AWS Bedrock AI Audit Trail Logging — คู่มือฉบับสมบูรณ์ 2026 | SiamCafe Blog

AWS Bedrock AI Audit Trail Logging — คืออะไร? ทำความเข้าใจพื้นฐานในยุค AI 2026

ในยุคที่ปัญญาประดิษฐ์ (AI) กลายเป็นหัวใจหลักของการดำเนินธุรกิจ ความโปร่งใสและความรับผิดชอบในการใช้งานโมเดล AI จึงไม่ใช่เพียงเรื่องด้านจริยธรรม

แต่คือปัจจัยสำคัญที่กำหนดความน่าเชื่อถือของระบบ ซึ่ง AWS Bedrock AI Audit Trail Logging คือเครื่องมือที่ตอบโจทย์ตรงนี้อย่างครบถ้วน โดยเฉพาะสำหรับผู้ใช้งาน Amazon Web Services (AWS) ที่ต้องการควบคุมและติดตามพฤติกรรมการใช้งานโมเดล AI อย่างละเอียด ตั้งแต่การส่งคำขอ (request) จนถึงผลลัพธ์ที่ได้ (response)

อ.บอม ซึ่งมีประสบการณ์ด้านระบบ IT และการเทรดผ่าน XM มาอย่างต่อเนื่องกว่า 13 ปี มองว่า การติดตามทุกขั้นตอนในกระบวนการประมวลผล AI ไม่ต่างจากการติดตามทุกการเทรดในพอร์ตการลงทุน — ต้องมีบันทึกทุกครั้ง เพื่อวิเคราะห์ย้อนหลัง ประเมินผล และปรับปรุงกลยุทธ์ให้ดีขึ้นในอนาคต ด้วยเหตุนี้ AWS Bedrock AI Audit Trail Logging จึงไม่ใช่แค่เครื่องมือด้านความปลอดภัย แต่คือระบบ “บันทึกการเดินทาง” ของโมเดล AI ที่ช่วยให้ทีมพัฒนา ทีมความปลอดภัย และทีมปฏิบัติการสามารถตรวจสอบได้ว่า “ใคร” ใช้งาน “โมเดลใด” “เมื่อไหร่” และ “ได้ผลลัพธ์อะไร”

ระบบทำงานโดยการบันทึกทุกการเรียกใช้งาน (API call) ผ่าน AWS Bedrock ทั้งหมด ไม่ว่าจะเป็นการส่งข้อความ, การเรียกใช้ฟังก์ชัน, หรือการดึงข้อมูลจากฐานข้อมูล ทุกข้อมูลถูกจัดเก็บในรูปแบบ structured log พร้อม timestamp, user ID, session token, input prompt, output response, และข้อมูลเชิงเทคนิคอื่น ๆ ที่จำเป็นต่อการวิเคราะห์ ซึ่งสามารถนำไปประมวลผลต่อผ่านระบบ monitoring, SIEM (Security Information and Event Management), หรือแม้แต่ใช้ฝังในระบบ reporting เพื่อรายงานต่อหน่วยงานกำกับดูแล

ในปี 2026 กฎหมายด้านข้อมูลส่วนบุคคลและ AI เช่น PDPA และกฎหมาย AI ฉบับใหม่ของไทย ได้เริ่มบังคับใช้จริง ทำให้การมี audit trail ไม่ใช่ทางเลือกอีกต่อไป แต่คือข้อกำหนดทางกฎหมาย การมีระบบบันทึกการใช้งาน AI อย่างครบถ้วนจึงเป็นสิ่งจำเป็นเพื่อหลีกเลี่ยงความผิดพลาดที่อาจเกิดขึ้นได้ในอนาคต ไม่ว่าจะเป็นการใช้ข้อมูลที่ไม่เหมาะสม หรือการตัดสินใจที่ผิดพลาดจากโมเดลที่ไม่โปร่งใส

ระบบ AWS Bedrock AI Audit Trail Logging ไม่ได้ทำงานแบบอัตโนมัติทันทีหลังเปิดใช้งาน แต่ต้องอาศัยการตั้งค่า (configuration) อย่างรอบคอบเพื่อให้สามารถบันทึกข้อมูลได้อย่างมีประสิทธิภาพ โดยพื้นฐานแล้ว ระบบจะแบ่งออกเป็น 3 ชั้นหลัก: การเก็บข้อมูล (Ingestion), การจัดเก็บ (Storage), และการวิเคราะห์ (Analysis)

ขั้นตอนแรกคือการตั้งค่าระบบให้รับข้อมูลการใช้งานจาก AWS Bedrock ผ่าน AWS CloudTrail หรือ AWS Lambda ที่ถูก trigger เมื่อมีการเรียกใช้งานโมเดล โดยข้อมูลที่ถูกส่งมาจะต้องผ่านกระบวนการ validation ก่อน เพื่อตรวจสอบความถูกต้องของ payload เช่น ตรวจสอบว่ามี field ที่จำเป็นครบหรือไม่ เช่น `requestid`, `userarn`, `modelid`, `inputtext`, `output_text`, และ `timestamp` ซึ่งทุก field ต้องถูกเก็บไว้ในรูปแบบที่สามารถ query ได้

ขั้นตอนที่สองคือการจัดเก็บข้อมูลในฐานข้อมูลที่เหมาะสม โดยในสภาพแวดล้อม production แนะนำให้ใช้ PostgreSQL หรือ Amazon Aurora สำหรับการจัดเก็บ log อย่างมั่นคง และรองรับการ query ที่ซับซ้อนได้ พร้อมตั้งค่าการ rotate log อย่างอัตโนมัติเพื่อป้องกันไม่ให้ disk ล้น ซึ่งสามารถตั้งค่าได้ผ่าน `logrotate` หรือใช้ AWS S3 พร้อม lifecycle policy เพื่อเก็บข้อมูลในระยะยาว

ขั้นตอนสุดท้ายคือการวิเคราะห์ข้อมูล โดยสามารถนำ log ไปเชื่อมโยงกับระบบ monitoring เช่น Prometheus และ Grafana เพื่อสร้าง dashboard แสดงพฤติกรรมการใช้งาน เช่น จำนวนคำขอต่อชั่วโมง โมเดลที่ถูกใช้บ่อยที่สุด หรือ latency ของการตอบสนอง รวมถึงสามารถตั้ง alert ได้ทันทีเมื่อพบพฤติกรรมผิดปกติ เช่น การเรียกใช้โมเดลจำนวนมากในช่วงเวลาสั้น ๆ ซึ่งอาจบ่งชี้ถึงการโจมตีหรือการใช้งานผิดวัตถุประสงค์

องค์ประกอบ	หน้าที่หลัก	ตัวอย่างเครื่องมือ
Ingestion	รับข้อมูลจาก AWS Bedrock	CloudTrail, Lambda, API Gateway
Storage	จัดเก็บ log อย่างมั่นคง	PostgreSQL, Amazon Aurora, S3
Analysis	วิเคราะห์พฤติกรรมการใช้งาน	Prometheus, Grafana, ELK Stack
Alerting	แจ้งเตือนเมื่อพบพฤติกรรมผิดปกติ	Alertmanager, PagerDuty

ระบบ audit trail ที่มีประสิทธิภาพไม่ได้หมายถึงแค่การบันทึกข้อมูล แต่ต้องสามารถนำไปใช้ประโยชน์ได้จริง ซึ่งในบริบทของธุรกิจที่ขับเคลื่อนด้วย AI การมีข้อมูลการใช้งานที่ครบถ้วน ช่วยให้ทีมสามารถตรวจสอบความผิดพลาดได้ทันที ไม่ว่าจะเป็นการให้ผลลัพธ์ที่ผิดพลาด หรือการตอบสนองช้าเกินไป ทั้งนี้ ข้อมูลเหล่านี้ยังสามารถนำไปใช้ในการปรับปรุงโมเดล วิเคราะห์พฤติกรรมผู้ใช้ และวางแผนการพัฒนาผลิตภัณฑ์ในอนาคตได้อย่างแม่นยำ

อ.บอม เคยใช้ระบบ audit trail ในการตรวจสอบเหตุการณ์ที่โมเดลให้คำแนะนำการลงทุนผิดพลาด ซึ่งพบว่าเกิดจาก input ที่ผิดพลาดจากการตั้งค่า API ที่ไม่ถูกต้อง ทำให้สามารถแก้ไขปัญหาได้ภายในไม่กี่ชั่วโมง แทนที่จะต้องเสียเวลาหลายวันในการหาสาเหตุ นี่คือตัวอย่างที่ชัดเจนว่า ระบบ audit trail ไม่ใช่แค่เครื่องมือสำหรับตรวจสอบย้อนหลัง แต่คือเครื่องมือป้องกันความเสียหายในอนาคต

การตั้งค่า AWS Bedrock AI Audit Trail Logging ในสภาพแวดล้อมจริง (production) ต้องคำนึงถึงทั้งด้านความปลอดภัย ความเสถียร และความสามารถในการขยายตัว

(scalability) ซึ่งอ.บอม แนะนำให้ใช้แนวทางแบบ containerized โดยอาศัย Docker หรือ Kubernetes เพื่อให้ระบบสามารถ deploy ได้อย่างรวดเร็ว และแยกส่วนออกจากบริการอื่น ๆ ได้อย่างมีประสิทธิภาพ

การตั้งค่า AWS Bedrock AI Audit Trail Logging ในสภาพแวดล้อมจริง (production) ต้องคำนึงถึงทั้งด้านความปลอดภัย ความเสถียร และความสามารถในการขยายตัว (scalability) ซึ่งอ.บอม แนะนำให้ใช้แนวทางแบบ containerized โดยอาศัย Docker หรือ Kubernetes เพื่อให้ระบบสามารถ deploy ได้อย่างรวดเร็ว และแยกส่วนออกจากบริการอื่น ๆ ได้อย่างมีประสิทธิภาพ

ขั้นตอนแรกคือการสร้างไฟล์ `docker-compose.yml` สำหรับ deployment ที่รองรับการ scale ได้ โดยกำหนด replica อย่างน้อย 2 ตัว เพื่อรองรับความพร้อมใช้งาน (high availability) และต่อผ่าน load balancer เช่น Nginx หรือ AWS ALB เพื่อกระจาย traffic อย่างสมดุล พร้อมตั้งค่า health check ทุก 10 วินาที เพื่อตรวจสอบว่า service ยังทำงานอยู่หรือไม่

ต่อไปคือการตั้งค่าฐานข้อมูลและ cache อย่างเหมาะสม โดยใช้ PostgreSQL สำหรับจัดเก็บ log และ Redis สำหรับ cache ข้อมูลที่ถูกเรียกบ่อย ๆ เช่น ข้อมูลผู้ใช้หรือ metadata ของโมเดล พร้อมตั้งค่า connection pool อย่างมีประสิทธิภาพ เช่น `maxopenconns: 25`, `maxidleconns: 5`, และ `connmaxlifetime: 5m` เพื่อป้องกันการใช้ connection ค้าง

ด้านความปลอดภัย ต้องเปิดใช้งาน TLS ทุกครั้ง และกำหนดเวอร์ชันขั้นต่ำเป็น 1.2 เพื่อป้องกันการโจมตีแบบ downgrade พร้อมตั้งค่า authentication ด้วย token ที่มี expiry time จำกัด และจำกัด origins ที่สามารถเรียกใช้งานได้ผ่าน CORS policy อย่างเคร่งครัด

นอกจากนี้ ควรตั้งค่าการจัดการ log อย่างมีระบบ โดยใช้ `logrotate` หรือ AWS S3 lifecycle policy เพื่อป้องกันไม่ให้เกิดการเติมเต็มพื้นที่จัดเก็บ พร้อมตั้งค่า retention policy ที่สอดคล้องกับข้อกำหนดทางกฎหมาย เช่น 90 วัน หรือ 1 ปี ขึ้นอยู่กับประเภทของข้อมูล

ในบริบทของ DevOps 2026 การตั้งค่าระบบ audit trail ไม่ใช่เรื่องที่ทำครั้งเดียวแล้วจบ แต่ต้องมีการติดตาม ปรับปรุง และทดสอบอย่างสม่ำเสมอ ซึ่งอ.บอม แนะนำให้ใช้แนวทาง CI/CD โดยรวมการทดสอบ audit trail เข้าไปใน pipeline เพื่อตรวจสอบว่าระบบยังคงทำงานได้อย่างถูกต้องทุกครั้งที่มีการ deploy ใหม่

อีกประเด็นสำคัญคือการตั้งค่า alerting ที่เหมาะสม เช่น เมื่อพบการเรียกใช้โมเดลเกินจำนวนที่กำหนดในช่วงเวลาสั้น ๆ หรือเมื่อมีการเข้าถึง audit log จากที่อยู่ IP ที่ไม่เคยใช้มาก่อน ซึ่งสามารถตั้งค่าผ่าน Prometheus + Alertmanager หรือใช้ AWS CloudWatch ร่วมกับ SNS เพื่อแจ้งเตือนทันที

ในยุคที่ข้อมูลถือเป็นทรัพย์สินสำคัญที่สุด การมีระบบ audit trail ที่ดี ย่อมหมายถึงการมีระบบความปลอดภัยที่แข็งแกร่ง แต่ในทางกลับกัน หากระบบ audit trail

ถูกโจมตีหรือถูกบิดเบือน ความเสี่ยงที่เกิดขึ้นอาจรุนแรงกว่าการรั่วไหลของข้อมูล เพราะจะทำลายความน่าเชื่อถือของทั้งระบบ ดังนั้น การรักษาความปลอดภัยของระบบ audit trail จึงต้องได้รับความสำคัญเทียบเท่ากับการรักษาความปลอดภัยของระบบหลัก

ความปลอดภัยและมาตรการป้องกันความเสี่ยงในระบบ Audit Trail

ในยุคที่ข้อมูลถือเป็นทรัพย์สินสำคัญที่สุด การมีระบบ audit trail ที่ดี ย่อมหมายถึงการมีระบบความปลอดภัยที่แข็งแกร่ง แต่ในทางกลับกัน หากระบบ audit trail ถูกโจมตีหรือถูกบิดเบือน ความเสี่ยงที่เกิดขึ้นอาจรุนแรงกว่าการรั่วไหลของข้อมูล เพราะจะทำลายความน่าเชื่อถือของทั้งระบบ ดังนั้น การรักษาความปลอดภัยของระบบ audit trail จึงต้องได้รับความสำคัญเทียบเท่ากับการรักษาความปลอดภัยของระบบหลัก

อ.บอม เคยเผชิญกับกรณีที่ระบบ audit log ถูกเข้าถึงโดยไม่ได้รับอนุญาตในโครงการหนึ่ง จนทำให้ข้อมูลการใช้งาน AI ถูกบิดเบือน และนำไปสู่การตัดสินใจผิดพลาดในระบบอัตโนมัติ ซึ่งเหตุการณ์นี้สอนให้เขารู้ว่า “การบันทึกทุกอย่าง” ไม่ได้หมายถึง “การเปิดเผยทุกอย่าง” ระบบ audit trail ต้องถูกควบคุมการเข้าถึงอย่างเข้มงวด

มาตรการป้องกันที่แนะนำมีดังนี้:

• การควบคุมสิทธิ์การเข้าถึง (RBAC): กำหนด role ให้เฉพาะทีมที่เกี่ยวข้องเท่านั้น เช่น ทีม security, compliance officer หรือ SRE ที่ต้องตรวจสอบ log ย้อนหลัง
• การเข้ารหัสข้อมูล (Encryption): ทั้งในระหว่างการส่ง (TLS) และเมื่อจัดเก็บ (at rest) โดยใช้ AWS KMS หรือตัวจัดการ key ภายในองค์กร
• การตรวจสอบการเข้าถึง (Access Logging): บันทึกทุกครั้งที่มีการเข้าถึง audit log ด้วยระบบแยกต่างหาก เพื่อป้องกันการทุจริตภายใน
• การสำรองข้อมูล (Backup): ตั้งค่า backup ทุกวัน และเก็บไว้ในภูมิภาคอื่น เพื่อป้องกันการสูญหายจาก disaster เช่น ภัยพิบัติธรรมชาติหรือการโจมตีแบบ ransomware

ข้อมูล audit trail ที่ถูกบันทึกอย่างครบถ้วน ไม่ควรถูกเก็บไว้เฉย ๆ แต่ต้องถูกนำมาวิเคราะห์เพื่อสร้างมูลค่าให้กับองค์กร ซึ่งอ.บอม เคยใช้ข้อมูล audit

trail ในการวิเคราะห์พฤติกรรมการใช้งาน AI ของลูกค้า จนสามารถปรับปรุงโมเดลให้ตอบสนองได้ดีขึ้น และลด latency ได้ถึง 40% ภายใน 3 เดือน

อีกแนวทางหนึ่งคือการใช้ระบบ Immutable Storage เช่น AWS S3 with Object Lock หรือ Append-Only Storage เพื่อป้องกันการลบหรือแก้ไขข้อมูลในอนาคต ซึ่งเหมาะกับข้อมูล audit trail ที่ต้องเก็บไว้เป็นเวลานาน

การวิเคราะห์และใช้งานข้อมูล Audit Trail เพื่อปรับปรุงระบบ

ข้อมูล audit trail ที่ถูกบันทึกอย่างครบถ้วน ไม่ควรถูกเก็บไว้เฉย ๆ แต่ต้องถูกนำมาวิเคราะห์เพื่อสร้างมูลค่าให้กับองค์กร ซึ่งอ.บอม เคยใช้ข้อมูล audit trail ในการวิเคราะห์พฤติกรรมการใช้งาน AI ของลูกค้า จนสามารถปรับปรุงโมเดลให้ตอบสนองได้ดีขึ้น และลด latency ได้ถึง 40% ภายใน 3 เดือน

การวิเคราะห์ข้อมูล audit trail สามารถแบ่งเป็น 3 ระดับหลัก:

การวิเคราะห์เชิงปฏิบัติ (Operational Analysis): เช่น ตรวจสอบว่าโมเดลใดถูกใช้บ่อยที่สุด ช่วงเวลาใดมี traffic สูงสุด หรือโมเดลใดมี latency สูงเกินกว่าที่กำหนด การวิเคราะห์เชิงความปลอดภัย (Security Analysis): เช่น ตรวจจับพฤติกรรมผิดปกติ เช่น การเรียกใช้โมเดลหลายพันครั้งใน 1 นาที หรือการส่ง input ที่มีลักษณะเป็น payload อันตราย การวิเคราะห์เชิงกลยุทธ์ (Strategic Analysis): เช่น วิเคราะห์ว่าลูกค้าใช้ฟีเจอร์ใดบ่อยที่สุด เพื่อวางแผนพัฒนาผลิตภัณฑ์ในอนาคต

เครื่องมือที่ใช้ในการวิเคราะห์ได้แก่ Prometheus, Grafana, ELK Stack, หรือแม้แต่ Python ร่วมกับ Pandas และ Matplotlib เพื่อสร้างรายงานอัตโนมัติ ซึ่งสามารถตั้งค่าให้ส่งรายงานรายสัปดาห์หรือรายเดือนไปยังผู้บริหารได้ทันที

การนำข้อมูล audit trail มาวิเคราะห์ยังช่วยให้สามารถทำ root cause analysis (RCA) ได้ทันทีเมื่อเกิดปัญหา เช่น หากโมเดลตอบสนองช้า หรือให้ผลลัพธ์ผิดพลาด สามารถย้อนกลับไปดูทุกขั้นตอนตั้งแต่การส่งคำขอ จนถึงการประมวลผล และพบจุดที่เกิดข้อผิดพลาดได้ทันที ซึ่งช่วยลดช่วงเวลาในการแก้ปัญหา (downtime) และเพิ่มความพึงพอใจของผู้ใช้งาน

อีกกรณีที่อ.บอม ใช้ audit trail คือการตรวจสอบการใช้งานฟีเจอร์ใหม่ที่เพิ่งเปิดตัว พบว่าผู้ใช้จำนวนมากไม่สามารถใช้งานได้เนื่องจาก input ที่ส่งมาไม่ตรงกับ specification ซึ่งทำให้ทีมพัฒนาสามารถปรับ documentation และเพิ่ม validation ทันที ช่วยลดอัตราการเกิด error ลงได้ถึง 60%

คำถามที่พบบ่อย

Q: ระบบ audit trail จำเป็นต้องบันทึกทุกการเรียกใช้งานหรือไม่?

A: จำเป็นอย่างยิ่งที่จะต้องบันทึกทุกการเรียกใช้งาน ไม่ว่าจะเป็นการทดสอบหรือการใช้งานจริง เพราะในยุค 2026 กฎหมายด้านข้อมูลและ AI ต้องการความโปร่งใสอย่างสูง การไม่บันทึกอาจถือเป็นการละเมิดข้อกำหนดของ PDPA หรือกฎหมาย AI ฉบับใหม่ได้ โดยเฉพาะหากเกิดเหตุการณ์ผิดพลาด เช่น โมเดลให้คำตอบที่ผิดพลาดหรือมีอคติ ระบบ audit trail จะเป็นหลักฐานสำคัญในการตรวจสอบว่าเกิดจากข้อผิดพลาดของโมเดล หรือการใช้งานที่ผิดปกติของผู้ใช้ ซึ่งช่วยให้ทีมสามารถระบุสาเหตุได้อย่างแม่นยำ และป้องกันไม่ให้เกิดซ้ำในอนาคต การบันทึกทุกครั้งยังช่วยให้สามารถทำ RCA ได้ทันทีเมื่อเกิดปัญหา ลด downtime และเพิ่มความน่าเชื่อถือของระบบในระยะยาว

Q: ข้อมูล audit trail ถูกเก็บไว้กี่วัน? ควรตั้งค่าอย่างไร?

A: ระยะเวลาการเก็บข้อมูลขึ้นอยู่กับนโยบายขององค์กรและข้อกำหนดทางกฎหมาย แต่ในสภาพแวดล้อม production แนะนำให้เก็บข้อมูลอย่างน้อย 90 วัน โดยสามารถตั้งค่าผ่าน `max_age: 30` ในไฟล์ configuration เพื่อให้ระบบ rotate log ทุก 30 วัน และเก็บ backup ไว้ใน S3 พร้อม lifecycle policy เพื่อเก็บข้อมูลในระยะยาว เช่น 1 ปี หรือ 3 ปี ขึ้นอยู่กับความต้องการทาง compliance หากองค์กรต้องการเก็บข้อมูลนานกว่านี้ ควรใช้ระบบ append-only storage หรือ Immutable S3 เพื่อป้องกันการลบหรือแก้ไขข้อมูลในอนาคต ซึ่งเหมาะกับข้อมูลที่ต้องใช้ในการสอบสวนหรือรายงานต่อหน่วยงานกำกับดูแล

Q: ระบบ audit trail มีผลต่อประสิทธิภาพของโมเดล AI หรือไม่?

A: หากตั้งค่าอย่างเหมาะสม ระบบ audit trail จะไม่มีผลต่อประสิทธิภาพของโมเดล AI อย่างมีนัยสำคัญ อย่างไรก็ตาม หากบันทึกข้อมูลทุกอย่างโดยไม่เลือก filter หรือไม่ใช้ asynchronous logging อาจส่งผลให้เกิด latency เพิ่มขึ้นได้ ดังนั้นควรใช้แนวทาง asynchronous processing โดยส่ง log ไปยัง queue หรือ service อื่นที่ไม่กระทบต่อ request-response cycle พร้อมตั้งค่า buffer และ batch processing เพื่อลดจำนวนการเขียนฐานข้อมูล ซึ่งจะช่วยให้ระบบยังคงทำงานได้อย่างรวดเร็วแม้ในช่วง traffic สูง และไม่กระทบต่อประสบการณ์ผู้ใช้งาน

Q: ใช้กับโมเดลที่ไม่ใช่ของ AWS ได้ไหม?

A: ระบบ audit trail นี้ออกแบบมาเพื่อติดตามการใช้งานโมเดลใน AWS Bedrock โดยเฉพาะ แต่โครงสร้างของระบบสามารถปรับใช้กับโมเดลจากผู้ให้บริการอื่นได้ หากมีการสร้าง middleware หรือ API gateway ที่สามารถดักจับ request และ response ได้ แล้วส่งไปยังระบบ audit trail ที่ตั้งไว้ ดังนั้น แม้จะไม่ใช่โมเดลของ AWS ก็สามารถบันทึกพฤติกรรมการใช้งานได้ แต่ต้องมีการพัฒนาเพิ่มเติมในด้าน integration และ validation ของ payload เพื่อให้ข้อมูลที่บันทึกมีความถูกต้องและครบถ้วน

แนะนำเพิ่มเติม

🎯 เปิดบัญชี XM Forex → สมัคร

📱 แอป iCafeFX → ดาวน์โหลด

📊 สัญญาณฟรี → รับสัญญาณ

📚 คู่มือเทรด → SiamCafeBook

🤝 สมัคร Partner XM → pipaffiliates.com/c?c=72816&l=th&p=6