SOPG: توليد كلمات المرور المرتبة القائم على البحث للشبكات العصبية ذاتية الانحدار

1. المقدمة

لا تزال كلمات المرور هي الطريقة السائدة لمصادقة المستخدمين نظرًا لبساطتها ومرونتها. وبالتالي، يُعد تخمين كلمات المرور مكونًا حاسمًا في أبحاث الأمن السيبراني، وهو ضروري لكل من اختبارات الأمن الهجومي (مثل اختبار الاختراق، واستعادة كلمة المرور) وتقييم قوة الدفاع. الطرق التقليدية، بدءًا من العد القائم على القواعد وصولاً إلى النماذج الإحصائية مثل سلاسل ماركوف وPCFG، لها قيود جوهرية في التنوع والكفاءة. ظهور التعلم العميق، وخاصة الشبكات العصبية ذاتية الانحدار مثل GPT، يقدم مسارًا واعدًا لتوليد تخمينات لكلمات المرور أكثر واقعية وفعالية. ومع ذلك، لا يزال هناك عنق زجاجة كبير: طريقة التوليد القياسية بأخذ العينات العشوائية تؤدي إلى مخرجات مكررة، والأهم من ذلك، تنتج كلمات المرور بترتيب غير أمثل، مما يعيق بشدة كفاءة الهجوم. تقدم هذه الورقة البحثية SOPG (توليد كلمات المرور المرتبة القائم على البحث)، وهي طريقة جديدة مصممة للتغلب على هذا العنق الزجاجة.

2. الخلفية والأعمال ذات الصلة

3. طريقة SOPG

4. التفاصيل التقنية والصياغة الرياضية

بالنسبة لنموذج ذاتي الانحدار، يتم تحليل احتمالية كلمة المرور $\mathbf{x} = (x_1, x_2, ..., x_T)$ على النحو التالي: $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_{

5. النتائج التجريبية والتحليل

6. إطار التحليل ومثال توضيحي

إطار عمل لتقييم نماذج تخمين كلمات المرور:

1. قوة النمذجة: هل يمكن للبنية أن تتعلم بدقة توزيعات كلمات المرور المعقدة؟ (مثل GPT مقابل GAN).
2. استراتيجية التوليد: كيف يتم أخذ عينات المرشحين من النموذج؟ (عشوائي مقابل مرتب/قائم على البحث).
3. مقاييس كفاءة الهجوم:
   • معدل التغطية: نسبة كلمات المرور التي تم كسرها ضمن N تخمين.
   • رقم التخمين: عدد التخمينات المطلوبة لكسر X% من كلمات المرور.
   • المعدل الفعال: نسبة التخمينات المُولدة التي تمثل كلمات مرور صالحة وفريدة.
   • تكلفة الحساب/الوقت: عدد عمليات الاستدلال أو الوقت لكل تخمين.

مثال توضيحي (غير برمجي): فكر في مهاجمين، أليس وبوب، يستخدمان نفس نموذج PassGPT المُدرب. تستخدم أليس أخذ العينات العشوائي القياسي. يستخدم بوب طريقة SOPG المدمجة مع PassGPT (مما يجعلها SOPGesGPT). لكسر 20% من قائمة كلمات المرور المستهدفة، قد تحتاج عينة أليس إلى توليد 5 ملايين تخمين، مع العديد من التكرارات، مما يستغرق 10 ساعات. بينما يولد نظام بوب القائم على SOPG كلمات المرور بترتيب احتمالي، ويكسر نفس الـ 20% باستخدام 500,000 تخمين فريد وعالي الاحتمال فقط، مكملًا المهمة في ساعة واحدة. هجوم بوب أكثر كفاءة بعشر مرات من حيث عدد التخمينات والوقت، وهي ميزة حاسمة.

7. آفاق التطبيق والاتجاهات المستقبلية

التطبيقات الفورية:

• اختبار قوة كلمة المرور الاستباقي: يمكن لفرق الأمن استخدام النماذج المعززة بـ SOPG لمراجعة سياسات كلمات المرور بكفاءة أكبر، وتحديد كلمات المرور الضعيفة قبل أن يفعل المهاجمون ذلك.
• الطب الشرعي الرقمي وإنفاذ القانون: تسريع استعادة كلمات المرور من الأجهزة المضبوطة في التحقيقات الجنائية.
• تعزيز القوائم السوداء لكلمات المرور: توليد قوائم أكثر شمولاً ومرتبة احتماليًا لكلمات المرور الضعيفة لرفضها من قبل النظام أثناء الإنشاء.

اتجاهات البحث المستقبلية:

• البحث الهجين والتكيفي: دمج SOPG مع استدلالات بحث أخرى أو جعلها تكيفية بناءً على خصائص الهدف (مثل الموقع، والبيانات الديموغرافية للمستخدم).
• الدفاع ضد التخمين المرتب: البحث في مخططات تجزئة كلمات مرور جديدة أو بروتوكولات مصادقة تكون مقاومة بشكل خاص لهجمات الاحتمال المرتبة، متجاوزةً دفاعات القياس العشوائي (الإنتروبيا).
• ما بعد كلمات المرور: تطبيق مبادئ التوليد المرتب على مجالات أمنية أخرى، مثل توليد مفاتيح التشفير المحتملة أو أنماط اختراق الشبكة لأغراض الاختبار.
• تحسين الكفاءة: تقليل عبء الذاكرة والحساب لخوارزمية البحث لجعلها قابلة للتطوير لنماذج ومجموعات أحرف أكبر.

8. المراجع

1. M. J. Weir et al., "Password Cracking Using Probabilistic Context-Free Grammars," in IEEE Symposium on Security and Privacy, 2009.
2. B. Hitaj et al., "PassGAN: A Deep Learning Approach for Password Guessing," in International Conference on Applied Cryptography and Network Security, 2019.
3. J. Goodfellow et al., "Generative Adversarial Nets," in Advances in Neural Information Processing Systems, 2014. (Foundational GAN paper)
4. A. Vaswani et al., "Attention Is All You Need," in Advances in Neural Information Processing Systems, 2017. (Foundational Transformer paper)
5. D. P. Kingma and M. Welling, "Auto-Encoding Variational Bayes," arXiv:1312.6114, 2013. (Foundational VAE paper)
6. M. Dell'Amico and P. Filippone, "Monte Carlo Strength Evaluation: Fast and Reliable Password Checking," in ACM Conference on Computer and Communications Security, 2015.
7. OpenAI, "GPT-4 Technical Report," 2023. (Illustrates the capabilities of large autoregressive models).

9. التحليل الأصلي والتعليقات الخبيرة