Fine-Tuned SLM 기반 Multi-Task CVSS Metric 예측 모델에 관한 연구
A Study on Multi-Task CVSS Metric Prediction via Fine-Tuned SLM
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 보안 취약점 개요를 입력으로 CVSS v3.1 Base Metrics를 자동 예측하는 경량 언어모델 기반 방법을 제안한다. DistilBERT를 공통 인코더로 사용하고 각 항목별 분류 헤드를 병렬로연결한 Multi-Task 구조를 설계하여 NVD에서 수집한 약 22만 건의 데이터셋을 학습하였다. 실험결과 제안된 모델은 기존 단일 태스크 접근보다 효율성과 일관성이 향상되었으며 입력 토큰 길이가 성능에 중요한 영향을 미침을 확인하였다. 본 연구는 CVSS 지표 예측의 자동화 가능성을 입증하였으며 향후 비정형 데이터 활용과 설명 가능 인공지능 기법 접목을 통해 신뢰성을 강화할수 있을 것으로 기대된다.
Abstract
This study proposes a lightweight model for automatically predicting CVSS v3.1 Base Metrics from vulnerability descriptions. A multi-task architecture using DistilBERT as a shared encoder with parallel classification heads was trained on about 220,000 NVD records. Experiments showed improved efficiency and consistency over single-task approaches, with input token length identified as a key factor affecting performance. The results demonstrate the feasibility of automating CVSS metric prediction, and future work will extend to unstructured data and explainable AI to enhance reliability.