JP6883561B2 - 脆弱性推定装置及び脆弱性推定方法 - Google Patents

Description

本発明は、脆弱性情報における脆弱性の深刻度を推定する脆弱性推定装置及び脆弱性推定方法に関する。

従来、ネットワークを介して提供されるアプリケーション、及びネットワークに接続可能なコンピュータやスマートフォン等の通信機器の種類や数の増大により、アプリケーション及び通信機器等において見つかる脆弱性の数も増大している。そこで、脆弱性の深刻度を含む脆弱性情報が提供されている（例えば、非特許文献１参照）。
しかしながら、脆弱性分析は、「好ましくない現象がどのようにおこるのかを、机上及びコンピュータ上で調べ、それが成立する要因を分析する」作業である。これらの作業は難易度が高く、時間もかかるため、すぐに危機管理者やユーザが対応（セキュリティパッチの導入等）しなければならない脆弱性なのか否か早く知りたい場合等に不都合が生じている。
このため、過去の「脆弱性情報と影響の大きさ（深刻度）」をもとに、新たな脆弱性に関する影響の大きさを簡易的にかつ高い即応性を以って推定する手法が必要となる。

この点、一般的に、膨大な数の情報から所望の情報を検索する手法として、複数のキーワードを指定して、すべてのキーワードを含む情報を抽出（ＡＮＤ条件）や、いずれかのキーワードを含む情報を抽出（ＯＲ条件）する手法が用いられている。

共通脆弱性評価システム（ＣＶＳＳ：Ｃｏｍｍｏｎ Ｖｕｌｎｅｒａｂｉｌｉｔｙ Ｓｃｏｒｉｎｇ Ｓｙｓｔｅｍ）（ｈｔｔｐｓ：／／ｗｗｗ．ｉｐａ．ｇｏ．ｊｐ／ｓｅｃｕｒｉｔｙ／ｖｕｌｎ／ＣＶＳＳ．ｈｔｍｌ）

このようなキーワード検索を利用して、過去の例えば脆弱性情報に関するデータベースから類似の脆弱性情報を検索し、新たな脆弱性に関する影響の大きさを推定する方法が考えられる。この場合、類似のデータのキーワード検索では、例えば「製品Ａの機能Ｂに関する脆弱性Ｃ」があった場合には、Ａ、Ｂ、Ｃ等をキーワードにしてフィルタすることが考えられる。しかしながら、キーワード検索では、過去の「製品Ａの機能Ｂに関する脆弱性Ｃ」を見つけることは可能となるが、例えばＡに類似する製品Ａ´の、機能Ｂに類似の機能Ｂ´の、Ｃに類似する脆弱性Ｃ´を見つけることは困難である。さらに、Ａ ＯＲ Ｂ ＯＲ Ｃを仮に抽出した場合であっても、その中で類似する事例を自動判別することは困難である。
このため、過去の「脆弱性情報と影響の大きさ（深刻度）」をもとに、新たな脆弱性に関する影響の大きさを簡易的にかつ高い即応性を以って推定する手法が求められている。

本発明は、過去の脆弱性情報に基づいて、新たな脆弱性情報における脆弱性の深刻度を精度良く推定できる脆弱性推定装置及び脆弱性推定方法を提供することを目的とする。

（１）本発明に係る脆弱性推定装置は、予め収集されるセキュリティ情報や脆弱性情報に関連する文章群に含まれる単語に基づいて生成される単語ベクトル化モデルを用いて任意の脆弱性情報に係る文章に含まれるすべての単語をベクトル化して、前記文章に対応する単語ベクトル集合を生成し、前記単語ベクトル集合に基づいて前記脆弱性情報に対応する脆弱性情報ベクトルを作成するベクトル化部と、前記ベクトル化部により、予め脆弱性の深刻の度合いを示す深刻度が判定された複数の脆弱性情報からそれぞれ作成された脆弱性情報ベクトルと、前記ベクトル化部により、前記深刻度の推定対象の脆弱性情報から作成された脆弱性情報ベクトルと、を用いて、前記深刻度の推定対象の脆弱性情報の深刻度を推定する推定部と、を備える。

（２） （１）に記載の脆弱性推定装置において、予め脆弱性の深刻の度合いを示す深刻度が判定された脆弱性情報の深刻度を示すラベルと、前記脆弱性情報から前記ベクトル化部により作成された脆弱性情報ベクトルと、を教師データとして、機械学習することで、任意の脆弱性情報における脆弱性の深刻度を推定する深刻度推定モデルを生成する学習部をさらに備え、前記推定部は、前記学習部により生成された前記深刻度推定モデルを用いて、前記推定対象の脆弱性情報における脆弱性の深刻度を推定しても良い。

（３） （２）に記載の脆弱性推定装置において、前記ベクトル化部は、任意の脆弱性情報から生成される単語ベクトル集合に含まれるすべての単語ベクトルから、所定のベクトル長のベクトルを算出する関数を用いて、脆弱性情報ベクトルを作成しても良い。

（４） （３）に記載の脆弱性推定装置において、前記関数は、任意の脆弱性情報から生成される単語ベクトル集合に含まれるすべての単語ベクトルを足し合わせ又は平均して脆弱性情報ベクトルを算出する関数でも良い。

（５）本発明に係る脆弱性推定方法は、コンピュータにより実現される脆弱性推定方法であって、予め収集されるセキュリティ情報や脆弱性情報に関連する文章群に含まれる単語に基づいて生成される単語ベクトル化モデルを用いて任意の脆弱性情報に係る文章に含まれるすべての単語をベクトル化して、前記文章に対応する単語ベクトル集合を生成し、前記単語ベクトル集合に基づいて前記脆弱性情報に対応する脆弱性情報ベクトルを作成するベクトル化ステップと、前記ベクトル化ステップにおいて予め脆弱性の深刻の度合いを示す深刻度が判定された複数の脆弱性情報からそれぞれ作成された脆弱性情報ベクトルと、前記ベクトル化ステップにおいて前記深刻度の推定対象の脆弱性情報から作成された脆弱性情報ベクトルと、を用いて、前記深刻度の推定対象の脆弱性情報の深刻度を推定する推定ステップと、を備える。

本発明によれば、過去の脆弱性情報に基づいて、新たな脆弱性情報における脆弱性の深刻度を精度良く推定できる。

本発明の実施形態に係る脆弱性推定装置の一例を示す図である。 脆弱性情報の一例を示す図である。 実施形態に係る脆弱性推定装置における生成処理を例示する図である。 実施形態に係る脆弱性推定装置における脆弱性推定処理を例示する図である。

以下、本発明の実施形態について説明する。

図１は、本発明の実施形態に係る脆弱性推定装置の一例を示す図である。

本実施形態に係る脆弱性推定装置１００は、例えば、プロセッサ等の制御部１０と、ハードディスク装置やメモリ等の記憶部２０とを有するパーソナルコンピュータ又はサーバ等の情報処理装置（コンピュータ）である。また、脆弱性推定装置１００は、入出力デバイス及び通信インタフェース等の外部装置とのインタフェース機能を有する。これにより、脆弱性推定装置１００は、有線又は無線を介して、外部のＮ個の記憶装置２００（２００（１）−２００（Ｎ））に接続される。なお、脆弱性推定装置１００は、ネットワークを介して、記憶装置２００（１）−２００（Ｎ）に接続されても良い。

記憶装置２００は、ハードディスク装置等を含むデータサーバ等であり、例えば、脆弱性の深刻の度合いを示す深刻度が付与された脆弱性情報データ２１０を記憶する。各記憶装置２００に記憶される脆弱性情報データ２１０は、例えばＪＶＮ（登録商標）（Japan Vulnerability Notes）（ｈｔｔｐｓ：／／ｊｖｎ.ｊｐ／ｊｐ）の脆弱性情報を含んでも良い。
また、記憶装置２００は、後述する単語のベクトル化モデルを生成するために、予めセキュリティ情報や脆弱性情報等を有するセキュリティ情報関連データ２２０を記憶する。ここで、記憶装置２００に記憶されるセキュリティ情報関連データ２２０は、脆弱性情報データ２１０を含む。また、他のウェブサイト等の提供する脆弱性やセキュリティインシデント等の情報を含む。なお、セキュリティ情報関連データ２２０として、新たな情報処理関連の新製品（例えばスマートグラス等）に関する情報を含んでも良い。そうすることで、例えば新製品に脆弱性が発見された場合等においても、当該新製品に関連する単語をベクトル化することができる。
なお、記憶装置２００は、脆弱性情報データ２１０とセキュリティ情報関連データ２２０とを有したが、これに限定されない。記憶装置２００は、脆弱性情報データ２１０及びセキュリティ情報関連データ２２０のいずれか一方を有しても良い。また、脆弱性情報データ２１０をなくして、セキュリティ情報関連データ２２０に脆弱性情報データを包含させる等しても良い。

図２は、脆弱性情報の一例を示す図である。図２は、例えば、ＪＶＮにより提供される脆弱性情報ＺＪの概略を示す。脆弱性情報ＺＪは、矩形の破線で示したタイトルＴＡとともに、「概要」、「詳細情報」、「想定される影響」、「対策方法」、「ＪＰＣＥＲＴ／ＣＣによる脆弱性分析結果」等の項目を有する。
ここで、タイトルＴＡは、「製品Ａの機能Ｂに関する脆弱性Ｃ」という記載になっている。タイトルＴＡは、後述する脆弱性説明文として利用することができる。また、タイトルＴＡ、概要、詳細情報、想定される影響、対策方法等は、後述する脆弱性情報に関連する文章群として単語ベクトル化モデルの生成時に利用することができる。
また、「ＪＰＣＥＲＴ／ＣＣによる脆弱性分析結果」の項目における、ＣＶＳＳバージョン３における「基本値ＶＡ」を後述する脆弱性の深刻の度合いを示す深刻度として利用することができる。ここで、基本値ＶＡは、脆弱性の影響度を数値化する規格ＣＶＳＳに基づいて付与された数値であり、すべての脆弱性情報に共通の指針となる。なお、基本値ＶＡは、小数点を含む数字で示されているが、深刻度として利用する際には、例えば、「２」、「１」、「０」等の離散値に変換して適用しても良い。
なお、脆弱性情報としては、他のサイトにより提供される脆弱性情報を利用しても良いが、脆弱性の深刻の度合いを示す深刻度については、規格ＣＶＳＳに基づいて付与されているものに限定することが好ましい。

脆弱性推定装置１００は、制御部１０が記憶部２０に記憶された脆弱性推定処理のプログラムを実行することにより、モデル生成部３０と、ベクトル化部４０と、学習部５０と、推定部６０との機能を有する。

モデル生成部３０は、例えば、予め収集されたセキュリティ情報や脆弱性情報に関連する文章群に含まれる単語に基づいて単語のベクトル化モデルを生成する。
具体的には、モデル生成部３０は、前述したセキュリティ情報関連データ２２０として収集されたセキュリティ情報や脆弱性情報に関連する文章を取得して、当該文章を単語に分割する。例えば、ＪＶＮにより提供される脆弱性情報ＺＪの場合、「タイトルＴＡ」、「概要」、「詳細情報」、「想定される影響」、「対策方法」、「ＪＰＣＥＲＴ／ＣＣによる脆弱性分析結果」等に含まれる文章を単語に分割することができる。ここで、文章を単語に分割するツールとして、例えばＭｅＣａｂ（登録商標）（ｈｔｔｐ：／／ｔａｋｕ９１０.ｇｉｔｈｕｂ.ｉｏ／ｍｅｃａｂ／）を用いることができる。なお、文章を単語に分割するツールは、これに限られない。任意の分割するツールを適用しても良い。

次に、モデル生成部３０は、単語に分割されたセキュリティ情報や脆弱性情報に関連する文章を例えば当業者にとって公知のＷｏｒｄ２ｖｅｃ（Y. Goldberg, and O. Levy,“ word2vec Explained: Deriving Mikolov et al.’s Negative-Sampling Word-Embedding Method”, arXiv preprint arXiv:1402.3722, 2014）を用いて、各単語のベクトル化モデル（以下、「単語ベクトル化モデルＶＭ」という）を生成し、生成した単語ベクトル化モデルＶＭを記憶部２０に記憶する。

Ｗｏｒｄ２ｖｅｃは、ディープラーニング等の機械学習に基づいて単語ベクトル化モデルＶＭを生成する。Ｗｏｒｄ２ｖｅｃにより生成される単語ベクトル化モデルＶＭは、セキュリティ情報や脆弱性情報に関連する文章群に含まれる単語をベクトル化することができる。それにより、セキュリティ情報や脆弱性情報に関連する文章群に含まれる単語間の類似の度合いを計算でき、類似する単語の探索やグループ化ができる。
前述したように、セキュリティ情報関連データ２２０として、新たな情報処理関連の新製品（例えばスマートグラス等）に関する情報を含むことで、例えば新製品の脆弱性が発見された場合等においても、当該新製品に関連する単語をベクトル化することができるため、未知の脆弱性に対する拡張性を備えることができる。
なお、モデル生成部３０は、単語ベクトル化モデルＶＭを生成するに際してＷｏｒｄ２ｖｅｃを用いたが、これに限られない。モデル生成部３０は、Ｗｏｒｄ２ｖｅｃに限らず、単語ベクトル化モデルを生成することができる任意のソフトウェアを用いても良い。

ベクトル化部４０は、単語ベクトル化モデルを用いて任意の脆弱性情報に係る文章（脆弱性説明文）に含まれるすべての単語をベクトル化して、当該文章に対応する単語ベクトル集合を生成し、当該単語ベクトル集合に基づいて脆弱性情報に対応する脆弱性情報ベクトルを作成する。
より具体的には、ベクトル化部４０は、記憶部２０から単語ベクトル化モデルＶＭを読み込み、単語ベクトル化モデルＶＭを用いて、任意の脆弱性情報に係る文章（脆弱性説明文）を例えばＭｅＣａｂを用いて分割されたそれぞれの単語をベクトル化して、当該脆弱性説明文に対応する単語ベクトル集合を生成する。

次に、ベクトル化部４０は、脆弱性説明文に対応する単語ベクトル集合に基づいて当該脆弱性説明文に対応する脆弱性情報ベクトルを作成する。具体的には、ベクトル化部は、脆弱性説明文に対応する単語ベクトル集合に含まれるすべての単語ベクトルを足し合わせることにより脆弱性情報ベクトルを作成する。なお、脆弱性情報ベクトル作成は、単語ベクトルを足し合わせて作成することに限られない。例えば、単語ベクトルの平均を算出して得られる平均ベクトルを脆弱性情報ベクトルと定義しても良い。あるいは、単語ベクトルから所定のベクトル長のベクトルを算出する任意の関数を用いて、脆弱性情報ベクトルが定義されても良い。
このように、脆弱性情報の脆弱性説明文から生成される脆弱性情報ベクトルは、脆弱性説明文に含まれるすべての単語の単語ベクトルから作成されていることから、脆弱性情報の特徴を表すことができる。

また、ベクトル化部４０は、例えば、各記憶装置２００から抽出される、深刻度が付与された、例えばＪＶＮにより提供される脆弱性情報ＺＪの脆弱性説明文（「タイトルＴＡ」）に基づいて作成した脆弱性情報ベクトルを入力データとし、各脆弱性情報ＺＪの脆弱性の深刻の度合いを示す深刻度である基本値ＶＡをラベルとする教師データを生成し、生成した教師データを記憶部２０に記憶する。
また、ベクトル化部４０は、脆弱性の深刻の度合いを示す深刻度が未知の（推定対象の）脆弱性情報の脆弱性説明文に基づいて、推定対象の脆弱性情報ベクトルを作成する。

学習部５０は、記憶部２０に記憶された教師データを入力することで、例えば、教師あり機械学習を実行する。そうすることで、学習部５０は、脆弱性の深刻の度合いを示す深刻度が未知の（推定対象となる）脆弱性情報における脆弱性の深刻度を推定するための深刻度推定モデルＥＬを生成する。学習部５０は、生成した深刻度推定モデルＥＬを記憶部２０に記憶する。ここで、深刻度推定モデルＥＬは、当該脆弱性情報の深刻度を示すラベルの内容に応じて、推定対象の脆弱性情報における脆弱性の深刻度を小数点を含む数値で示す連続値モデル又は離散値で示す離散値モデルとしても良い。
なお、学習部５０は、例えば、ＪＶＮにより新たに脆弱性情報ＺＪが提供されるたびに、新たな脆弱性情報ＺＪにより再学習する。それにより、脆弱性推定装置１００は、脆弱性の深刻の度合いを示す深刻度が未知の（推定対象となる）脆弱性情報における脆弱性の深刻度の推定精度を向上させることができる。

推定部６０は、（脆弱性の深刻の度合いを示す深刻度が未知の）ある脆弱性が速報ベース（例えば、脆弱性説明文「製品ＸＸの機能ＹＹに関するＺＺの脆弱性」等）で報告された際、ベクトル化部４０により、推定対象の脆弱性情報の脆弱性説明文に基づいて、推定対象の脆弱性情報ベクトルを作成し、作成した脆弱性情報ベクトルを深刻度推定モデルＥＬに入力することで、推定対象の脆弱性情報における脆弱性の深刻度を推定する。
推定部６０は、例えば、脆弱性推定装置１００に含まれるＬＣＤ（Liquid Crystal Display）等のディスプレイに当該推定結果（推定対象の脆弱性情報における脆弱性の深刻度）を表示する。

すなわち、推定部６０は、機械学習により生成された深刻度推定モデルＥＬを用いることで、脆弱性情報を過去に有しない新規の製品であるスマートグラス等の脆弱性の速報データを推定対象の脆弱性情報として取得した場合でも、製品名や機能等を示す単語間のベクトルの類似の度合いに応じて、スマートグラスに類似した製品（例えば、スマートフォン等）の類似した機能の類似した脆弱性情報を抽出することができる。そして、推定部６０は、抽出した類似する脆弱性情報に基づいて、スマートグラスの脆弱性の速報データに対して、脆弱性の深刻の度合いを示す深刻度を推定することができる。

換言すれば、脆弱性推定装置１００は、単語間のベクトルの類似の度合いに応じて、過去の同一の脆弱性情報だけでなく、類似した製品の類似した機能の類似した脆弱性情報を抽出することで、推定対象の脆弱性情報の深刻度を簡易的に推定できる。これにより、脆弱性推定装置１００は、製品のユーザ等に対する対処の即応性の向上を図ることができる。

図３Ａは、実施形態に係る脆弱性推定装置１００における生成処理を例示する図である。図３Ａに示した処理は、例えば、脆弱性推定装置１００の管理者等が脆弱性推定装置１００に含まれるキーボードやマウス等の入力装置を操作することにより実行される。

ステップＳ１において、モデル生成部３０は、各記憶装置２００に記憶される予め収集されたセキュリティ情報や脆弱性情報に関連する文章を抽出し、それぞれの文章に含まれる単語に基づいて単語ベクトル化モデルＶＭを生成する。モデル生成部３０は、生成した単語ベクトル化モデルＶＭを記憶部２０に記憶する。

ステップＳ２において、ベクトル化部４０は、各記憶装置２００から抽出される、深刻度が付与された、例えばＪＶＮにより提供される脆弱性情報ＺＪの脆弱性説明文（「タイトルＴＡ」）に基づいて作成した脆弱性情報ベクトルを入力データとし、各脆弱性情報ＺＪの脆弱性の深刻の度合いを示す深刻度である基本値ＶＡをラベルとする教師データを生成し、生成した教師データを記憶部２０に記憶する。

ステップＳ３において、学習部５０は、記憶部２０に記憶した教師データを入力し、教師あり機械学習を実行する。そうすることで、学習部５０は、（脆弱性の深刻の度合いを示す深刻度が未知の）推定対象の脆弱性情報における脆弱性の深刻度を推定するための深刻度推定モデルＥＬを生成する。学習部５０は、生成した深刻度推定モデルＥＬを記憶部２０に記憶する。
なお、ステップＳ１の単語ベクトル化モデルＶＭの生成処理と、ステップＳ２の教師データ及びステップＳ３の深刻度推定モデルＥＬの生成処理とは、別々に実行されても良い。

図３Ｂは、実施形態に係る脆弱性推定装置１００における脆弱性推定処理を例示する図である。図３Ｂに示した処理は、例えば、脆弱性推定装置１００の管理者等が脆弱性推定装置１００の入力装置を操作することにより実行される。
ステップＳ４において、推定部６０は、いずれかの記憶装置２００から、（脆弱性の深刻の度合いを示す深刻度が未知の）推定対象の脆弱性情報を取得する。
ステップＳ５において、ベクトル化部４０は、記憶部２０から単語ベクトル化モデルＶＭを読み込み、単語ベクトル化モデルＶＭを用いて、ステップＳ４で取得した推定対象の脆弱性情報の脆弱性説明文に基づいて、推定対象の脆弱性情報ベクトルを作成する。

ステップＳ６において、推定部６０は、ベクトル化部４０により作成された脆弱性の深刻の度合いを示す深刻度が未知の（推定対象の）脆弱性情報の脆弱性説明文から作成される脆弱性情報ベクトルと、深刻度推定モデルＥＬとを用いて、推定対象の脆弱性情報における脆弱性の深刻度を推定する。推定部６０は、脆弱性推定装置１００のディスプレイに推定結果を表示する。

以上説明したように、本実施形態では、脆弱性推定装置１００は、例えばＪＶＮにより提供される脆弱性情報ＺＪの脆弱性説明文（「タイトルＴＡ」）に基づいて作成した脆弱性情報ベクトルを入力データとし、各脆弱性情報ＺＪの脆弱性の深刻の度合いを示す深刻度である基本値ＶＡをラベルとする教師データに基づいて機械学習を実行し、深刻度推定モデルＥＬを生成する。そして、脆弱性推定装置１００は、脆弱性の深刻の度合いを示す深刻度が未知の推定対象の脆弱性情報の脆弱性説明文から作成される脆弱性情報ベクトルと、深刻度推定モデルＥＬとを用い、推定対象の脆弱性情報における脆弱性の深刻度を推定する。

すなわち、脆弱性情報ベクトルは、脆弱性説明文に含まれるすべての単語の単語ベクトルの足し合わせ又は平均により作成されるため、脆弱性情報の特徴をより明確に表すことができる。これにより、脆弱性推定装置１００は、脆弱性の速報データ等の推定対象の脆弱性情報を取得した場合でも、製品名や機能等の単語間のベクトルの類似の度合いに応じて、過去の同一の脆弱性情報だけでなく、類似した製品の類似した機能の脆弱性情報を抽出できる。そして、脆弱性推定装置１００は、推定対象の脆弱性情報が新規の製品に関するものである場合でも、脆弱性の深刻度を簡易的に推定できる。また、脆弱性推定装置１００は、製品のユーザ等に対する対処の即応性の向上を図ることができる。

以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、前述した実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、実施形態に記載されたものに限定されるものではない。

［実施形態の変形例１］
本実施形態に係る脆弱性推定装置１００では、モデル生成部３０、ベクトル化部４０、学習部５０及び推定部６０は、脆弱性推定装置１００内に配置されたが、例えばクラウドを含む外部装置に分散して配置されても良い。
例えば、クラウド等の別のモデル生成装置に対して、脆弱性推定装置１００は、モデル生成装置にアクセスすることで、単語ベクトル化モデルＶＭを生成するようにしても良い。

［実施形態の変形例２］
本実施形態に係る脆弱性推定装置１００は、各記憶装置２００の脆弱性情報データ２１０及びセキュリティ情報関連データ２２０を用いて単語ベクトル化モデルＶＭを生成したが、例えば、単語ベクトル化モデルＶＭは、予め外部のコンピュータにより生成され、記憶装置２００等に記憶されても良い。この場合、脆弱性推定装置１００は、記憶装置２００から単語ベクトル化モデルＶＭを取得し、記憶部２０に記憶する。

１０ 制御部
２０ 記憶部
３０ モデル生成部
４０ ベクトル化部
５０ 学習部
６０ 推定部
１００ 脆弱性推定装置

Claims (5)

1. 予め収集されるセキュリティ情報や脆弱性情報に関連する文章群に含まれる単語に基づいて生成される単語ベクトル化モデルを用いて任意の脆弱性情報に係る文章に含まれるすべての単語をベクトル化して、前記文章に対応する単語ベクトル集合を生成し、前記単語ベクトル集合に基づいて前記脆弱性情報に対応する脆弱性情報ベクトルを作成するベクトル化部と、
   前記ベクトル化部により、予め脆弱性の深刻の度合いを示す深刻度が判定された複数の脆弱性情報からそれぞれ作成された脆弱性情報ベクトルと、前記ベクトル化部により、前記深刻度の推定対象の脆弱性情報から作成された脆弱性情報ベクトルと、を用いて、前記深刻度の推定対象の脆弱性情報の深刻度を推定する推定部と、
   を備える脆弱性推定装置。
2. 予め脆弱性の深刻の度合いを示す深刻度が判定された脆弱性情報の深刻度を示すラベルと、前記脆弱性情報から前記ベクトル化部により作成された脆弱性情報ベクトルと、を教師データとして、機械学習することで、任意の脆弱性情報における脆弱性の深刻度を推定する深刻度推定モデルを生成する学習部をさらに備え、
   前記推定部は、前記学習部により生成された前記深刻度推定モデルを用いて、前記推定対象の脆弱性情報における脆弱性の深刻度を推定する請求項１に記載の脆弱性推定装置。
3. 前記ベクトル化部は、任意の脆弱性情報から生成される単語ベクトル集合に含まれるすべての単語ベクトルから、所定のベクトル長のベクトルを算出する関数を用いて、脆弱性情報ベクトルを作成する請求項２に記載の脆弱性推定装置。
4. 前記関数は、任意の脆弱性情報から生成される単語ベクトル集合に含まれるすべての単語ベクトルを足し合わせ又は平均する請求項３に記載の脆弱性推定装置。
5. コンピュータにより実現される脆弱性推定方法であって、
   予め収集されるセキュリティ情報や脆弱性情報に関連する文章群に含まれる単語に基づいて生成される単語ベクトル化モデルを用いて任意の脆弱性情報に係る文章に含まれるすべての単語をベクトル化して、前記文章に対応する単語ベクトル集合を生成し、前記単語ベクトル集合に基づいて前記脆弱性情報に対応する脆弱性情報ベクトルを作成するベクトル化ステップと、
   前記ベクトル化ステップにおいて予め脆弱性の深刻の度合いを示す深刻度が判定された複数の脆弱性情報からそれぞれ作成された脆弱性情報ベクトルと、前記ベクトル化ステップにおいて前記深刻度の推定対象の脆弱性情報から作成された脆弱性情報ベクトルと、を用いて、前記深刻度の推定対象の脆弱性情報の深刻度を推定する推定ステップと、
   を備える脆弱性推定方法。

Images