SOPG : Génération de mots de passe ordonnée par recherche pour réseaux neuronaux autorégressifs

1. Introduction

Les mots de passe restent la méthode dominante d'authentification des utilisateurs en raison de leur simplicité et de leur flexibilité. Par conséquent, le cassage de mots de passe est un élément essentiel de la recherche en cybersécurité, crucial tant pour les tests de sécurité offensive (par exemple, tests d'intrusion, récupération de mots de passe) que pour l'évaluation de la résistance défensive. Les méthodes traditionnelles, de l'énumération basée sur des règles aux modèles statistiques comme les chaînes de Markov et les PCFG, présentent des limitations inhérentes en termes de diversité et d'efficacité. L'avènement de l'apprentissage profond, en particulier des réseaux neuronaux autorégressifs comme GPT, offre une voie prometteuse pour générer des suppositions de mots de passe plus réalistes et efficaces. Cependant, un goulot d'étranglement persiste : la méthode de génération standard par échantillonnage aléatoire produit des sorties en double et, surtout, génère les mots de passe dans un ordre non optimal, entravant gravement l'efficacité de l'attaque. Cet article présente SOPG (Search-Based Ordered Password Generation), une nouvelle méthode conçue pour surmonter ce goulot d'étranglement.

2. Contexte et travaux connexes

3. La méthode SOPG

4. Détails techniques et formulation mathématique

Pour un modèle autorégressif, la probabilité d'un mot de passe $\mathbf{x} = (x_1, x_2, ..., x_T)$ est décomposée ainsi : $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_{

5. Résultats expérimentaux et analyse

6. Cadre d'analyse et exemple de cas

Cadre d'évaluation des modèles de cassage de mots de passe :

1. Puissance de modélisation : L'architecture peut-elle apprendre avec précision des distributions complexes de mots de passe ? (par exemple, GPT vs. GAN).
2. Stratégie de génération : Comment les candidats sont-ils échantillonnés à partir du modèle ? (Aléatoire vs. Ordonné/Basé sur la recherche).
3. Métriques d'efficacité d'attaque :
   • Taux de couverture : % de mots de passe de test cassés en N suppositions.
   • Nombre de suppositions : Le nombre de suppositions nécessaires pour casser X% des mots de passe.
   • Taux effectif : % des suppositions générées qui sont des mots de passe valides et uniques.
   • Coût calcul/temps : Inférences ou temps par supposition.

Exemple de cas (sans code) : Considérons deux attaquants, Alice et Bob, utilisant le même modèle PassGPT entraîné. Alice utilise l'échantillonnage aléatoire standard. Bob utilise la méthode SOPG intégrée à PassGPT (en faisant un SOPGesGPT). Pour casser 20 % d'une liste de mots de passe cible, l'échantillonneur d'Alice pourrait avoir besoin de générer 5 millions de suppositions, avec de nombreux doublons, prenant 10 heures. Le système de Bob basé sur SOPG génère les mots de passe par ordre de probabilité, cassant les mêmes 20 % avec seulement 500 000 suppositions uniques et à haute probabilité, terminant la tâche en 1 heure. L'attaque de Bob est 10 fois plus efficace en termes de suppositions et de temps, un avantage décisif.

7. Perspectives d'application et orientations futures

Applications immédiates :

• Test proactif de la robustesse des mots de passe : Les équipes de sécurité peuvent utiliser des modèles améliorés par SOPG pour auditer plus efficacement les politiques de mots de passe, identifiant les mots de passe faibles avant les attaquants.
• Forensique numérique et application de la loi : Accélération de la récupération de mots de passe à partir d'appareils saisis dans le cadre d'enquêtes criminelles.
• Listes noires de mots de passe améliorées : Génération de listes plus complètes et ordonnées par probabilité de mots de passe faibles pour leur rejet par le système lors de la création.

Orientations de recherche futures :

• Recherche hybride et adaptative : Combiner SOPG avec d'autres heuristiques de recherche ou le rendre adaptatif en fonction des caractéristiques de la cible (par exemple, site web, données démographiques des utilisateurs).
• Défense contre le cassage ordonné : Recherche sur de nouveaux schémas de hachage de mots de passe ou protocoles d'authentification spécifiquement résistants aux attaques par probabilité ordonnée, allant au-delà des défenses basées sur l'entropie.
• Au-delà des mots de passe : Application des principes de génération ordonnée à d'autres domaines de la sécurité, comme la génération de clés de chiffrement probables ou de modèles d'intrusion réseau pour les tests.
• Optimisation de l'efficacité : Réduction de la surcharge mémoire et de calcul de l'algorithme de recherche pour le rendre évolutif pour des modèles et des jeux de caractères encore plus grands.

8. Références

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

9. Analyse originale et commentaire d'expert