PassGPT: बड़े भाषा मॉडल के साथ पासवर्ड मॉडलिंग और निर्देशित जनरेशन

1. परिचय

ज्ञात कमजोरियों के बावजूद, पासवर्ड प्रमुख प्रमाणीकरण तंत्र बने हुए हैं। यह शोध पत्र पासवर्ड सुरक्षा के क्षेत्र में बड़े भाषा मॉडल (एलएलएम) के अनुप्रयोग की जाँच करता है। लेखक PassGPT का परिचय देते हैं, जो जनरेशन और स्ट्रेंथ एस्टीमेशन के लिए पासवर्ड लीक पर प्रशिक्षित एक मॉडल है। मूल शोध प्रश्न है: मानव-जनित पासवर्ड की अंतर्निहित विशेषताओं को एलएलएम कितनी प्रभावी ढंग से समझ सकते हैं? यह कार्य ऑफ़लाइन पासवर्ड गेसिंग में अपनी स्थिति रखता है, जहाँ एक प्रतिकूल पक्ष के पास पासवर्ड हैश होते हैं और वह प्लेनटेक्स्ट संस्करणों को पुनर्प्राप्त करने का लक्ष्य रखता है।

मुख्य योगदान:

पासवर्ड मॉडलिंग के लिए GPT-2 आर्किटेक्चर पर आधारित एक एलएलएम, PassGPT का विकास।
निर्देशित पासवर्ड जनरेशन का परिचय, जो मनमानी बाधाओं के तहत सैंपलिंग को सक्षम बनाता है।
पासवर्ड पर प्रायिकता वितरण और स्ट्रेंथ एस्टीमेशन के लिए इसके निहितार्थों का विश्लेषण।
पूर्व जेनरेटिव एडवरसैरियल नेटवर्क (GAN)-आधारित दृष्टिकोणों पर श्रेष्ठ प्रदर्शन का प्रदर्शन।

2. पद्धति एवं आर्किटेक्चर

यह खंड PassGPT की तकनीकी नींव और इसकी नवीन क्षमताओं का विस्तार से वर्णन करता है।

2.1. PassGPT मॉडल आर्किटेक्चर

PassGPT ट्रांसफॉर्मर-आधारित GPT-2 आर्किटेक्चर पर बनाया गया है। GANs के विपरीत जो पासवर्ड को एक समग्र रूप में जनरेट करते हैं, PassGPT पासवर्ड को अनुक्रमिक रूप से वर्ण स्तर पर मॉडल करता है। यह ऑटोरेग्रेसिव मॉडलिंग पिछले अनुक्रम को देखते हुए अगले वर्ण पर एक प्रायिकता वितरण को परिभाषित करती है: $P(x_t | x_{

2.2. निर्देशित पासवर्ड जनरेशन

एक प्रमुख नवाचार निर्देशित पासवर्ड जनरेशन है। सैंपलिंग प्रक्रिया में हेरफेर करके (जैसे, सशर्त प्रायिकताओं या मास्किंग का उपयोग करके), PassGPT ऐसे पासवर्ड जनरेट कर सकता है जो विशिष्ट बाधाओं को पूरा करते हैं, जैसे कि कुछ वर्णों को शामिल करना, न्यूनतम लंबाई को पूरा करना, या किसी विशेष पैटर्न का पालन करना (जैसे, "'A' से शुरू हो और '9' पर समाप्त हो")। यह सूक्ष्म, वर्ण-स्तरीय नियंत्रण पिछली GAN-आधारित विधियों पर एक महत्वपूर्ण लाभ है, जिनमें यह सूक्ष्म-नियंत्रण क्षमता का अभाव है।

उदाहरण केस (गैर-कोड): एक सुरक्षा टीम यह परीक्षण करना चाहती है कि उनकी "अंक और विशेष वर्ण अवश्य शामिल हो" की नीति प्रभावी है या नहीं। निर्देशित जनरेशन का उपयोग करके, वे PassGPT को इसी नीति का पालन करने वाले हजारों पासवर्ड सैंपल करने का निर्देश दे सकते हैं, फिर विश्लेषण कर सकते हैं कि इन नीति-अनुपालन वाले पासवर्ड में से कितने अभी भी कमजोर और आसानी से अनुमान लगाने योग्य हैं, जिससे नीति में ही संभावित खामियों का पता चलता है।

2.3. PassVQT एन्हांसमेंट

लेखक PassVQT (वेक्टर क्वांटाइजेशन के साथ PassGPT) भी प्रस्तुत करते हैं, जो VQ-VAE से तकनीकों को शामिल करने वाला एक उन्नत संस्करण है। यह संशोधन जनरेट किए गए पासवर्ड की पेरप्लेक्सिटी बढ़ाने का लक्ष्य रखता है, संभवतः उन्हें अधिक विविध और अन्य मॉडलों द्वारा अनुमान लगाने में कठिन बनाता है, हालाँकि यथार्थवाद के साथ ट्रेड-ऑफ की सावधानीपूर्वक मूल्यांकन की आवश्यकता है।

3. प्रायोगिक परिणाम

3.1. पासवर्ड गेसिंग प्रदर्शन

शोध पत्र बताता है कि PassGPT अत्याधुनिक GAN-आधारित मॉडलों की तुलना में 20% अधिक पहले कभी न देखे गए पासवर्ड का अनुमान लगाता है। कुछ परीक्षणों में, यह दोगुने अनदेखे पासवर्ड का अनुमान लगाता है। यह प्रशिक्षण डेटा से नए पासवर्ड सेट तक सामान्यीकरण करने की एक श्रेष्ठ क्षमता का प्रदर्शन करता है। अनुक्रमिक जनरेशन संभवतः इसे GANs के वन-शॉट जनरेशन की तुलना में अधिक सूक्ष्म मार्कोवियन निर्भरताओं को समझने की अनुमति देता है।

चार्ट विवरण: एक काल्पनिक बार चार्ट Y-अक्ष पर "अनुमानित अद्वितीय पासवर्डों की संख्या" दिखाएगा। "PassGPT" के लिए बार "GAN-आधारित मॉडल (जैसे, PassGAN)" और "पारंपरिक मार्कोव मॉडल" के लिए बार से काफी ऊँचे होंगे, जो पाठ में दावा किए गए प्रदर्शन अंतर की दृश्य पुष्टि करते हैं।

3.2. प्रायिकता वितरण विश्लेषण

GANs पर एलएलएम का एक प्रमुख लाभ किसी भी दिए गए पासवर्ड के लिए एक स्पष्ट प्रायिकता का प्रावधान है: $P(\text{पासवर्ड}) = \prod_{t=1}^{T} P(x_t | x_{

4. तकनीकी विश्लेषण एवं अंतर्दृष्टि

मूल अंतर्दृष्टि: शोध पत्र की मौलिक सफलता यह पहचानना है कि पासवर्ड, अपनी संक्षिप्तता के बावजूद, एक प्रकार की बाध्य, मानव-जनित भाषा हैं। यह पुनर्परिभाषा आधुनिक एलएलएम की विशाल पैटर्न-पहचान शक्ति को अनलॉक करती है, GANs की सीमाओं से आगे बढ़ती है जो पासवर्ड को एकीकृत, संरचना-अज्ञेय ब्लॉब के रूप में मानते हैं। एलएलएम की अनुक्रमिक, प्रायिकता प्रकृति इस समस्या के लिए लगभग सही फिट है।

तार्किक प्रवाह: तर्क प्रभावशाली है: 1) एलएलएम अनुक्रमों (प्राकृतिक भाषा) को मॉडल करने में उत्कृष्ट हैं। 2) पासवर्ड अव्यक्त मानव पूर्वाग्रहों वाले अनुक्रम (वर्णों के) हैं। 3) इसलिए, एलएलएम पासवर्ड को मॉडल करने में उत्कृष्ट होंगे। प्रयोग इस परिकल्पना को मजबूती से मान्य करते हैं, पिछले SOTA (GANs) पर स्पष्ट मात्रात्मक जीत दिखाते हैं। निर्देशित जनरेशन का परिचय अनुक्रमिक प्रतिमान का एक तार्किक और शक्तिशाली विस्तार है।

शक्तियाँ एवं कमियाँ: शक्ति निर्विवाद है—श्रेष्ठ प्रदर्शन और नवीन कार्यक्षमता (निर्देशित जनरेशन, स्पष्ट प्रायिकताएँ)। हालाँकि, शोध पत्र महत्वपूर्ण कमियों को कम करके आँकता है। पहला, प्रशिक्षण डेटा निर्भरता: PassGPT की प्रभावशीलता पूरी तरह से उन पासवर्ड लीक की गुणवत्ता और नवीनता से जुड़ी है जिन पर इसे प्रशिक्षित किया गया है, यह एक सीमा है जिसे छवि अनुवाद के लिए CycleGAN जैसे समान जेनरेटिव कार्यों में स्वीकार किया गया है जिसके लिए युग्मित या अयुग्मित डेटासेट की आवश्यकता होती है। जैसा कि MIT कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लेबोरेटरी जैसे संस्थानों के शोधकर्ताओं द्वारा नोट किया गया है, मॉडल प्रदर्शन पुराने या गैर-प्रतिनिधि डेटा के साथ गिर सकता है। दूसरा, एक ट्रांसफॉर्मर मॉडल को प्रशिक्षित करने और चलाने की कम्प्यूटेशनल लागत एक साधारण मार्कोव मॉडल की तुलना में कई गुना अधिक है, जो संसाधन-सीमित क्रैकिंग परिदृश्यों में व्यावहारिक तैनाती को सीमित कर सकती है। तीसरा, जबकि निर्देशित जनरेशन नवीन है, हमलावरों बनाम रक्षकों के लिए इसकी वास्तविक दुनिया की उपयोगिता पर अधिक सूक्ष्म चर्चा की आवश्यकता है।

कार्रवाई योग्य अंतर्दृष्टि: सुरक्षा पेशेवरों के लिए, यह एक चेतावनी है। पासवर्ड नीतियों को सरल संरचना नियमों से आगे विकसित होना चाहिए। स्ट्रेंथ अनुमानकों को "मजबूत-लेकिन-पूर्वानुमेय" पासवर्ड को पकड़ने के लिए PassGPT जैसे प्रायिकता मॉडल को एकीकृत करना चाहिए। शोधकर्ताओं के लिए, रास्ता स्पष्ट है: दक्षता के लिए हल्के-वजन ट्रांसफॉर्मर वेरिएंट (जैसे उल्लिखित LLaMA आर्किटेक्चर) का अन्वेषण करें, और उन रक्षा तंत्रों की जाँच करें जो एलएलएम-जनित पासवर्ड हमलों का पता लगा सकते हैं या उन्हें विचलित कर सकते हैं। एआई-संचालित पासवर्ड क्रैकिंग का युग निर्णायक रूप से GANs से एलएलएम की ओर स्थानांतरित हो गया है।

5. भविष्य के अनुप्रयोग एवं दिशाएँ

सक्रिय पासवर्ड स्ट्रेंथ परीक्षण: संगठन हाल के लीक पर प्रशिक्षित निर्देशित PassGPT मॉडल का उपयोग उच्च-प्रायिकता मिलान जनरेट करके, उनके उपयोगकर्ता पासवर्ड डेटाबेस (हैश्ड रूप में) का सक्रिय रूप से ऑडिट करने के लिए कर सकते हैं, जिससे उल्लंघन होने से पहले जोखिम वाले खातों की पहचान की जा सके।
अगली पीढ़ी के स्ट्रेंथ अनुमानक: PassGPT के प्रायिकता स्कोर को `zxcvbn` या `dropbox/zxcvbn` जैसी लाइब्रेरी में एकीकृत करने से हाइब्रिड अनुमानक बन सकते हैं जो नियम-आधारित जटिलता और सांख्यिकीय संभावना दोनों पर विचार करते हैं।
रक्षा के लिए प्रतिकूल प्रशिक्षण: PassGPT का उपयोग बड़े पैमाने पर, यथार्थवादी सिंथेटिक पासवर्ड डेटासेट जनरेट करने के लिए किया जा सकता है ताकि मशीन लर्निंग-आधारित घुसपैठ पहचान प्रणालियों या विसंगति डिटेक्टरों को हमले के पैटर्न को पहचानने के लिए प्रशिक्षित किया जा सके।
क्रॉस-मॉडल विश्लेषण: भविष्य का कार्य PassGPT के प्रायिकता वितरण की तुलना पासवर्ड पर लागू अन्य जेनरेटिव मॉडल (जैसे, डिफ्यूजन मॉडल) के साथ कर सकता है, यह अन्वेषण करते हुए कि कौन सा आर्किटेक्चर मानव पूर्वाग्रहों को सबसे अच्छी तरह समझता है।
नैतिक एवं रक्षात्मक फोकस: प्राथमिक शोध दिशा रक्षात्मक अनुप्रयोगों की ओर मुड़नी चाहिए, जैसे कि तकनीकों का विकास करना जो पासवर्ड डेटासेट को दुर्भावनापूर्ण एलएलएम को प्रशिक्षित करने के लिए कम उपयोगी बनाने के लिए "जहर" या बनाने में मदद करती हैं, या ऐसे एआई सहायक बनाना जो उपयोगकर्ताओं को वास्तव में यादृच्छिक, उच्च-एन्ट्रॉपी पासवर्ड जनरेट करने में मदद करते हैं।

6. संदर्भ

Rando, J., Perez-Cruz, F., & Hitaj, B. (2023). PassGPT: Password Modeling and (Guided) Generation with Large Language Models. arXiv preprint arXiv:2306.01545.
Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems.
Radford, A., et al. (2019). Language Models are Unsupervised Multitask Learners. (GPT-2).
Hitaj, B., et al. (2017). PassGAN: A Deep Learning Approach for Password Guessing. International Conference on Applied Cryptography and Network Security.
Wheeler, D. L. (2016). zxcvbn: Low-Budget Password Strength Estimation. USENIX Security Symposium.
Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV). (CycleGAN).
Touvron, H., et al. (2023). LLaMA: Open and Efficient Foundation Language Models. arXiv preprint arXiv:2302.13971.
MIT Computer Science & Artificial Intelligence Laboratory (CSAIL). Research on Machine Learning Robustness and Data Dependence.