A Machine Learning-Based Vulnerability Prediction System Using SBOM Metadata for Software Supply Chain Security

소프트웨어 공급망의 복잡성이 증가함에 따라 SBOM(Software Bill of Materials)의 중요성이 커지고 있다. 그러나 외부 취약점 데이터베이스(VDB)를 전수 조회하는 기존 방식은 대규모 컴포넌트 환경에서 확장성 한계가 있다. 본 연구는 SBOM 메타데이터를 활용한 Machine Learning(ML) 기반 확률적 취약점 예측 시스템을 제안한다. 제안 시스템은 SBOM에서 텍스트 및 범주형 특징을 추출 및 정규화하고, 특징 해싱과 차원 축소를 거쳐 수치 벡터로 변환하는 머신러닝 접근법을 적용하였다. ‘Wild SBOMs’ 데이터세트로 모델을 학습하고 교차검증으로 성능을 검증했으며, ‘Evaluating SBOM’ 데이터세트로 일반화 성능을 평가하였다. Precision과 F1-Score를 중시하는 환경에서는 XGBoost가, Recall과 AUC를 중시하는 환경에서는 LightGBM이 우수했다. 제안 접근법은 OSV(Open Source Vulnerabilities) 조회 대비 약 520배 이상 빠른 속도를 제공하여 대규모 SBOM 분석의 병목을 완화하고 실시간 대응 가능성을 높였다.