ПРІОРИТИЗАЦІЯ ВРАЗЛИВОСТЕЙ ЛАНЦЮГА ПОСТАЧАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ SBOM ТА МАШИННОГО НАВЧАННЯ

Автор(и)

  • Денис ШТОМА, студ Київський національний університет імені Тараса Шевченка, Київ, Україна Автор
  • Володимир ПЕТРІВСЬКИЙ, д-р філософії Київський національний університет імені Тараса Шевченка, Київ, Україна Автор

DOI:

https://doi.org/10.17721/AIT.2025.2.04

Ключові слова:

ланцюг постачання програмного забезпечення, SBOM, пріоритизація вразливостей, машинне навчання, DevSecOps, CVSS, EPSS.

Анотація

Вступ. Сучасні програмні системи дедалі більше залежать від open-source компонентів, які утворюють багаторівневі ланцюги залежностей. Регуляторний тиск (Executive Order 14028 у США, майбутній EU Cyber Resilience Act) змушує організації впроваджувати Software Bill of Materials (SBOM). Кількість нових вразливостей Common Vulnerabilities and Exposures (CVE) зростає швидше, ніж команди безпеки здатні їх опрацьовувати, а сортування за Common Vulnerability Scoring System (CVSS) не враховує реальної експлуатабельності. Log4Shell показав, наскільки критичною є швидка пріоритизація.

Методи. Запропоновано побудову SBOM у форматі CycloneDX для цільових застосунків із кореляцією компонентів з базою даних National Vulnerability Database (NVD) та каталогом Known Exploited Vulnerabilities (KEV) агентства Cybersecurity and Infrastructure Security Agency (CISA). Сформовано набір ознак на основі метрик CVSS, віку вразливості, наявності експлойтів та контексту SBOM. Для ранжування вразливостей за очікуваним зниженням ризику застосовано модель машинного навчання LambdaMART на основі LightGBM Ranker. Задачу формалізовано як оптимізаційну проблему з обмеженнями на бюджет патчингу.

Результати. Порівняння із базовими стратегіями сортування за CVSS, Exploit Prediction Scoring System (EPSS) та їх комбінаціями показало, що запропонований підхід машинного навчання при фіксованому бюджеті патчів охоплює більшу частку реально експлуатованих вразливостей. Модель демонструє підвищення метрики Normalized Discounted Cumulative Gain (NDCG@10) на 23% та збільшення частки покритих KEV-вразливостей у топ-10 на 31% порівняно з базовим підходом CVSS.

Висновки. Запропонований фреймворк дозволяє інтегрувати SBOM та оцінку експлуатабельності в процеси DevSecOps. Формалізація задачі як оптимізаційної та застосування моделі навчання ранжуванню забезпечує вимірний виграш у фокусуванні зусиль на найбільш критичних вразливостях.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

  • автор Денис ШТОМА, студ, афіліація Київський національний університет імені Тараса Шевченка, Київ, Україна

    ORCID ID: 0009-0009-8942-3088

  • автор Володимир ПЕТРІВСЬКИЙ, д-р філософії, афіліація Київський національний університет імені Тараса Шевченка, Київ, Україна

    ORCID ID: 0000-0001-9298-8244

Посилання

Burges, C. J. C. (2010). From RankNet to LambdaRank to LambdaMART: An overview (Technical Report MSR-TR-2010-82). Microsoft Research.

Cybersecurity and Infrastructure Security Agency. (n.d.). Known exploited vulnerabilities catalog. https://www.cisa.gov/known-exploited-vulnerabilities-catalog

Biden, J. R., Jr. (2021, May 17). Executive Order 14028 – Improving the nation’s cybersecurity. Federal Register, 86(93), 26633–26647. https://www.federalregister.gov/documents/2021/05/17/2021-10460/improving-the-nations-cybersecurity

Jacobs, J., Romanosky, S., Edwards, B., Roytman, M., & Adjerid, I. (2019). Exploit prediction scoring system (EPSS). arXiv. https://doi.org/10.48550/arXiv.1908.04856

Jacobs, J., Romanosky, S., Adjerid, I., & Baker, W. (2020). Improving vulnerability remediation through better exploit prediction. Journal of Cybersecurity, 6(1), tyaa015. https://doi.org/10.1093/cybsec/tyaa015

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In I. Guyon, U. von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in Neural Information Processing Systems (Vol. 30, pp. 3149–3157). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html

Ladisa, P., Plate, H., Martinez, M., & Barais, O. (2023). SoK: Taxonomy of attacks on open-source software supply chains. In Proceedings of the 2023 IEEE Symposium on Security and Privacy (SP) (pp. 1509–1526). IEEE. https://doi.org/10.1109/SP46215.2023.10179304

Le, T. H. M., Chen, H., & Babar, M. A. (2022). A survey on data-driven software vulnerability assessment and prioritization. ACM Computing Surveys, 55(5), Article 100, 1–39. https://doi.org/10.1145/3529757

O’Donoghue, E., Boles, B., Izurieta, C., & Reinhold, A. M. (2024). Impacts of software bill of materials (SBOM) generation on vulnerability detection. In Proceedings of the 2024 Workshop on Software Supply Chain Offensive Research and Ecosystem Defenses (SCORED ’24) (pp. 67–76). Association for Computing Machinery. https://doi.org/10.1145/3689944.3696164

O’Donoghue, E., Hastings, Y., Ortiz, E., & Manzi Muneza, A. R. (2025). Software bill of materials in software supply chain security: A systematic literature review. arXiv. https://doi.org/10.48550/arXiv.2506.03507

Stalnaker, T., Wintersgill, N., Chaparro, O., Di Penta, M., German, D. M., & Poshyvanyk, D. (2024). BOMs away! Inside the minds of stakeholders: A comprehensive study of bills of materials for software systems. In Proceedings of the IEEE/ACM 46th International Conference on Software Engineering (ICSE ’24) (pp. 517–529). Association for Computing Machinery. https://doi.org/10.1145/3597503.3623347

Synopsys. (2024). Open Source Security and Risk Analysis Report 2024. https://www.synopsys.com/software-integrity/resources/analyst-reports/open-source-security-risk-analysis.html

Williams, L., Benedetti, G., Hamer, S., Paramitha, R., Rahman, I., Tamanna, M., Tystahl, G., Zahan, N., Morrison, P., Acar, Y., Cukier, M., Kästner, C., Kapravelos, A., Wermke, D., & Enck, W. (2025). Research directions in software supply chain security. ACM Transactions on Software Engineering and Methodology, 34(5), Article 146, 1–38. https://doi.org/10.1145/3714464

Wirth, A. (2022). Log jam: Lesson learned from the Log4Shell vulnerability. Biomedical Instrumentation & Technology, 56(3), 72–76. https://doi.org/10.2345/0899-8205-56.3.72

Опубліковано

2026-05-06 – оновлено 2026-10-16

Версії

Номер

Розділ

Штучний та обчислювальний інтелект

Як цитувати

ПРІОРИТИЗАЦІЯ ВРАЗЛИВОСТЕЙ ЛАНЦЮГА ПОСТАЧАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ SBOM ТА МАШИННОГО НАВЧАННЯ. (2026). Сучасні інформаційні технології, 1(2(5). https://doi.org/10.17721/AIT.2025.2.04 (Original work published 2026)