ MFA เองถือเป็นการยกระดับความปลอดภัยที่ต้นทุนต่ำมาก โดยเฉพาะแอปการเงินที่ควรบังคับ step-up ก่อนทำรายการโอนหรือเปลี่ยนข้อมูลสำคัญ ข้อแนะนำคือเริ่มจาก audit logging ค่า amr ก่อน เพื่อเข้าใจพฤติกรรมการล็อกอินจริงของผู้ใช้ ก่อนจะค่อย ๆ ขึ้น policy ที่เข้มขึ้น

แหล่งข่าว

บทความนี้เรียบเรียงจากแหล่งข่าวต้นทาง — Google Developers Blog

เนื้อหาบน blog นี้สร้างโดย AI โดยมีการกำกับบรรณาธิการจากมนุษย์

อ่านเพิ่มในหมวด เครื่องมือนักพัฒนา

DeepSeek เปิดโค้ด dsh-superagent ต้นแบบ coding agent แบบ Router-Worker ที่ออกแบบให้กินเวลาคนน้อยที่สุด
เครื่องมือนักพัฒนา

DeepSeek เปิดโค้ด dsh-superagent ต้นแบบ coding agent แบบ Router-Worker ที่ออกแบบให้กินเวลาคนน้อยที่สุด

ทีม DeepSeek Harness เปิดซอร์ส dsh-superagent-prototype ภายใต้ MIT พร้อมบทความอธิบายสถาปัตยกรรม Super-agent แบ่ง Router ที่รับงานจาก GitHub หรือ Feishu กับ Worker ที่ทำงานขนาน repo ได้กว่า 7,000 ดาวในสองวัน แต่ทีมย้ำว่าเป็นโค้ดวิจัย และ worker รันแบบ danger-full-access

· อ่าน 5 นาที
tandem.cpp แพตช์ llama.cpp ให้ CPU ช่วย GPU รันโมเดล MoE ที่ใหญ่เกิน VRAM เร็วขึ้นสูงสุด 3.3 เท่าบน RTX 4090
เครื่องมือนักพัฒนา

tandem.cpp แพตช์ llama.cpp ให้ CPU ช่วย GPU รันโมเดล MoE ที่ใหญ่เกิน VRAM เร็วขึ้นสูงสุด 3.3 เท่าบน RTX 4090

tandem.cpp เป็นชุดแพตช์ MIT สำหรับ llama.cpp ที่เก็บ expert ที่ใช้บ่อยไว้บน GPU และให้ CPU คำนวณส่วนที่เหลือ ผู้พัฒนารายงานว่า Qwen3.8-Flash-Next ได้ราว 97 token/s บน RTX 4090 กับ RAM 64GB เทียบกับ 29.8 ของ llama.cpp แต่ตัวเลขยังไม่มีคนนอกยืนยัน

· อ่าน 4 นาที
Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ
เครื่องมือนักพัฒนา

Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ

Betelgeuse ฟอร์ก llama.cpp ที่เปิดเมื่อ 31 ต.ค. ดึง expert จาก NVMe เข้า VRAM ตามต้องการ อ้าง 22 tok/s แบบไม่ทิ้ง expert แต่ README เตือนเองว่ายังทดลองและตัวเลขมาจากคนละรอบ วันเดียวกันผู้พัฒนา Basalt เผยผลวัดว่าแฟล็กเร่งความเร็วทำคุณภาพ Q8 ตกไปใกล้ Q2

· อ่าน 5 นาที