Computationalcoin

Análisis de una investigación que aplica aprendizaje automático adversario para mejorar la precisión en la clasificación de la fortaleza de contraseñas frente a ataques engañosos.

A comprehensive analysis of hbACSS protocols for efficient and robust asynchronous complete secret sharing in multiparty computation systems.

Especificación detallada y análisis de seguridad de AutoPass, un novedoso generador de contraseñas del lado del cliente diseñado para abordar los desafíos de gestión de contraseñas relacionados con usuarios y servicios.

Análisis de seguridad integral de 13 gestores de contraseñas populares, evaluando aleatoriedad en generación, seguridad de almacenamiento y vulnerabilidades de autocompletado, con recomendaciones de mejora.

Documentación técnica completa y recursos sobre la tecnología y aplicaciones de computationalcoin.

Análisis de DPAR, un sistema que mejora las contraseñas de los usuarios sugiriendo modificaciones específicas y memorables basadas en un conjunto de datos de 905 millones de contraseñas filtradas.

Un enfoque novedoso que utiliza redes neuronales profundas y ataques de diccionario dinámicos para reducir el sesgo de medición en el análisis de seguridad de contraseñas, proporcionando un modelado de adversarios más preciso.

Un enfoque novedoso que utiliza redes neuronales profundas y ataques de diccionario dinámicos para reducir el sesgo de medición en el análisis de seguridad de contraseñas, proporcionando un modelado más preciso del adversario.

Un enfoque novedoso que utiliza redes neuronales profundas y ataques de diccionario dinámicos para modelar estrategias reales de descifrado de contraseñas y reducir el sesgo de medición en el análisis de seguridad.

Un artículo de investigación que propone una implementación de referencia formalmente verificada para generadores de contraseñas aleatorias en gestores de contraseñas, utilizando EasyCrypt para demostraciones de corrección funcional y seguridad.

Análisis de la verificación formal para algoritmos de generación de contraseñas en gestores de contraseñas, cubriendo propiedades de seguridad, corrección de implementación y direcciones futuras.

Análisis de modelos de aprendizaje profundo (VAEs, GANs, Redes de Atención) para adivinación de contraseñas. Incluye evaluación de rendimiento en conjuntos de datos principales como RockYou y LinkedIn.

Análisis de funciones hash computables por humanos para generar contraseñas, aprovechando la memoria asociativa para la seguridad sin gestores de contraseñas.

Un marco de aprendizaje profundo para crear medidores de fortaleza de contraseñas interpretables que proporcionan retroalimentación a nivel de carácter, superando las puntuaciones de seguridad opacas para apoyar la educación del usuario.

Un análisis en profundidad de las políticas de frases de contraseña largas, su usabilidad, implicaciones de seguridad y direcciones futuras en sistemas de autenticación.

Análisis de una técnica propuesta para generar contraseñas robustas en computación en la nube, utilizando múltiples parámetros de entrada para mejorar la seguridad frente a ataques de fuerza bruta.

Análisis de un novedoso sistema de gestión de contraseñas que utiliza derivación de claves multifactor y generación determinista para eliminar el almacenamiento de credenciales y mejorar la autenticación heredada.

Análisis exhaustivo de sistemas generadores de contraseñas, proponiendo un modelo general, evaluando esquemas existentes e introduciendo el novedoso concepto AutoPass para mejorar seguridad y usabilidad.

Análisis de seguridad integral de 13 gestores de contraseñas populares, evaluando aleatoriedad en generación, seguridad de almacenamiento y vulnerabilidades de autocompletado.

Análisis de PassGPT, un LLM para generación y estimación de fuerza de contraseñas, que supera a las GANs y permite la creación guiada con restricciones a nivel de carácter.

Análisis de PassGPT, un LLM para generación y estimación de fuerza de contraseñas, superando a las GANs y permitiendo la creación guiada de contraseñas.

Análisis de PassTSL, un novedoso marco de modelado de contraseñas que utiliza preentrenamiento y ajuste fino inspirado en PLN, demostrando un rendimiento superior en adivinación de contraseñas y estimación de fortaleza.

Análisis de PESrank, un novedoso estimador de fortaleza de contraseñas que utiliza estimación de rango multidimensional para una evaluación de seguridad en línea rápida, precisa y explicable.

Análisis de PESrank, un novedoso estimador de fortaleza de contraseñas que utiliza estimación de rango multidimensional para una evaluación de seguridad en línea, explicable y personalizable.

Análisis de rendimiento de algoritmos post-cuánticos BIKE, CRYSTALS-Kyber y HQC en plataformas IoT Raspberry Pi, evaluando sobrecarga computacional, uso de memoria y consumo energético.

Análisis de un algoritmo de tokenización híbrido reversible demostrablemente seguro basado en cifrado por bloques, con demostraciones formales de seguridad que cumplen los requisitos de PCI DSS.

Análisis de SOPG, un método novedoso para generar contraseñas en orden descendente de probabilidad usando redes neuronales autoregresivas, mejorando significativamente la eficiencia de los ataques.

Análisis de SOPG, un novedoso método de generación de contraseñas que ordena las salidas por probabilidad, mejorando significativamente la eficiencia del ataque frente al muestreo aleatorio y superando a los modelos más avanzados.

Análisis de SOPG, un método novedoso para generar contraseñas en orden de probabilidad descendente usando redes neuronales autoregresivas, mejorando significativamente la eficiencia de la adivinación de contraseñas.

Este artículo propone un generador de contraseñas seguro que utiliza PRNGs basados en HMAC, CMAC y KMAC, validado mediante pruebas de entropía e IID de NIST SP 800-90B.

Este artículo propone un generador de contraseñas seguro utilizando PRNGs basados en HMAC, CMAC o KMAC, validado mediante pruebas de entropía e IID de NIST SP 800-90B.

Análisis de un novedoso marco de aprendizaje profundo que crea modelos de contraseñas adaptativos utilizando datos auxiliares del usuario, permitiendo la estimación de la fortaleza de contraseñas específica del sistema sin acceso al texto plano.