基于神经网络的定向口令猜测研究

文本口令是现如今最主要的身份认证方式之一,很多用户为了方便记忆在构造口令时使用个人信息。然而,目前利用用户个人信息进行定向口令猜测,进而评估口令安全的工作相对欠缺。同时,神经网络在文本序列处理问题上的成功应用,使得利用神经网络进行口令安全问题研究成为一种新的研究思路。本文基于大规模口令集合,对用户口令构造行为进行分析的基础上,研究用户个人信息在口令构造中的作用,进而提出一种结合神经网络和用户个人信息的定向口令猜测模型TPGXNN(Targeted Password Guessing using X Neural Networks),并在8组共计7000万条口令数据上进行定向口令猜测实验。实验结果显示,在各组定向口令猜测实验中,TPGXNN模型的猜测成功率均比概率上下文无关文法、马尔科夫模型等传统模型更高,表明了TPGXNN模型的有效性。

一种结构划分结合LSTM的定向口令猜测方法

口令认证是目前最常用的身份认证方式之一,研究口令猜测技术对于口令安全具有重要意义。相比于漫步猜测,定向猜测针对特定用户利用个人信息生成猜测口令,破解效率更高。本文基于网上公开口令进行研究,对口令构造中个人信息利用进行分析,在现有的定向猜测模型基础上,首次提出了基于上下文无关文法并结合长短时记忆网络的定向口令猜测算法PersonalPL。该方法对口令结构划分,匹配个人信息,标注不同字符组合的流行口令,并分别标注字母、数字、特殊字符结构,通过上下文无关算法统计口令结构;通过长短时记忆网络训练并生成填充片段,生成目标用户的猜测集,在12306网站、CSDN及Fling数据集上测试了同站与跨站场景攻击效果,中文网站中破解结果相比于同类定向猜测算法Personal-PCFG成功率提升约8%,相比于其他组合算法破解成功率提高约1%以上。