SOPG: Generación de Contraseñas Ordenada Basada en Búsqueda para Redes Neuronales Autoregresivas

Tabla de Contenidos

1. Introducción

Las contraseñas siguen siendo el método de autenticación de usuarios más ubicuo. En consecuencia, la adivinación de contraseñas es un componente crítico de la investigación en ciberseguridad, sustentando tanto las pruebas ofensivas de seguridad (craqueo) como la evaluación defensiva de fortaleza. Los métodos tradicionales, desde la enumeración basada en reglas hasta modelos estadísticos como las cadenas de Markov y PCFG, tienen limitaciones inherentes en eficiencia y diversidad. El advenimiento del aprendizaje profundo, particularmente las redes neuronales autoregresivas, prometía un cambio de paradigma. Sin embargo, persistía un cuello de botella crítico: el método estándar de generación por muestreo aleatorio. Esto conduce a contraseñas duplicadas y, lo que es más perjudicial, a un orden de generación aleatorio, obligando a los atacantes a cribar listas vastas e ineficientes. Este artículo presenta SOPG (Generación de Contraseñas Ordenada Basada en Búsqueda), un método novedoso diseñado para que los modelos de adivinación de contraseñas autoregresivos generen contraseñas en un orden aproximadamente descendente de probabilidad, aumentando así drásticamente la eficiencia del ataque.

2. Antecedentes y Trabajos Relacionados

2.1 Evolución de la Adivinación de Contraseñas

La adivinación de contraseñas ha evolucionado a través de fases distintas. Los primeros métodos se basaban en ataques de diccionario y reglas de deformación creadas manualmente (por ejemplo, John the Ripper), que eran heurísticas y dependientes de la experiencia. La proliferación de filtraciones de contraseñas a gran escala (por ejemplo, RockYou en 2009) permitió enfoques estadísticos basados en datos. El modelo de Markov (Weir et al., 2009) y la Gramática Probabilística Libre de Contexto (PCFG) (Ma et al., 2014) proporcionaron un marco más sistemático y basado en probabilidades para la generación, aunque corrían el riesgo de sobreajuste y carecían de la capacidad para modelar dependencias complejas y de largo alcance en las estructuras de las contraseñas.

2.2 Enfoques con Redes Neuronales

Los modelos de aprendizaje profundo, particularmente las Redes Generativas Antagónicas (GANs) como PassGAN (Hitaj et al., 2017) y los modelos autoregresivos como los basados en arquitecturas LSTM o GPT, aprenden la distribución de probabilidad de las contraseñas directamente de los datos. Pueden generar contraseñas muy diversas y realistas. Sin embargo, normalmente utilizan muestreo aleatorio (por ejemplo, muestreo multinomial) de la distribución aprendida en cada paso de generación. Este proceso fundamental es ajeno a la clasificación global de las probabilidades completas de las contraseñas, lo que conduce a las ineficiencias que SOPG pretende resolver.

3. El Método SOPG

3.1 Concepto Central

SOPG replantea la generación de contraseñas de un problema de muestreo estocástico a un problema de búsqueda guiada. En lugar de elegir aleatoriamente el siguiente carácter, emplea un algoritmo de búsqueda (probablemente una variante de búsqueda en haz o de mejor-primero) para explorar el espacio de posibles continuaciones de contraseña, priorizando las rutas que conducen a contraseñas completas con probabilidades estimadas más altas. El objetivo es generar la lista de contraseñas en un orden que se aproxime estrechamente a una clasificación verdadera descendente por $P(contraseña|modelo)$.

3.2 Algoritmo de Búsqueda

Aunque el resumen del PDF no detalla el algoritmo específico, el comportamiento descrito sugiere un método que mantiene una cola de prioridad de prefijos de contraseña candidatos. En cada paso, expande el prefijo más prometedor (con la probabilidad acumulada más alta) consultando a la red neuronal la distribución del siguiente carácter, generando nuevos candidatos. Al explorar sistemáticamente primero las regiones de alta probabilidad del espacio de contraseñas, garantiza la generación temprana de las contraseñas más probables y evita inherentemente los duplicados.

3.3 Modelo SOPGesGPT

Los autores implementan su método en una arquitectura basada en GPT, creando SOPGesGPT. El modelo GPT (por ejemplo, un transformador solo-decodificador) se entrena con conjuntos de datos de contraseñas filtradas para predecir el siguiente carácter en una secuencia. SOPG se aplica luego como el método de generación/inferencia sobre este modelo entrenado, reemplazando el muestreo estándar.

4. Detalles Técnicos y Formulación Matemática

Un modelo autoregresivo define la probabilidad de una contraseña $\mathbf{x} = (x_1, x_2, ..., x_T)$ como el producto de probabilidades condicionales: $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_1, ..., x_{t-1})$$ donde $x_t$ es el carácter en la posición $t$, y $T$ es la longitud de la contraseña. El muestreo estándar selecciona $x_t \sim P(\cdot | x_1, ..., x_{t-1})$.

SOPG, conceptualmente, tiene como objetivo encontrar y generar secuencias $\mathbf{x}$ en orden decreciente de $P(\mathbf{x})$. Esto puede verse como un problema de búsqueda del camino más corto en un árbol donde los nodos son prefijos, los costos de las aristas están relacionados con $-\log P(x_t | prefijo)$, y el objetivo es enumerar caminos (contraseñas) en orden de costo total creciente (es decir, probabilidad decreciente). Algoritmos como la Búsqueda de Costo Uniforme (UCS) o su variante acotada, la Búsqueda en Haz con un ancho de haz grande y poda dinámica, pueden lograr este ordenamiento aproximado. La clave es que el frente de búsqueda se prioriza por la puntuación de probabilidad de la ruta actual.

5. Resultados Experimentales y Análisis

5.1 Comparación con el Muestreo Aleatorio

El artículo presenta resultados convincentes comparando SOPG con el muestreo aleatorio estándar en el mismo modelo subyacente. Hallazgos clave:

• Cero Duplicados: SOPG genera una lista única, mientras que el muestreo aleatorio produce muchas repeticiones, desperdiciando esfuerzo computacional.
• Eficiencia de Ataque Superior: Para lograr la misma tasa de cobertura (porcentaje de contraseñas en un conjunto de prueba craqueadas), SOPG requiere muchas menos inferencias del modelo y genera una lista total mucho más pequeña. Esto se traduce directamente en un craqueo de contraseñas más rápido en escenarios del mundo real.

5.2 Evaluación Comparativa con el Estado del Arte

SOPGesGPT fue evaluado comparativamente con los principales modelos de adivinación de contraseñas: OMEN (Markov), FLA, PassGAN (GAN), VAEPass (VAE) y el contemporáneo PassGPT. En una prueba de un solo sitio:

• Tasa de Cobertura: SOPGesGPT logró un 35.06%, superando a OMEN en un 254%, a FLA en un 298%, a PassGAN en un 421%, a VAEPass en un 380% y a PassGPT en un 81%.
• Tasa Efectiva: El artículo también afirma liderazgo en "tasa efectiva", probablemente una métrica relacionada con la calidad o la tasa de acierto de las contraseñas generadas tempranamente, que es la principal fortaleza de SOPG.

Esto demuestra que el método de generación (SOPG) es tan crítico como la arquitectura del modelo para el rendimiento.

6. Marco de Análisis y Ejemplo de Caso

Marco para Evaluar Modelos de Adivinación de Contraseñas:

1. Arquitectura del Modelo y Entrenamiento: ¿Cuál es la red neuronal subyacente (GAN, VAE, Transformador Autoregresivo)? ¿Cómo se entrena?
2. Método de Generación: ¿Cómo se producen las contraseñas a partir del modelo entrenado? (por ejemplo, Muestreo Aleatorio, Búsqueda en Haz, SOPG). Este es el enfoque clave del artículo.
3. Ordenamiento y Eficiencia: ¿El método produce contraseñas en un orden útil (probabilidad descendente)? ¿Cuál es la eficiencia computacional/de adivinación?
4. Diversidad y Duplicación: ¿Genera contraseñas novedosas o muchos duplicados?
5. Rendimiento en Evaluaciones Comparativas: Tasa de Cobertura, Tasa Efectiva y velocidad en conjuntos de datos estándar (por ejemplo, RockYou).

Ejemplo de Caso Sin Código: Considere dos atacantes, Alicia y Roberto, usando el mismo modelo GPT de contraseñas entrenado. Alicia usa muestreo aleatorio estándar. Roberto usa SOPG. Para craquear un conjunto de prueba de 1000 contraseñas, el software de Alicia podría necesitar generar 10 millones de intentos, con un 30% de duplicados, para craquear 350. El software de Roberto impulsado por SOPG podría generar solo 1 millón de intentos únicos en orden óptimo para craquear las mismas 350. El ataque de Roberto es 10 veces más eficiente en recursos y se completa más rápido.

7. Perspectivas de Aplicación y Direcciones Futuras

Aplicaciones Inmediatas:

• Pruebas Proactivas de Fortaleza de Contraseñas: Los equipos de seguridad pueden usar modelos potenciados por SOPG para auditar de manera más eficiente las políticas de contraseñas propuestas, generando primero los vectores de ataque más probables.
• Recuperación Forense de Contraseñas: Las herramientas legales de recuperación de contraseñas pueden integrar SOPG para aumentar las tasas de éxito dentro de presupuestos limitados de tiempo/computación.

Direcciones Futuras de Investigación:

• Modelos Híbridos: Combinar la generación ordenada de SOPG con las fortalezas de otras arquitecturas (por ejemplo, integrando conocimiento semántico de modelos de lenguaje grandes).
• SOPG Adaptativo/En Línea: Modificar la estrategia de búsqueda en tiempo real basándose en la retroalimentación de resultados de ataque parciales.
• Contramedidas Defensivas: Investigación de nuevas técnicas de hashing o almacenamiento de contraseñas que sean específicamente resistentes a ataques ordenados y basados en probabilidades como SOPG.
• Más Allá de las Contraseñas: Aplicar el paradigma de generación ordenada a otros dominios de seguridad, como la generación de URL de phishing probables o variantes de malware.

8. Referencias

1. Weir, M., Aggarwal, S., Medeiros, B., & Glodek, B. (2009). Password Cracking Using Probabilistic Context-Free Grammars. En IEEE Symposium on Security and Privacy.
2. Ma, J., Yang, W., Luo, M., & Li, N. (2014). A Study of Probabilistic Password Models. En IEEE Symposium on Security and Privacy.
3. Hitaj, B., Gasti, P., Ateniese, G., & Perez-Cruz, F. (2017). PassGAN: A Deep Learning Approach for Password Guessing. En International Conference on Applied Cryptography and Network Security.
4. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems.
5. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. OpenAI Blog.
6. Melicher, W., et al. (2016). Fast, Lean, and Accurate: Modeling Password Guessability Using Neural Networks. En USENIX Security Symposium.

9. Análisis Original y Comentario Experto