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

Table des matières

1. Introduction

Les mots de passe demeurent la méthode d'authentification utilisateur la plus répandue. Par conséquent, le craquage de mots de passe est une composante essentielle de la recherche en cybersécurité, sous-tendant à la fois les tests de sécurité offensive (cracking) et l'évaluation défensive de la robustesse. 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 d'efficacité et de diversité. L'avènement du deep learning, en particulier des réseaux neuronaux autorégressifs, promettait un changement de paradigme. Cependant, un goulot d'étranglement critique persistait : la méthode standard de génération par échantillonnage aléatoire. Cela conduit à des mots de passe dupliqués et, plus préjudiciable, à un ordre de génération aléatoire, obligeant les attaquants à parcourir des listes vastes et inefficaces. Cet article présente SOPG (Search-Based Ordered Password Generation), une nouvelle méthode conçue pour que les modèles de craquage de mots de passe autorégressifs génèrent des mots de passe dans un ordre approximativement décroissant de probabilité, augmentant ainsi considérablement l'efficacité de l'attaque.

2. Contexte et travaux connexes

2.1 Évolution du craquage de mots de passe

Le craquage de mots de passe a évolué à travers des phases distinctes. Les premières méthodes reposaient sur des attaques par dictionnaire et des règles de transformation manuelles (par exemple, John the Ripper), qui étaient heuristiques et dépendantes de l'expérience. La prolifération de fuites de mots de passe à grande échelle (par exemple, RockYou en 2009) a permis des approches statistiques basées sur les données. Le modèle de Markov (Weir et al., 2009) et la Grammaire Hors Contexte Probabiliste (PCFG) (Ma et al., 2014) ont fourni un cadre plus systématique et basé sur les probabilités pour la génération, bien qu'ils risquaient le surapprentissage et manquaient de capacité à modéliser des dépendances complexes et à longue portée dans les structures de mots de passe.

2.2 Approches par réseaux neuronaux

Les modèles de deep learning, en particulier les Réseaux Antagonistes Génératifs (GANs) comme PassGAN (Hitaj et al., 2017) et les modèles autorégressifs basés sur des architectures LSTM ou GPT, apprennent directement la distribution de probabilité des mots de passe à partir des données. Ils peuvent générer des mots de passe très diversifiés et réalistes. Cependant, ils utilisent généralement un échantillonnage aléatoire (par exemple, un échantillonnage multinomial) à partir de la distribution apprise à chaque étape de génération. Ce processus fondamental ne tient pas compte du classement global des probabilités des mots de passe complets, conduisant aux inefficacités que SOPG vise à résoudre.

3. La méthode SOPG

3.1 Concept fondamental

SOPG reformule la génération de mots de passe d'un problème d'échantillonnage stochastique en un problème de recherche guidée. Au lieu de choisir aléatoirement le caractère suivant, elle emploie un algorithme de recherche (probablement une variante de la recherche en faisceau ou de la recherche du meilleur d'abord) pour explorer l'espace des suites de mots de passe possibles, en priorisant les chemins menant à des mots de passe complets avec des probabilités estimées plus élevées. L'objectif est de produire la liste de mots de passe dans un ordre qui se rapproche d'un tri décroissant réel par $P(mot de passe|modèle)$.

3.2 Algorithme de recherche

Bien que le résumé du PDF ne détaille pas l'algorithme spécifique, le comportement décrit suggère une méthode qui maintient une file de priorité de préfixes de mots de passe candidats. À chaque étape, elle développe le préfixe le plus prometteur (probabilité cumulative la plus élevée) en interrogeant le réseau neuronal pour obtenir la distribution du caractère suivant, générant ainsi de nouveaux candidats. En explorant systématiquement d'abord les régions à haute probabilité de l'espace des mots de passe, elle garantit la génération précoce des mots de passe les plus probables et évite intrinsèquement les doublons.

3.3 Modèle SOPGesGPT

Les auteurs implémentent leur méthode sur une architecture basée sur GPT, créant SOPGesGPT. Le modèle GPT (par exemple, un transformeur décodeur uniquement) est entraîné sur des jeux de données de mots de passe fuits pour prédire le caractère suivant dans une séquence. SOPG est ensuite appliqué comme méthode de génération/d'inférence sur ce modèle entraîné, remplaçant l'échantillonnage standard.

4. Détails techniques et formulation mathématique

Un modèle autorégressif définit la probabilité d'un mot de passe $\mathbf{x} = (x_1, x_2, ..., x_T)$ comme le produit des probabilités conditionnelles : $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_1, ..., x_{t-1})$$ où $x_t$ est le caractère à la position $t$, et $T$ est la longueur du mot de passe. L'échantillonnage standard sélectionne $x_t \sim P(\cdot | x_1, ..., x_{t-1})$.

Conceptuellement, SOPG vise à trouver et à produire les séquences $\mathbf{x}$ par ordre décroissant de $P(\mathbf{x})$. Cela peut être vu comme un problème de recherche du chemin le plus court dans un arbre où les nœuds sont des préfixes, les coûts des arêtes sont liés à $-\log P(x_t | préfixe)$, et l'objectif est d'énumérer les chemins (mots de passe) par ordre de coût total croissant (c'est-à-dire de probabilité décroissante). Des algorithmes comme la Recherche à Coût Uniforme (UCS) ou sa variante bornée, la Recherche en Faisceau avec une largeur de faisceau importante et un élagage dynamique, peuvent réaliser cet ordonnancement approximatif. La clé est que la frontière de la recherche est priorisée par le score de probabilité du chemin actuel.

5. Résultats expérimentaux et analyse

5.1 Comparaison avec l'échantillonnage aléatoire

L'article présente des résultats convaincants comparant SOPG à l'échantillonnage aléatoire standard sur le même modèle sous-jacent. Principales conclusions :

• Zéro doublon : SOPG génère une liste unique, tandis que l'échantillonnage aléatoire produit de nombreuses répétitions, gaspillant l'effort de calcul.
• Efficacité d'attaque supérieure : Pour atteindre le même taux de couverture (pourcentage de mots de passe d'un jeu de test craqués), SOPG nécessite beaucoup moins d'inférences du modèle et génère une liste totale beaucoup plus petite. Cela se traduit directement par un craquage de mots de passe plus rapide dans des scénarios réels.

5.2 Évaluation comparative avec l'état de l'art

SOPGesGPT a été comparé aux principaux modèles de craquage de mots de passe : OMEN (Markov), FLA, PassGAN (GAN), VAEPass (VAE) et le contemporain PassGPT. Dans un test sur un site unique :

• Taux de couverture : SOPGesGPT a atteint 35,06 %, surpassant OMEN de 254 %, FLA de 298 %, PassGAN de 421 %, VAEPass de 380 % et PassGPT de 81 %.
• Taux effectif : L'article revendique également la première place en "taux effectif", probablement une métrique liée à la qualité ou au taux de réussite des mots de passe générés tôt, qui est la principale force de SOPG.

Cela démontre que la méthode de génération (SOPG) est aussi critique que l'architecture du modèle pour les performances.

6. Cadre d'analyse et exemple de cas

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

1. Architecture du modèle et entraînement : Quel est le réseau neuronal sous-jacent (GAN, VAE, Transformateur autorégressif) ? Comment est-il entraîné ?
2. Méthode de génération : Comment les mots de passe sont-ils produits à partir du modèle entraîné ? (par exemple, Échantillonnage Aléatoire, Recherche en Faisceau, SOPG). C'est le point central de l'article.
3. Ordonnancement et efficacité : La méthode produit-elle les mots de passe dans un ordre utile (probabilité décroissante) ? Quelle est l'efficacité de calcul/de devinette ?
4. Diversité et duplication : Génère-t-elle des mots de passe nouveaux ou beaucoup de doublons ?
5. Performances de référence : Taux de couverture, Taux effectif et vitesse sur des jeux de données standard (par exemple, RockYou).

Exemple de cas non codé : Considérons deux attaquants, Alice et Bob, utilisant le même modèle GPT de mots de passe entraîné. Alice utilise l'échantillonnage aléatoire standard. Bob utilise SOPG. Pour craquer un jeu de test de 1000 mots de passe, le logiciel d'Alice pourrait devoir générer 10 millions de tentatives, avec 30 % de doublons, pour en craquer 350. Le logiciel de Bob, piloté par SOPG, pourrait générer seulement 1 million de tentatives uniques dans l'ordre optimal pour craquer les mêmes 350. L'attaque de Bob est 10 fois plus efficace en ressources et se termine plus rapidement.

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 proposées en générant d'abord les vecteurs d'attaque les plus probables.
• Récupération légale de mots de passe : Les outils légaux de récupération de mots de passe peuvent intégrer SOPG pour augmenter les taux de réussite dans des budgets de temps/de calcul limités.

Orientations de recherche futures :

• Modèles hybrides : Combiner la génération ordonnée de SOPG avec les forces d'autres architectures (par exemple, intégrer des connaissances sémantiques de grands modèles de langage).
• SOPG adaptatif/en ligne : Modifier la stratégie de recherche en temps réel en fonction des retours des résultats d'attaque partiels.
• Contre-mesures défensives : Recherche sur de nouvelles techniques de hachage ou de stockage de mots de passe spécifiquement résistantes aux attaques ordonnées et pilotées par la probabilité comme SOPG.
• Au-delà des mots de passe : Appliquer le paradigme de génération ordonnée à d'autres domaines de sécurité comme la génération d'URL de phishing probables ou de variantes de logiciels malveillants.

8. Références

1. Weir, M., Aggarwal, S., Medeiros, B., & Glodek, B. (2009). Password Cracking Using Probabilistic Context-Free Grammars. In IEEE Symposium on Security and Privacy.
2. Ma, J., Yang, W., Luo, M., & Li, N. (2014). A Study of Probabilistic Password Models. In 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. In 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. In USENIX Security Symposium.

9. Analyse originale et commentaire d'expert