1. ভূমিকা ও সংক্ষিপ্ত বিবরণ
এই গবেষণা আধুনিক সাইবার নিরাপত্তার একটি গুরুত্বপূর্ণ দুর্বলতা সমাধান করে: প্রতিদ্বন্দ্বী আক্রমণের প্রতি পাসওয়ার্ড শক্তি অনুমানকারীদের সংবেদনশীলতা। ঐতিহ্যগত পাসওয়ার্ড চেকারগুলি স্থির, নিয়ম-ভিত্তিক হিউরিস্টিক্সের (যেমন দৈর্ঘ্য, অক্ষরের বৈচিত্র্য) উপর নির্ভর করে এবং সহজ অক্ষর প্রতিস্থাপন দ্বারা (যেমন 'password' বনাম 'p@ssword') সহজেই প্রতারিত হয়। গবেষণাপত্রটি আরও শক্তিশালী শ্রেণীবিভাজক প্রশিক্ষণের জন্য প্রতিদ্বন্দ্বী মেশিন লার্নিং (এএমএল) ব্যবহারের প্রস্তাব করে। ৬৭০,০০০-এরও বেশি প্রতিদ্বন্দ্বীভাবে তৈরি পাসওয়ার্ডের ডেটাসেটে ইচ্ছাকৃতভাবে মডেলগুলিকে প্রশিক্ষণ দিয়ে, লেখকরা এমন প্রতারণামূলক ইনপুটগুলির বিরুদ্ধে মডেলগুলিকে প্রকাশ করতে এবং শক্তিশালী করতে চান, যা পাসওয়ার্ড শক্তির অন্তর্নিহিত শব্দার্থবিজ্ঞান বোঝার জন্য সরল প্যাটার্ন ম্যাচিংয়ের বাইরে চলে যায়।
মূল সমস্যা
স্থির পাসওয়ার্ড শক্তি মিটারগুলি অভিযোজিত, শব্দার্থগতভাবে প্রতারণামূলক আক্রমণের বিরুদ্ধে ব্যর্থ হয়, যা নিরাপত্তার একটি মিথ্যা অনুভূতি তৈরি করে।
প্রস্তাবিত সমাধান
প্রতিদ্বন্দ্বী প্রশিক্ষণকে কাজে লাগানো—কম্পিউটার ভিশনে শক্তিশালীত্ব গবেষণা দ্বারা অনুপ্রাণিত একটি কৌশল (যেমন, গুডফেলো ও সহকর্মীদের দ্বারা আলোচিত নিউরাল নেটওয়ার্কের জন্য প্রতিদ্বন্দ্বী উদাহরণ)—টেক্সচুয়াল পাসওয়ার্ড নিরাপত্তার ক্ষেত্রে প্রয়োগ করা।
2. পদ্ধতি ও প্রযুক্তিগত পন্থা
মূল পদ্ধতিতে একটি দ্বি-পর্যায়ের প্রক্রিয়া জড়িত: একটি ব্যাপক প্রতিদ্বন্দ্বী পাসওয়ার্ড ডেটাসেট তৈরি করা এবং একাধিক মেশিন লার্নিং শ্রেণীবিভাজক প্রশিক্ষণ ও মূল্যায়নের জন্য এটি ব্যবহার করা।
2.1. প্রতিদ্বন্দ্বী পাসওয়ার্ড তৈরিকরণ
দুর্বল ভিত্তি পাসওয়ার্ডগুলিতে পদ্ধতিগত রূপান্তর প্রয়োগ করে প্রতিদ্বন্দ্বী ডেটাসেট তৈরি করা হয়েছিল। এই রূপান্তরগুলি সাধারণ ব্যবহারকারীর আচরণ এবং আক্রমণকারীর কৌশলগুলির অনুকরণ করে:
- অক্ষর প্রতিস্থাপন: অক্ষরগুলিকে দৃষ্টিগতভাবে অনুরূপ সংখ্যা বা চিহ্ন দিয়ে প্রতিস্থাপন করা (a->@, s->$, e->3)।
- সংযুক্তি/পূর্বসংযুক্তি প্যাটার্ন: সংক্ষিপ্ত পাসওয়ার্ডে পূর্বাভাসযোগ্য সংখ্যা ("123") বা চিহ্ন ("!") যোগ করা।
- লিট স্পিক বৈচিত্র: 'লিট' ভাষা রূপান্তরের পদ্ধতিগত ব্যবহার।
- সাধারণ সংযোজন: সরল শব্দ বা নাম তারিখের সাথে যুক্ত করা।
এই প্রক্রিয়ার ফলে একটি ডেটাসেট তৈরি হয় যেখানে প্রতিটি নমুনা এমন একটি পাসওয়ার্ড যা ইচ্ছাকৃতভাবে নিয়ম-ভিত্তিক চেকারগুলিকে এড়ানোর জন্য ডিজাইন করা হয়েছে, অন্যদিকে অভিধান বা হাইব্রিড আক্রমণের মতো ক্র্যাকিং কৌশলগুলির জন্য মৌলিকভাবে দুর্বল থেকে যায়।
2.2. মেশিন লার্নিং মডেলসমূহ
বিভিন্ন মডেল আর্কিটেকচারে শক্তিশালীত্ব নিশ্চিত করতে পাঁচটি স্বতন্ত্র শ্রেণীবিভাজন অ্যালগরিদম ব্যবহার করা হয়েছিল:
- লজিস্টিক রিগ্রেশন: একটি রৈখিক বেসলাইন মডেল।
- সাপোর্ট ভেক্টর মেশিন (এসভিএম): উচ্চ-মাত্রিক স্থানের জন্য কার্যকর।
- র্যান্ডম ফরেস্ট: অ-রৈখিক সম্পর্ক ধারণ করার জন্য একটি এনসেম্বল পদ্ধতি।
- গ্রেডিয়েন্ট বুস্টিং (এক্সজিবুস্ট): জটিল প্যাটার্নের জন্য একটি শক্তিশালী এনসেম্বল কৌশল।
- নিউরাল নেটওয়ার্ক (মাল্টিলেয়ার পারসেপট্রন): গভীর, শ্রেণিবদ্ধ বৈশিষ্ট্য মিথস্ক্রিয়া মডেল করার জন্য।
মডেলগুলিকে একটি আদর্শ পাসওয়ার্ড ডেটাসেট এবং প্রতিদ্বন্দ্বী ডেটাসেট উভয়ের উপর প্রশিক্ষণ দেওয়া হয়েছিল। বৈশিষ্ট্য প্রকৌশলে সম্ভবত এন-গ্রাম পরিসংখ্যান, অক্ষর প্রকার বন্টন, এনট্রপি পরিমাপ এবং পরিচিত পাসওয়ার্ড ব্ল্যাকলিস্ট চেক অন্তর্ভুক্ত ছিল।
3. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ
মূল্যায়নের প্রাথমিক মেট্রিক ছিল শ্রেণীবিভাজন নির্ভুলতা—একটি পাসওয়ার্ডকে সঠিকভাবে 'দুর্বল' বা 'শক্তিশালী' হিসাবে লেবেল করার মডেলের ক্ষমতা।
3.1. কার্যকারিতার মেট্রিক্স
মূল ফলাফল হল যে প্রতিদ্বন্দ্বী উদাহরণ সহ প্রশিক্ষিত মডেলগুলি প্রতিদ্বন্দ্বী পাসওয়ার্ড সম্বলিত একটি পরীক্ষা সেটে মূল্যায়ন করার সময় নির্ভুলতায় উল্লেখযোগ্য উন্নতি দেখিয়েছে—২০% পর্যন্ত, শুধুমাত্র প্রচলিত ডেটাতে প্রশিক্ষিত মডেলগুলির তুলনায়। এটি প্রতিদ্বন্দ্বী প্যাটার্নগুলির সফল জ্ঞান স্থানান্তর নির্দেশ করে।
ফলাফলের সারসংক্ষেপ
কার্যকারিতা বৃদ্ধি: +২০% নির্ভুলতা
ডেটাসেটের আকার: >৬৭০,০০০ প্রতিদ্বন্দ্বী নমুনা
শীর্ষ কার্যকারিতার মডেল: গ্রেডিয়েন্ট বুস্টিং / নিউরাল নেটওয়ার্ক (প্রসঙ্গ-নির্ভর)
3.2. তুলনামূলক বিশ্লেষণ
গবেষণাপত্রটি মডেলগুলির মধ্যে একটি কার্যকারিতা শ্রেণিবিন্যাসের ইঙ্গিত দেয়। যদিও সবাই প্রতিদ্বন্দ্বী প্রশিক্ষণ থেকে উপকৃত হয়েছে, এনসেম্বল পদ্ধতি (র্যান্ডম ফরেস্ট, গ্রেডিয়েন্ট বুস্টিং) এবং নিউরাল নেটওয়ার্ক সম্ভবত জটিল, অ-রৈখিক সিদ্ধান্ত সীমানা শেখার ক্ষমতার কারণে সর্বোচ্চ চূড়ান্ত নির্ভুলতা অর্জন করেছে যা প্রকৃত শক্তিশালী পাসওয়ার্ডগুলিকে চতুরভাবে ছদ্মবেশী দুর্বল পাসওয়ার্ড থেকে আলাদা করে। রৈখিক মডেলগুলি (লজিস্টিক রিগ্রেশন) উন্নতি দেখিয়েছে কিন্তু সম্ভবত আর্কিটেকচারগত সীমাবদ্ধতার কারণে একটি সিলিংয়ে পৌঁছেছে।
চার্ট বর্ণনা (অন্তর্নিহিত): একটি বার চার্ট যা দুটি শর্তে পাঁচ ধরণের মডেলের পরীক্ষার নির্ভুলতা তুলনা করে: "আদর্শ প্রশিক্ষণ" এবং "প্রতিদ্বন্দ্বী প্রশিক্ষণ"। "প্রতিদ্বন্দ্বী প্রশিক্ষণ" এর জন্য সমস্ত বার উল্লেখযোগ্যভাবে লম্বা, গ্রেডিয়েন্ট বুস্টিং এবং নিউরাল নেটওয়ার্কের সবচেয়ে লম্বা বার রয়েছে, যা সর্বোচ্চ শক্তিশালীত্ব প্রদর্শন করে।
4. প্রযুক্তিগত বিবরণ ও কাঠামো
4.1. গাণিতিক সূত্রায়ন
প্রতিদ্বন্দ্বী প্রশিক্ষণ প্রক্রিয়াটিকে সবচেয়ে খারাপ ক্ষেত্রে বিঘ্নের অধীনে ঝুঁকি হ্রাস হিসাবে ফ্রেম করা যেতে পারে। ধরা যাক $D$ হল পাসওয়ার্ডের ডেটা বন্টন, $x \sim D$ একটি পাসওয়ার্ড, এবং $y$ এর প্রকৃত শক্তি লেবেল। একটি আদর্শ মডেল $f_\theta$ প্রত্যাশিত ক্ষতি $\mathbb{E}_{(x,y)\sim D}[L(f_\theta(x), y)]$ কে হ্রাস করে।
প্রতিদ্বন্দ্বী প্রশিক্ষণ একটি সেট $\Delta$ (অক্ষর প্রতিস্থাপন ইত্যাদি প্রতিনিধিত্ব করে) এর মধ্যে বিঘ্ন $\delta$ এর প্রতি শক্তিশালী একটি মডেল খোঁজে:
$$\min_\theta \mathbb{E}_{(x,y)\sim D} \left[ \max_{\delta \in \Delta} L(f_\theta(x + \delta), y) \right]$$
অনুশীলনে, $\delta$ ডেটাসেট তৈরির সময় উত্পন্ন প্রতিদ্বন্দ্বী উদাহরণ দ্বারা অনুমান করা হয়। অভ্যন্তরীণ সর্বাধিকীকরণ প্রতারণামূলক বৈকল্পিক খুঁজে পায়, এবং বাহ্যিক ন্যূনতমীকরণ মডেলটিকে এর প্রতি অপরিবর্তনীয় হতে প্রশিক্ষণ দেয়।
4.2. বিশ্লেষণ কাঠামোর উদাহরণ
পরিস্থিতি: একটি নতুন পাসওয়ার্ড 'S3cur1ty2024!' মূল্যায়ন করা।
ঐতিহ্যগত নিয়ম-ভিত্তিক চেকার:
ইনপুট: 'S3cur1ty2024!'
নিয়ম: দৈর্ঘ্য > ১২? ✓। বড় হাতের অক্ষর আছে? ✓। সংখ্যা আছে? ✓। চিহ্ন আছে? ✓।
আউটপুট: শক্তিশালী।
প্রতিদ্বন্দ্বীভাবে-প্রশিক্ষিত এমএল মডেল:
ইনপুট: 'S3cur1ty2024!'
বৈশিষ্ট্য বিশ্লেষণ:
- লিট-স্পিক ডিকোডিং (3->e, 1->i) এর মাধ্যমে ভিত্তি শব্দ 'Security' সনাক্ত করা হয়েছে।
- সংযুক্ত বছর '2024' একটি অত্যন্ত পূর্বাভাসযোগ্য প্যাটার্ন।
- ট্রেইলিং '!' একটি সাধারণ, কম-এনট্রপি সংযোজন।
- সামগ্রিক কাঠামো একটি উচ্চ-ফ্রিকোয়েন্সি প্রতিদ্বন্দ্বী টেমপ্লেটের সাথে মেলে: [সাধারণ শব্দ + লিট] + [বছর] + [সাধারণ চিহ্ন]।
আউটপুট: মধ্যম বা দুর্বল, প্রতিক্রিয়া সহ: "সহজ শব্দের সাথে অক্ষর প্রতিস্থাপন এবং তারপরে পূর্বাভাসযোগ্য সংখ্যা এড়িয়ে চলুন।"
এটি শক্তি অনুমানে সিনট্যাক্স থেকে শব্দার্থবিজ্ঞানের দিকে মডেলের চলাচল প্রদর্শন করে।
5. সমালোচনামূলক বিশ্লেষণ ও বিশেষজ্ঞ দৃষ্টিভঙ্গি
মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি শুধু ভাল পাসওয়ার্ড মিটার সম্পর্কে নয়; এটি একটি কৌশলগত স্বীকারোক্তি যে সাইবার নিরাপত্তার অস্ত্র প্রতিযোগিতা এআই স্তরে প্রবেশ করেছে। প্রকৃত অন্তর্দৃষ্টি হল যে পাসওয়ার্ড শক্তি আর একটি স্থির বৈশিষ্ট্য নয়, বরং একটি গতিশীল বৈশিষ্ট্য যা একটি অভিযোজিত প্রতিপক্ষের বিরুদ্ধে সংজ্ঞায়িত। ২০% নির্ভুলতা বৃদ্ধি কেবল একটি ক্রমবর্ধমান লাভ নয়—এটি একটি মডেল যা পদ্ধতিগতভাবে প্রতারিত হতে পারে এবং একটি যা পারে না তার মধ্যে পার্থক্য, যা ব্যবহারিক উপযোগিতায় একটি গুরুত্বপূর্ণ সীমা প্রতিনিধিত্ব করে।
যুক্তিগত প্রবাহ ও কৌশলগত অবস্থান: লেখকরা সঠিকভাবে লিগ্যাসি সিস্টেমগুলির (স্থির নিয়ম) ত্রুটি চিহ্নিত করেছেন এবং একটি আরও পরিপক্ক এএমএল ডোমেন (কম্পিউটার ভিশন) থেকে একটি সমাধান আমদানি করেছেন। যুক্তিটি শব্দ: আপনি যদি পিক্সেল বিঘ্ন দিয়ে একটি ইমেজ শ্রেণীবিভাজককে প্রতারিত করতে পারেন, আপনি অক্ষর বিঘ্ন দিয়ে একটি পাসওয়ার্ড শ্রেণীবিভাজককে প্রতারিত করতে পারেন। পাঁচটি বৈচিত্র্যময় মডেলের ব্যবহার চতুর—এটি দেখায় যে শক্তিশালীত্ব লাভ একটি অ্যালগরিদমিক প্যারাডাইম শিফট, একটি একক মডেল প্রকারের আর্টিফ্যাক্ট নয়। এটি নিরাপত্তা-এআই-এর জন্য একটি মৌলিক পদ্ধতিগত গবেষণাপত্র হিসাবে কাজটিকে অবস্থান দেয়, ঠিক যেমন গুডফেলো ও সহকর্মীদের (২০১৪) প্রতিদ্বন্দ্বী উদাহরণগুলির উপর মৌলিক কাজটি উপলব্ধি কাজের জন্য সমস্যাটি ফ্রেম করেছিল।
শক্তি ও ত্রুটি:
- শক্তি (বাস্তববাদিতা): বাস্তব-বিশ্ব, মানব-উত্পাদিত প্রতিদ্বন্দ্বী প্যাটার্নগুলিতে (লিট স্পিক, সংযোজন) ফোকাস করা, সম্পূর্ণরূপে গ্রেডিয়েন্ট-ভিত্তিক আক্রমণ নয়, গবেষণাটিকে অবিলম্বে প্রয়োগযোগ্য করে তোলে। এটি প্রকৃত হুমকি মডেল মোকাবেলা করে।
- শক্তি (স্কেল): ৬৭০k+ প্রতিদ্বন্দ্বী নমুনার একটি ডেটাসেট প্রমাণ-অফ-কনসেপ্টের বাইরে গিয়ে উল্লেখযোগ্য অভিজ্ঞতামূলক ওজন প্রদান করে।
- ত্রুটি (মূল্যায়নের গভীরতা): বিশ্লেষণ, যেমন উপস্থাপিত হয়েছে, নির্ভুলতার উপর অত্যধিক ফোকাস করা বলে মনে হয়। নিরাপত্তায়, মিথ্যা নেতিবাচক (একটি দুর্বল পাসওয়ার্ডকে শক্তিশালী হিসাবে লেবেল করা) বিপর্যয়কর, যখন মিথ্যা ইতিবাচকগুলি কেবল বিরক্তিকর। 'দুর্বল' শ্রেণীর জন্য রিকল/প্রিসিশন, বা এফপিআর/এফএনআর-এর মতো মেট্রিক্সে একটি গভীর ডাইভ অপরিহার্য। প্রশিক্ষণ সেটে নেই এমন সত্যিকারের নতুন, জিরো-ডে প্রতিদ্বন্দ্বী প্যাটার্নের বিরুদ্ধে মডেলটি কীভাবে কাজ করে?
- ত্রুটি (প্রতিপক্ষের পরবর্তী পদক্ষেপ): গবেষণাপত্রটি রূপান্তরের একটি নির্দিষ্ট সেটে প্রশিক্ষণ দেয়। একটি পরিশীলিত প্রতিপক্ষ, এমন একটি মোতায়েনকৃত মডেল সম্পর্কে সচেতন, নতুন প্রতারণামূলক পাসওয়ার্ড তৈরি করতে একটি জেনারেটিভ পদ্ধতি (যেমন, হিতাজ ও সহকর্মীদের "PassGAN" এর মতো কাজে অন্বেষিত একটি GAN-এর মতো সিস্টেম) ব্যবহার করবে। বর্তমান পদ্ধতিটি এই অভিযোজিত, জেনারেটিভ প্রতিপক্ষের প্রতি শক্তিশালী নাও হতে পারে।
কার্যকরী অন্তর্দৃষ্টি:
- পণ্য ব্যবস্থাপকদের (পিএম) জন্য: আপনার পরিষেবায় কোনও নিয়ম-ভিত্তিক পাসওয়ার্ড মিটার অবিলম্বে অবমূল্যায়ন করুন। মিথ্যা আশ্বস্ত ব্যবহারকারীর ডেটা লঙ্ঘনের খরচ একটি প্রতিদ্বন্দ্বীভাবে-প্রশিক্ষিত মডেল একীভূত করার বিকাশ খরচকে ছাড়িয়ে যায়। এটি আপনার পরবর্তী স্প্রিন্টে একটি অ-আলোচনাযোগ্য আপডেট হওয়া উচিত।
- নিরাপত্তা স্থপতিদের জন্য: পাসওয়ার্ড শক্তি অনুমানকারীকে একটি সাধারণ উইজেট হিসাবে নয়, বরং একটি মূল, আপডেটযোগ্য এআই উপাদান হিসাবে বিবেচনা করুন। একটি অবিচ্ছিন্ন প্রতিদ্বন্দ্বী প্রশিক্ষণ পাইপলাইন বাস্তবায়ন করুন যেখানে লঙ্ঘন ডাটাবেস বা অনুপ্রবেশ পরীক্ষা থেকে নতুন প্রতারণামূলক প্যাটার্নগুলি নিয়মিতভাবে মডেলটিকে পুনরায় প্রশিক্ষণের জন্য ফিরিয়ে দেওয়া হয়। এটি "সেট-এন্ড-ফরগেট" থেকে "অবিচ্ছিন্নভাবে বিকশিত" নিরাপত্তার দিকে যাচ্ছে।
- গবেষকদের জন্য: পরবর্তী পদক্ষেপটি স্পষ্ট: স্থির প্রতিদ্বন্দ্বী ডেটাসেট থেকে প্রতিদ্বন্দ্বী সিমুলেশন পরিবেশে যান। এমন কাঠামো তৈরি করুন যেখানে শক্তি অনুমানকারী এবং একটি পাসওয়ার্ড-ক্র্যাকিং এজেন্ট (জন দ্য রিপার বা হ্যাশক্যাটের মতো) একটি রিইনফোর্সমেন্ট লার্নিং লুপে একে অপরের বিরুদ্ধে প্রতিযোগিতা করে। প্রকৃত শক্তিশালীত্ব অর্জিত হবে যখন মডেলের মূল্যায়ন শুধুমাত্র একটি লেবেলযুক্ত ডেটাসেট নয়, বরং সর্বাধুনিক ক্র্যাকারগুলির বিরুদ্ধে প্রকৃত ক্র্যাকিং সময়ের সাথে সামঞ্জস্যপূর্ণ হয়।
6. ভবিষ্যতের প্রয়োগ ও দিকনির্দেশনা
- প্রোঅ্যাকটিভ পাসওয়ার্ড নীতির সাথে একীকরণ: শুধুমাত্র প্রতিক্রিয়া দেওয়ার বাইরে, ভবিষ্যতের সিস্টেমগুলি সর্বশেষ প্রতিদ্বন্দ্বী প্রবণতার ভিত্তিতে গতিশীলভাবে আপডেট করা পাসওয়ার্ড তৈরির নীতিগুলি প্রয়োগ করার জন্য শক্তিশালী শ্রেণীবিভাজক ব্যবহার করতে পারে, ব্লকলিস্ট থেকে এআই-চালিত রিয়েল-টাইম প্রত্যাখ্যানে যাওয়া পূর্বাভাসযোগ্য দুর্বল প্যাটার্নগুলির।
- ফিশিং সনাক্তকরণ উন্নতি: শব্দার্থগতভাবে প্রতারণামূলক পাসওয়ার্ড সনাক্ত করার কৌশলগুলি প্রতারণামূলক ইউআরএল বা ফিশিং প্রচেষ্টায় ইমেল টেক্সট সনাক্ত করার জন্য অভিযোজিত হতে পারে, যেখানে প্রতিপক্ষরা অক্ষর প্রতিস্থাপন এবং অস্পষ্টকরণও ব্যবহার করে।
- ক্রেডেনশিয়াল স্টাফিং প্রতিরক্ষা: প্রতিদ্বন্দ্বীভাবে-প্রশিক্ষিত মডেলগুলি বিদ্যমান ব্যবহারকারী পাসওয়ার্ড ডাটাবেস (হ্যাশড ফর্মে, ব্যবহারকারীর সম্মতিতে) স্ক্যান করতে ব্যবহার করা যেতে পারে ব্যবহারকারীদের দুর্বল, রূপান্তরযোগ্য পাসওয়ার্ড সহ ব্যবহারকারীদের সক্রিয়ভাবে সনাক্ত করতে এবং লঙ্ঘন ঘটার আগে পুনরায় সেট করতে বাধ্য করতে।
- ফেডারেটেড প্রতিদ্বন্দ্বী লার্নিং: জেনারেটিভ প্রতিপক্ষ সমস্যা মোকাবেলা করতে, সংস্থাগুলি গোপনীয়তা-সংরক্ষণকারী উপায়ে (ফেডারেটেড লার্নিং কৌশল ব্যবহার করে) প্রকৃত ব্যবহারকারীর ডেটা প্রকাশ না করে নতুন প্রতিদ্বন্দ্বী পাসওয়ার্ড প্যাটার্নের জ্ঞান ভাগ করে নিতে সহযোগিতা করতে পারে, একটি সম্মিলিত প্রতিরক্ষা বুদ্ধিমত্তা তৈরি করতে।
- পাসওয়ার্ডের বাইরে: মূল পদ্ধতিটি যেকোনো টেক্সচুয়াল নিরাপত্তা নীতি চেকের জন্য প্রযোজ্য, যেমন নিরাপত্তা প্রশ্নের শক্তি মূল্যায়ন করা বা স্মরণীয় বাক্যাংশ থেকে উদ্ভূত দুর্বল এনক্রিপশন কী সনাক্ত করা।
7. তথ্যসূত্র
- Goodfellow, I. J., Shlens, J., & Szegedy, C. (2014). Explaining and Harnessing Adversarial Examples. arXiv preprint arXiv:1412.6572.
- Hitaj, B., Gasti, P., Ateniese, G., & Perez-Cruz, F. (2017). PassGAN: A Deep Learning Approach for Password Guessing. In International Conference on Applied Cryptography and Network Security (pp. 217-237). Springer, Cham.
- Microsoft. (n.d.). Microsoft Password Checker. [অনলাইন টুল]।
- Google. (n.d.). Password Checkup. [অনলাইন টুল]।
- Melicher, W., Ur, B., Segreti, S. M., Komanduri, S., Bauer, L., Christin, N., & Cranor, L. F. (2016). Fast, lean, and accurate: Modeling password guessability using neural networks. In 25th USENIX Security Symposium (pp. 175-191).
- National Institute of Standards and Technology (NIST). (2017). Digital Identity Guidelines: Authentication and Lifecycle Management (NIST Special Publication 800-63B).