quandao92/stock-predict-conv1d-bilstm

시계열 생산재고 예측 용 시계열 모델 카드

모델 세부사항

모델 설명

이 모델은 시계열 데이터를 사용하여 제조 환경에서 재고 수준을 예측하기 위해 설계되었습니다. Conv1D 레이어를 사용하여 시계열 데이터에서 로컬 특징을 추출하고, BiLSTM 레이어를 사용하여 시간적 의존성을 캡처합니다. 이 모델은 역사적 재고 데이터를 기반으로 훈련되어 미래의 재고 수준을 예측합니다.

• Developed by: 다어반권 수석연구원
• Funded by: 4INLAB INC.
• Shared by: None
• Model type: Conv1D + BiLSTM, LSTM, GRU, Transformer 등 시계열 모델
• Language(s): Python
• License: Apache 2.0, MIT

기술적 제한사항

• 이 모델은 과거의 재고 패턴을 사용하여 미래의 재고 수준을 예측한다고 가정하지만, 역사적 트렌드에서 극단적인 편차가 발생할 경우 성능이 좋지 않을 수 있습니다.
• 모델이 적절히 튜닝되지 않으면 과적합이 발생할 수 있으며, 특히 작은 데이터셋에서 그 위험이 큽니다.

학습 세부사항

Hardware

• CPU: Intel Core i9-13900K (24 Cores, 32 Threads)
• RAM: 64GB DDR5
• GPU: NVIDIA RTX 4090Ti 24GB
• Storage: 1TB NVMe SSD + 2TB HDD
• Operating System: Windows 10/11

데이터셋 정보

이 모델은 시계열 재고 데이터를 사용하여 훈련됩니다. 이 데이터는 재고 수준, 날짜 및 기타 관련 특성에 대한 정보를 포함하고 있습니다. 데이터는 Conv1D와 BiLSTM 레이어에 적합하도록 MinMax 스케일링을 사용하여 전처리되고 정규화됩니다.

• Data sources: https://huggingface.co/datasets/quandao92/stock-prediction-training

• Training size:

  File	Number_of_Rows	Number_of_Columns	Missing_Values	Mean	Std	Min	Max	Column_Types
  37510-P0100_재고량.csv	1445	4	0	{'Input': 109.58546712802769, 'Output': 101.29411764705883, 'Stock': -2785.61937716263}	{'Input': 296.68724811803355, 'Output': 128.93657312491547, 'Stock': 3673.0239542642976}	{'Input': 0.0, 'Output': 0.0, 'Stock': -12332.0}	{'Input': 1729.0, 'Output': 895.0, 'Stock': 1415.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  37596-P4000_재고량.csv	1444	4	0	{'Input': 243.54570637119113, 'Output': 193.6045706371191, 'Stock': 65925.12603878116}	{'Input': 561.4023180438826, 'Output': 267.2823694340497, 'Stock': 23051.799134789908}	{'Input': 0.0, 'Output': 0.0, 'Stock': 822.0}	{'Input': 3144.0, 'Output': 1781.0, 'Stock': 84493.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  42778765_재고량.csv	774	4	0	{'Input': 157.62119576526158, 'Output': 134.12325678375972, 'Stock': 21012.84792653769}	{'Input': 309.7029075361264, 'Output': 205.82601027621517, 'Stock': 8195.925470131109}	{'Input': 0.0, 'Output': 0.0, 'Stock': 0.0}	{'Input': 1957.0, 'Output': 1111.0, 'Stock': 54371.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55421-AAAA0_재고량.csv	1200	4	0	{'Input': 125.32457616887791, 'Output': 97.88425219845885, 'Stock': 20212.689789475586}	{'Input': 256.1219037042129, 'Output': 183.9228577283981, 'Stock': 11837.50158296252}	{'Input': 0.0, 'Output': 0.0, 'Stock': 1350.0}	{'Input': 1804.0, 'Output': 1200.0, 'Stock': 29582.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55421-AABA0_재고량.csv	1250	4	0	{'Input': 98.34576759722834, 'Output': 70.54873633255685, 'Stock': 16385.024626397156}	{'Input': 213.2654482193094, 'Output': 142.22319426176325, 'Stock': 9579.189939026907}	{'Input': 0.0, 'Output': 0.0, 'Stock': 1125.0}	{'Input': 1740.0, 'Output': 1040.0, 'Stock': 27895.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55421-N9000_재고량.csv	1445	4	0	{'Input': 85.21289544065527, 'Output': 82.34580005067112, 'Stock': 9456.364574084605}	{'Input': 217.3122037461521, 'Output': 141.24411875413377, 'Stock': 5892.23272801921}	{'Input': 0.0, 'Output': 0.0, 'Stock': 300.0}	{'Input': 1204.0, 'Output': 876.0, 'Stock': 23148.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55421-N9050_재고량.csv	1210	4	0	{'Input': 312.7681487750148, 'Output': 279.5602341694698, 'Stock': 42335.17973164216}	{'Input': 423.5547606438498, 'Output': 217.1073984704094, 'Stock': 18953.32711711572}	{'Input': 0.0, 'Output': 0.0, 'Stock': 880.0}	{'Input': 3087.0, 'Output': 1605.0, 'Stock': 76533.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55422-AABA0_재고량.csv	1180	4	0	{'Input': 65.2345562187494, 'Output': 50.45123576220381, 'Stock': 9232.392694569597}	{'Input': 171.0524036426813, 'Output': 111.47922267422175, 'Stock': 4921.795351820058}	{'Input': 0.0, 'Output': 0.0, 'Stock': 560.0}	{'Input': 1253.0, 'Output': 675.0, 'Stock': 21143.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  55432-AR000_재고량.csv	1380	4	0	{'Input': 103.78255213511757, 'Output': 93.34193353827462, 'Stock': 5032.346523768436}	{'Input': 212.26512201649207, 'Output': 143.27490752827104, 'Stock': 7647.890356211703}	{'Input': 0.0, 'Output': 0.0, 'Stock': 850.0}	{'Input': 1572.0, 'Output': 860.0, 'Stock': 20115.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  60005413_재고량.csv	772	4	0	{'Input': 578.6904145077721, 'Output': 3.312176165803109, 'Stock': -155098.99222797927}	{'Input': 1310.3599375858219, 'Output': 36.298012893342275, 'Stock': 143702.6483818438}	{'Input': 0.0, 'Output': 0.0, 'Stock': -341943.0}	{'Input': 6019.0, 'Output': 764.0, 'Stock': 102122.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  62421-59000_재고량.csv	1594	4	0	{'Input': 8.989335006273526, 'Output': 8.554579673776663, 'Stock': 142.7904642409034}	{'Input': 69.94193995489978, 'Output': 57.03142684688043, 'Stock': 412.6341468153742}	{'Input': 0.0, 'Output': 0.0, 'Stock': -637.0}	{'Input': 888.0, 'Output': 600.0, 'Stock': 1277.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  62422-AR000_재고량.csv	743	4	0	{'Input': 216.86271870717274, 'Output': 218.25330750569382, 'Stock': 1828.890223547734}	{'Input': 660.9764647303546, 'Output': 171.5429683741239, 'Stock': 14663.755822690066}	{'Input': 0.0, 'Output': 0.0, 'Stock': -10588.0}	{'Input': 5389.0, 'Output': 2445.0, 'Stock': 48551.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  62431-59000_재고량.csv	1630	4	0	{'Input': 9.530674846625766, 'Output': 8.221472392638036, 'Stock': 1286.2036809815952}	{'Input': 70.29446075739038, 'Output': 61.33528025808465, 'Stock': 616.5563598411729}	{'Input': 0.0, 'Output': 0.0, 'Stock': 1.0}	{'Input': 743.0, 'Output': 740.0, 'Stock': 2824.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  62441-AR000_재고량.csv	1469	4	0	{'Input': 182.52212389380531, 'Output': 92.61538461538461, 'Stock': -67074.5901974132}	{'Input': 538.5965745495109, 'Output': 114.81806391548116, 'Stock': 41312.24229452366}	{'Input': 0.0, 'Output': 0.0, 'Stock': -130309.0}	{'Input': 3336.0, 'Output': 684.0, 'Stock': 2780.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  62456-AR000_재고량.csv	1468	4	0	{'Input': 186.05735554008376, 'Output': 112.28379613804371, 'Stock': 22810.539147026034}	{'Input': 608.1109490482561, 'Output': 150.0210573567845, 'Stock': 22782.16359247917}	{'Input': 0.0, 'Output': 0.0, 'Stock': -21432.0}	{'Input': 4209.0, 'Output': 946.0, 'Stock': 113546.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  B5110-CN000_재고량.csv	1733	4	0	{'Input': 92.54991344489325, 'Output': 20.79919215233699, 'Stock': -66490.28967109059}	{'Input': 309.9338591928675, 'Output': 61.683063312208745, 'Stock': 43044.891729171395}	{'Input': 0.0, 'Output': 0.0, 'Stock': -121809.0}	{'Input': 2826.0, 'Output': 650.0, 'Stock': 1967.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  BU110-GI900_재고량.csv	297	4	0	{'Input': 411.05387205387206, 'Output': 373.5656565656566, 'Stock': 4327.20202020202}	{'Input': 648.276402767596, 'Output': 516.147871154793, 'Stock': 2672.106758087619}	{'Input': 0.0, 'Output': 0.0, 'Stock': 560.0}	{'Input': 3846.0, 'Output': 1851.0, 'Stock': 12782.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}
  V_6000-5218_45_재고량.csv	627	4	0	{'Input': 42.39712918660287, 'Output': 1.0446570972886762, 'Stock': -2920.3317384370016}	{'Input': 94.78046025788936, 'Output': 8.666039405615116, 'Stock': 7392.24161303543}	{'Input': 0.0, 'Output': 0.0, 'Stock': -16030.0}	{'Input': 1114.0, 'Output': 135.0, 'Stock': 9820.0}	{'TransactionDate': dtype('O'), 'Input': dtype('float64'), 'Output': dtype('float64'), 'Stock': dtype('float64')}

• Features: Historical inventory data

  

• Time-step: 1 day

모델 아키텍처

• Input Layer: Conv1D layer with 128 filters and kernel size of 3.

• Hidden Layers:

  • Conv1D followed by MaxPooling1D.
  • Bidirectional LSTM layer with 128 units.
  • Dropout layers to prevent overfitting.
  • A second Bidirectional LSTM layer with 64 units.
  • A Dense layer for the final prediction.

• Optimizer: Adam optimizer.

• Loss Function: Mean Squared Error (MSE).

• Metrics: Mean Absolute Error (MAE), SMAPE.

학습 파리미

• Learning rate: 0.001
• Batch size: 64
• Epochs: 50
• Time step: 30
• Dropout: 0.1
• Early stopping: Enabled with a patience of 10 epochs

평가 지표

• Accuracy: Percentage of correct predictions.
• MAE (Mean Absolute Error): Measures the average magnitude of errors in the predictions.
• SMAPE (Symmetric Mean Absolute Percentage Error): Measures prediction accuracy in percentage.

학습 성능 및 테스트 결과 예시

• 학습 및 검증 손실 그래프:

  

• 학습 결과표:

• 테스트 결과 그래프:

  

모델 이력 관리

1차년도에 구축한 생산재고 예측 모델의 성능은 초기 가공이력 기반 단변량 예측 수준에 머물렀고, 실제 운영 적용 시 정확도 편차와 모델 선택 기준의 불명확성이 존재했습니다.
이에 따라 2차년도에는 다양한 딥러닝 알고리즘 실험(CNN-BLSTM, Bi-LSTM, LSTM, GRU, Transformer)을 통해 정확도 고도화, 모델 안정성 확보, 학습 이력 관리체계 구축을 목표로 고도화를 수행했습니다.

재학습 이력 및 성능 추이

동일한 전처리 규격(MinMaxScaler, window=30), 공통 러닝레이트(0.001), Optimizer=Adam 기준.
각 실험은 동일 Seed로 1회 측정(필요 시 3회 평균 권장).

재학습 일자	모델 번호	알고리즘	정확도(%)	Epoch 수	Learning Rate	Optimizer	특이사항
2025-09-07	3	Transformer	92.10	500	0.001	Adam	안정적 성능 유지
2025-08-28	2	Transformer	92.30	700	0.001	Adam	장기 안정화 구간
2025-08-15	1	Transformer	90.70	600	0.001	Adam	Tranformer 모델 변경
2025-07-23	9	CNN-BLSTM	91.50	600	0.001	Adam	유지성 검증 재학습
2025-07-03	8	CNN-BLSTM	90.70	600	0.001	Adam	LSTM 계열 비교 테스트
2025-06-17	7	CNN-BLSTM	91.10	600	0.001	Adam	예측 안정 유지
2025-05-25	6	CNN-BLSTM	91.90	700	0.001	Adam	최고 성능(상반기)
2025-05-03	2	GRU	91.30	500	0.001	Adam	단기 상승세
2025-04-25	17	Bi-LSTM	90.10	600	0.001	Adam	안정적 수렴
2025-04-08	16	Bi-LSTM	89.70	600	0.001	Adam	LSTM 대비 미세 향상
2025-03-17	6	LSTM	88.60	600	0.001	Adam	기본 LSTM 모델 테스트
2025-03-08	4	GRU	86.20	600	0.001	Adam	정확도 일시적 하락
2025-02-26	14	Bi-LSTM	88.50	600	0.001	Adam	일반 학습 단계
2025-02-15	12	Bi-LSTM	87.50	700	0.001	Adam	학습 안정화 중
2025-02-04	11	Bi-LSTM	87.20	600	0.001	Adam	전처리 파라미터 변경
2025-01-26	5	CNN-BLSTM	88.10	500	0.001	Adam	초기 테스트(baseline)

분석 요약

• 정확도 분포: 86.2% ~ 92.3% (표에 기재된 17회 기준) → 전반적으로 안정적
• Epoch 수와 정확도 간 직접 상관관계는 미약
• CNN-BLSTM/GRU가 단기 예측 정확도에서 우수 경향

학습 설정 요약 (공통 파라미터 기준)

• 데이터 전처리: MinMaxScaler(피처별), 결측치 0건 기준 / 시계열 윈도우 time_step=30
• 모델 구조: Conv1D → MaxPool1D → (Bi-LSTM or LSTM/GRU) × 1~2 → Dropout → Dense(Output)
• Optimizer: Adam (lr=0.001)
• Loss: MSE (회귀 기준)
• Metrics: MAE, sMAPE, (운영지표) Accuracy%
• 학습 스케줄: epochs=500~700, batch_size=64, EarlyStopping(patience=10)
• 검증 전략: Train/Val/Test = 70/15/15, 동일 Seed 고정, 동일 Split 재사용
• 재현성/아카이브:
  • artifacts/<algo>/<yyyymmdd_modelNo>/에 metrics.json, loss_curve.png, run_config.yaml, weights(sha256) 저장
  • README의 표는 metrics.json을 기준으로 주기적 업데이트

운영 반영 시, 가장 최신의 **안정판(CNN-BLSTM 계열)**을 기본 선택하되,
단기 급변 구간(프로모션/계절 전환)에는 GRU 보조 모델을 A/B 테스트 옵션으로 사용합니다.

설치 및 실행 가이라인

이 모델을 실행하려면 Python과 함께 다음 라이브러리가 필요합니다:

• pandas: 데이터 조작 및 분석.
• numpy: 수치 연산.
• matplotlib: 데이터 시각화 (예: 훈련 및 검증 손실 그래프).
• scikit-learn: 데이터 전처리 및 평가 지표.
• keras: 딥러닝 모델 (Conv1D + BiLSTM) 구축 및 훈련.
• tensorflow: Keras의 백엔드.
• gputil: GPU 상태 및 메모리 사용량 확인.
• psutil: 시스템 및 프로세스 유틸리티 (모니터링용 선택 사항).
• torchsummary: 모델 요약 출력 (선택 사항

모델 실행 단계:

1. 필요한 패키지 설치

pip을 통해 필요한 패키지를 설치할 수 있습니다:

pip install pandas numpy matplotlib scikit-learn keras tensorflow gputil psutil torchsummary

2. 데이터 로드

• pandas 또는 적절한 방법을 사용하여 데이터셋을 로드하세요.

3. 데이터 전처리

• MinMaxScaler를 사용하여 데이터를 스케일링하고 재고 값을 0과 1 사이로 정규화합니다.
• Conv1D-BiLSTM 모델에 사용할 시간 단계별 데이터셋을 만듭니다.

4. 스크립트 실행

• 데이터를 훈련 세트와 테스트 세트로 분할합니다.
• LSTM 모델에 맞게 입력 데이터를 변형합니다.
• 모델을 빌드하고 훈련시킵니다.
• 테스트 데이터에서 모델을 평가하고 성능을 시각화합니다.

오픈소스 라이브리 보안·라이선스 관리

개요

본 프로젝트는 Python 기반 딥러닝 프레임워크(TensorFlow, Keras, scikit-learn, NumPy, Pandas 등) 오픈소스를 활용하여 개발되었습니다.
내부망(On-premise) 환경에서도 오픈소스의 보안 취약점(CVE) 및 라이선스 의무 불이행은
법적 분쟁 및 서비스 중단으로 이어질 수 있으므로, 아래와 같은 관리체계를 적용합니다.

---

1. 위험 진술 (Risk Statement)

• 보안 위험: 외부 오픈소스 패키지에서 발견되는 취약점(CVE)에 의해
  악성 코드 실행, 데이터 유출, 모델 무결성 훼손 가능성이 존재함.
• 법적 위험: Apache 2.0, MIT 등 라이선스 고지를 누락하거나 GPL 계열 라이선스를 오용할 경우,
  소스 공개 요구·배포 제한·법적 분쟁 발생 위험.
• 운영 위험: SBOM(소프트웨어 구성 명세서) 미비, 버전 관리 부재로 인한
  재현 불가, 보안 감사 대응 실패, 공급망 위협(Supply Chain Attack) 가능성.

---

2. 적용 범위 (Scope)

구분	범위
코드	학습/추론 파이프라인, 데이터 처리 스크립트
모델	Conv1D + BiLSTM 학습 결과(가중치, 체크포인트, 모델 파일)
데이터	원천 재고 시계열 데이터 및 전처리 산출물
환경	내부망 서버(학습/추론), 플랫폼 UI 및 배치 서버
문서	모델 카드, 매뉴얼, 배포 기록, 라이선스 고지 파일

---

3. 거버넌스 정책 (Governance Policy)

• 라이선스 허용 기준

구분	라이선스	허용 여부	주요 의무
✅	MIT, BSD-2/3, Apache-2.0	허용	저작권/라이선스 고지, Apache-2.0은 NOTICE 포함
⚠️	MPL-2.0, EPL-2.0, LGPL	조건부 허용	수정 파일 공개 범위 검토
⛔	GPL-2.0/3.0, AGPL-3.0	금지	내부 서비스라도 공개 의무 가능
⚠️	CC-BY, CC-BY-SA	조건부	출처 표기, 동일조건배포(ShareAlike) 확인

• 반입 절차
  1. 패키지/데이터/모델 반입 전 → 내부 승인 요청
  2. SCA(Software Composition Analysis) 스캔 수행 (예: OSV-Scanner, Trivy)
  3. 결과 기록 및 “허용/조건부/거절” 결정
  4. 승인된 버전만 내부망 저장소(PyPI Mirror)에 등록

---

4. Library requirements.txt 버전 이력 관리

본 프로젝트는 의존성 재현성과 공급망 보안을 위해 requirements.in → requirements.txt(해시 포함) → SBOM 순으로 잠금(lock) + 이력(History) + 감사(Traceability) 를 관리합니다.

1) 디렉터리 구조

/configs/dependency/
├─ base/
│ ├─ requirements.in
│ └─ requirements.txt # 해시 포함 (pip-compile 생성)
├─ dev/
│ ├─ requirements-dev.in
│ └─ requirements-dev.txt
├─ constraints.txt # 팀 공통 제약(충돌 방지/상·하한)
└─ CHANGELOG_requirements.md # 의존성 변경 이력

2) 브랜치/태그 규칙

• 브랜치: dep/upgrade-YYYYMMDD (예: dep/upgrade-20251021)
• 태그: deps-vMAJOR.MINOR.PATCH (예: deps-v1.4.2)
• 커밋 메시지 규칙:
  • deps(lock): pin versions (TF 2.15.0, numpy 1.26.4) + hashes
  • deps(upgrade): pandas 2.2.1 → 2.2.2 (CVE-XXXX fix)
  • deps(revert): rollback to deps-v1.3.0 due to perf regression

3) 이력(CHANGELOG) 표기

/configs/dependency/CHANGELOG_requirements.md 에 기록:

날짜	태그	변경 유형	주요 변경	근거/링크	영향
2024-09-25	deps-v0.1.0	pin / initial lock	requirements.in → requirements.txt 생성 (--generate-hashes) tensorflow 2.8.0, numpy 1.22.4, pandas 1.4.2 등 기본 의존성 고정 및 해시 포함	내부 보안정책(초기 잠금)	의존성 재현성 확보, 빌드 안정화
2024-10-23	deps-v0.1.1	upgrade	pandas 1.4.2 → 1.4.4, urllib3 1.26.x 보안 패치 적용, scikit-learn 1.1.3 → 1.1.4 업데이트	SCA 리포트 2024-10	CVE 대응, 스모크 테스트 필요
2024-11-21	deps-v0.2.0	upgrade	tensorflow 2.8.0 → 2.9.1 (보안패치 포함), requests 2.28.1 → 2.31.0, joblib 1.2.0 → 1.3.0	OSV Scanner 결과 2024-11	보안취약점 해결, 호환성 검증 필요
2025-01-15	deps-v0.3.0	pin / constraints 추가	constraints.txt 도입 (protobuf <5, grpcio <2 제약) requirements-dev.txt 분리, dev용 패키지 정의	내부 의존성 충돌 분석	Dev/Staging 환경 일관성 확보
2025-02-12	deps-v0.4.0	upgrade	numpy 1.22.x → 1.23.5 업그레이드 scikit-learn 1.1.4 → 1.3.2, pandas 1.4.4 → 2.1.0	SCA 보고서 2025-02	CVE-2025-XXXX 대응, 성능 약간 향상
2025-03-18	deps-v1.0.0	upgrade (major)	tensorflow 2.10.0으로 메이저 업그레이드 pip-tools 7.x 적용, SBOM 생성 프로세스 추가	OSV/Trivy 2025-03 결과	보안·성능 동시 개선, 학습 환경 변경
2025-05-21	deps-v1.1.0	revert / stabilization	numpy 2.x → 1.26.4 회귀, tensorflow 2.10.0 유지 pandas 2.1.0 → 2.2.1 업데이트, 해시 재생성	성능 회귀 테스트 (훈련 속도 저하)	모델 학습 시간 단축, 안정화 완료
2025-07-23	deps-v1.2.0	pin / maintenance	tensorflow 2.10.0 유지, scikit-learn 1.5.1 확정, cyclonedx 3.x SBOM 갱신 deps 문서(SBOM, LICENSE NOTICE) 업데이트	내부 정기 점검 (2025-07)	보안·법적 감사 대응 준비 완료

원칙: 모든 변경은 왜 바꾸었는지(근거) 와 영향도 를 같이 남깁니다.

4) 승격(Dev→Staging→Prod) 워크플로

1. Dev 잠금: pip-compile --generate-hashes -o base/requirements.txt base/requirements.in
2. SCA 스캔: OSV-Scanner/Trivy로 CVE 확인 → 결과 첨부
3. Staging 검증: 재학습 스모크 테스트(샘플 데이터), pip check 무결성 확인
4. SBOM 생성: cyclonedx-py -o sbom_cyclonedx.json
5. Prod 승격: 태그(deps-vX.Y.Z) 달고 CHANGELOG 기록, 아티팩트 보관

5) 롤백 정책

• 문제가 발생하면 바로 이전 태그의 lockfile로 되돌립니다.
• 실행:

  git checkout tags/deps-v1.3.0 -- configs/dependency/base/requirements.txt
  pip install --require-hashes -r configs/dependency/base/requirements.txt
  

6) 생성/업그레이드 커맨드

# 도구 설치
  pip install pip-tools==7.4.1
  
  # (선택) 제약 파일 사용
  # constraints.txt 내 공통 제약 관리 (예: protobuf<5)
  
  # 1) 잠금파일 생성(해시 포함)
  pip-compile \
 --generate-hashes \
 --resolver=backtracking \
 --output-file configs/dependency/base/requirements.txt \
 configs/dependency/base/requirements.in
  
  # 2) 설치 시 해시 검증
  pip install --require-hashes -r configs/dependency/base/requirements.txt
  
  # 3) 의존성 충돌 검사
  pip check
  
  # 4) SBOM 생성 (감사/감리 대응)
  cyclonedx-py -o artifacts/sbom/sbom_cyclonedx_$(date +%F).json

5. SBOM 및 NOTICE

📘 SBOM 필드

항목	예시 값
Name	tensorflow
Version	2.15.0
License	Apache-2.0
Hash	sha256:d2b8f9f7a18fef2d7f6a08db5a7...
Supplier	Google LLC
Download URL	https://pypi.org/project/tensorflow/2.15.0/

📜 THIRD_PARTY_NOTICES.txt 예시

This product includes third-party software components:

• TensorFlow 2.15.0 — Apache-2.0
• Keras 2.15.0 — Apache-2.0
• NumPy 1.26.4 — BSD-3-Clause
• Pandas 2.2.2 — BSD-3-Clause
• scikit-learn 1.5.1 — BSD-3-Clause
• Matplotlib 3.8.x — PSF License All rights reserved by their respective owners.

6. 취약점 및 법적 리스크 대응 시나리오

시나리오	영향	대응 조치	증적
고위험 CVE 포함	보안 침해, 데이터 노출	버전 업/교체, 영향평가 보고서 작성	SCA 결과 및 패치 로그
GPL/AGPL 코드 혼입	소스 공개 요구, 서비스 중단	대체 라이브러리 교체, 법무 검토	라이선스 분석서
데이터 약관 위반	법적 분쟁, 배포 금지	사용 중단, 출처 명시, 대체 데이터 확보	약관 사본, 사용내역 로그
SBOM 미작성	감사·RCA 불가	SBOM 즉시 생성 및 관리 절차 강화	SBOM 파일, 승인 내역

---

7. 개발자 체크리스트 (Developer Checklist)

• [✓] requirements.txt 버전 및 해시 고정 완료
• [✓] SBOM 파일 생성 및 저장
• [✓] SCA/라이선스 스캔 통과 리포트 첨부
• [✓] LICENSE / NOTICE / THIRD_PARTY_NOTICES 포함
• [✓] 데이터·모델 출처 표기 및 권리 명시
• [✓] 운영 로그에 버전/해시 기록 완료

---

8. 책임 및 역할 (Roles & Responsibility)

역할	책임
개발팀	라이선스 준수, SCA 결과 관리, SBOM 생성
보안관리자	취약점 점검 및 패치 검토
법무팀	라이선스 해석, 분쟁 대응
운영팀	로그 관리, 배포 시점 검증