論文要約：ソフトウェアサプライチェーンにおけるマルチ脆弱性攻撃チェーンの予測に向けた研究

タイトル: Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
著者: Laura Baird, Armin Moin (University of Colorado Colorado Springs)
会議: FSE Companion '26 (2026 年)

1. 背景と課題 (Problem)

ソフトウェアサプライチェーンのセキュリティ侵害は、単一の脆弱性ではなく、複数の脆弱性コンポーネント間の連鎖的な相互作用（カスケード）によって引き起こされることが多い。しかし、現状のセキュリティ分析パイプライン（SBOM ベース）には以下の課題がある。

• 孤立した分析: 既存のツール（Snyk, Trivy など）やスコアリング手法（CVSS, EPSS）は、個々の CVE（Common Vulnerabilities and Exposures）レコードを独立して扱う傾向が強い。
• コンテキストの欠如: 依存関係グラフの構造や、異なるコンポーネント間での脆弱性の組み合わせによる攻撃経路（攻撃チェーン）を特定できない。
• 現実との乖離: 2021 年の ProxyLogon 攻撃のように、複数の脆弱性が連鎖して重大な侵害を引き起こすケースがあるが、現在のスキャナはコンポーネント横断的なチェーンを浮き彫りにできない。

このため、個々の CVE のスコアを評価するだけでなく、依存関係制約に縛られた相互作用パターンを学習する新しいアプローチが必要である。

2. 提案手法 (Methodology)

著者らは、SBOM（Software Bill of Materials）の構造とスキャナ出力を「依存関係制約付き証拠グラフ」として捉え、機械学習を用いて攻撃チェーンを予測するパイプラインを提案している。

2.1 全体アーキテクチャ

提案されたパイプラインは以下の 4 つのステップで構成される（図 1 参照）：

1. 証拠グラフの構築: CycloneDX 形式の SBOM を、コンポーネント、CVE、CWE をノードとし、依存関係や脆弱性リンクをエッジとする異種グラフ（Heterogeneous Graph）に変換する。
2. コンポーネントの脆弱性分類: 異種グラフ構造からコンポーネントの脆弱性状態を学習する。
3. チェーン予測: 文書化された攻撃チェーンから CVE ペア間の共利用（co-exploitation）確率を予測し、候補チェーンをランク付けする。
4. 可視化と検証: 予測されたリンクを SBOM 依存関係サブグラフに投影し、分析者が検査できるようにする。

2.2 具体的なモデルと技術

• **異種グラフ注意ネットワーク **(HGAT)
  • 目的: SBOM グラフ上でコンポーネントが「少なくとも 1 つの CVE を持つ」かどうかを分類する（可行性チェックおよびアブレーション研究用）。
  • 構造: ノードタイプは「コンポーネント」「CVE」「CWE」。エッジタイプは「DEPENDS_ON（コンポーネント間）」「HAS_VULNERABILITY（コンポーネント→CVE）」「HAS_CWE（CVE→CWE）」。
  • 特徴: 注意機構（Attention Mechanism）により、依存関係エッジと脆弱性リンクエッジを重み付けして統合的に学習する。
• **マルチレイヤーパーセプトロン **(MLP)
  • 目的: 限られた文書化データから、2 つの CVE が攻撃チェーン内で共利用される可能性を予測する（リンク予測問題）。
  • 入力: 1 対の CVE に対して 22 次元の特徴ベクトル（NVD メタデータから抽出した CVSS スコア、severity、年、CWE 数など、およびペア間の相互作用特徴）。
  • データ: 35 の文書化された攻撃チェーン（27 の脆弱性開示、8 のインシデント報告）から抽出した CVE ペアを正例とし、負例を 2:1 の比率でサンプリング。

3. 主要な貢献 (Key Contributions)

1. SBOM から異種グラフへの変換パイプラインの提案:
   CycloneDX 形式の SBOM を、型付きノードとエッジを持つ異種グラフに変換する手法を提案し、この分野の研究基盤として再利用可能にした。
2. 依存関係構造の有用性の実証:
   実世界の SBOM 200 件を用いた可行性研究において、依存関係エッジを除去した場合（アブレーション）にモデル性能が劇的に低下することを示し、依存関係構造が単なるメタデータ以上のシグナルを持つことを実証した。
3. 少データでの連鎖予測アプローチ:
   限られた文書化データ（35 チェーン）を用いて、MLP による CVE ペア予測モデルを構築し、ランク付けされた攻撃チェーン候補を生成する手法を示した。
4. 分析者向けワークフローの提案:
   文書化された攻撃チェーンの証拠を SBOM サブグラフにマッピングし、軽量なラベリングやエラー分析、Top-k 評価を支援する検査ワークフローを提案した。

4. 実験結果 (Results)

評価は、公開データセット「Wild SBOMs」から抽出した 200 件の Python プロジェクト用 CycloneDX SBOM と、35 の文書化された攻撃チェーンセットを用いて行われた。

• HGAT モデル（コンポーネント分類）
  • **精度 **(Accuracy) 91.03%
  • F1 スコア: 74.02%
  • アブレーション結果: 依存関係エッジ（DEPENDS_ON）を無効化すると、再現率（Recall）が 0.0000 に崩壊し、精度も 81.28% に低下した。これは、モデルがノードの局所情報だけでなく、依存関係構造に依存して学習していることを示している。
• MLP モデル（CVE ペア予測）
  • ROC-AUC: 0.93
  • 文書化されたチェーン内の CVE ペアと、ランダムにサンプリングされた非チェーンペアを明確に区別できることを示した。

5. 意義と将来展望 (Significance & Future Work)

• 意義:
  従来の「CVE ごとにスコアをつける」というパラダイムから、「依存グラフ制約下での相互作用パターンを学習する」というパラダイムへの転換を提案した点に大きな意義がある。これは、単一の脆弱性では検出できない、複雑なサプライチェーン攻撃の早期発見に寄与する。
• 現状の限界と将来の課題:
  • 現在のプロトタイプでは、HGAT と MLP は独立して動作しており、エンドツーエンドの連携（HGAT の埋め込みを MLP に直接入力するなど）は未完成。
  • 将来の課題として、より大規模なチェーンコーパスの構築、チェーンレベルおよび時間的な分割による一般化性能の評価、SPDX 形式や Python 以外のエコシステムへの対応、CWE 抽出の強化、LLM ベースの基線モデルとの比較などが挙げられている。

この研究は、ソフトウェアサプライチェーンのセキュリティを、静的な脆弱性リストの管理から、動的な依存関係に基づく攻撃シナリオの予測へと進化させるための重要な第一歩を示している。