パスワードは、その簡便さと柔軟性から、ユーザー認証において依然として最も普及している方法である。その結果、パスワード推測は、攻撃的セキュリティテスト（例：ペネトレーションテスト、パスワード回復）と防御的強度評価の両方に不可欠な、サイバーセキュリティ研究の重要な要素となっている。ルールベースの辞書からマルコフ連鎖やPCFGなどの統計モデルに至る従来の手法は、拡張性と適応性に本質的な限界があった。深層学習、特に自己回帰型ニューラルネットワークの登場は、データから直接複雑なパスワード分布を学習することで、パラダイムシフトを約束した。しかし、重大なボトルネックが残っている：これらのモデルで標準的に使用されるランダムサンプリングによる生成方法は、重複を生み出し、最適な順序を欠くため、非常に非効率的であり、実用的なパスワード攻撃を著しく遅らせる。本論文は、SOPG (探索ベース順序付きパスワード生成)を紹介する。これは、自己回帰モデルから確率のほぼ降順でパスワードを生成するように設計された新手法であり、ニューラルパスワード推測の効率に革命をもたらすものである。
初期のアプローチは、辞書攻撃と手作業で作成された変形ルール（例：John the Ripper）に依存していた。これらは単純であるが、理論的基盤がなく、その有効性は専門家の知識に大きく依存する。大規模なパスワード漏洩（例：2009年のRockYou）の拡大により、データ駆動型の確率的手法が可能になった。マルコフモデル（例：OMEN）と確率的文脈自由文法 (PCFG)は、パスワードの構造と確率を体系的にモデル化し、大きな進歩をもたらした。しかし、これらは過学習に陥りやすく、多様で大量の妥当なパスワードセットを生成するのに苦労し、カバレッジ率を制限する傾向がある。
PassGANのような生成的敵対ネットワーク (GANs)やVAEPassのような変分オートエンコーダ (VAEs)を含む深層学習モデルは、パスワードデータセットの根底にある分布を学習する。より最近では、特にTransformerアーキテクチャに基づく自己回帰モデル（例：PassGPT）が、パスワードをシーケンスとしてモデル化し、前のトークンが与えられた次のトークンを予測することで、優れた性能を示している。これらのモデルは、長距離依存関係をより効果的に捉える。これらすべてのニューラルアプローチに共通する根本的な欠陥は、パスワード生成にランダムサンプリング（例：核サンプリング、トップkサンプリング）をデフォルトで使用することであり、これは本質的に順序付けされておらず、繰り返しが多い。
SOPGの中核となる洞察は、パスワード推測攻撃を効率的にするためには、生成されるパスワードリストが重複なく、かつ最も可能性の高いものから低いものへ順序付けられているべきだということである。ランダムサンプリングはこの両方で失敗する。SOPGは、自己回帰モデルを体系的な探索アルゴリズムのための確率的ガイドとして扱うことでこの問題に対処する。これはビームサーチに似ているが、単一の最良シーケンスではなく、完全で順序付けられた一意の候補のセットを生成するために最適化されている。
SOPGは、潜在的なパスワード空間に対して優先度キューに基づく探索戦略を採用する。初期トークン（例：シーケンス開始）から開始し、部分的なパスワードを反復的に展開する。各ステップで、ニューラルネットワークを使用して次の可能な文字の確率を予測する。ランダムにサンプリングする代わりに、戦略的に分岐を探索し、最も高い確率の完全なパスワードにつながる展開を優先する。このプロセスは、ほぼ最適な順序でパスワードを体系的に列挙し、モデルの確率分布のガイド付き走査を効果的に実行する。
著者らは、GPT（生成的事前学習Transformer）アーキテクチャに基づいて構築されたパスワード推測モデルSOPGesGPTに彼らの手法を具体化している。このモデルは、実際のパスワード漏洩データで学習し、パスワードトークンの結合確率分布 $P(x_1, x_2, ..., x_T)$ を学習する。GPTの自己回帰性（$P(x_t | x_{
パスワード $\mathbf{x} = (x_1, x_2, ..., x_T)$ の確率を次のように定義する自己回帰モデルが与えられたとき： $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_1, ..., x_{t-1})$$ SOPGの目標は、$P(\mathbf{x}^{(1)}) \geq P(\mathbf{x}^{(2)}) \geq ...$ かつ $i \neq j$ に対して $\mathbf{x}^{(i)} \neq \mathbf{x}^{(j)}$ となるようなシーケンス $\mathbf{x}^{(1)}, \mathbf{x}^{(2)}, ...$ を生成することである。
このアルゴリズムは、各ノードが部分パスワードである木を探索するものと概念化できる。優先度キューはノードを管理し、そのノードから派生する任意の完全なパスワードの確率の上限推定値によってランク付けされる。この推定値はモデルの条件付き確率から導出される。アルゴリズムは、最高の上限を持つノードを繰り返し抽出し、1トークン展開して（子ノードを生成し）、新しい上限を計算し、それらをキューに挿入し戻す。リーフノード（完全なパスワード）がポップされると、それが順序付けられたリストの次のパスワードとして出力される。これにより、確率空間の最良優先探索が保証される。
35.06%
テストセットにおけるSOPGesGPTの性能
81%
より高いカバレッジ率
はるかに少ない
必要なパスワード数（ランダムサンプリング比）
本論文はまず、同じ基盤となるGPTモデルにおいて、SOPGがランダムサンプリングに対して持つ根本的な利点を示す。同じカバレッジ率（クラックされたテストパスワードの割合）を達成するために、SOPGは桁違いに少ない生成パスワード数とモデル推論しか必要としない。これは、SOPGによって生成されるすべてのパスワードが一意で高確率であるのに対し、ランダムサンプリングは重複や低確率の推測に計算を浪費するためである。これは、より速い攻撃時間とより低い計算コストに直接つながる。
ワンサイトテストにおいて、SOPGesGPTは主要なベンチマーク：OMEN（マルコフ）、FLA、PassGAN（GAN）、VAEPass（VAE）、および現代的なPassGPT（ランダムサンプリングを用いたTransformer）と比較された。結果は決定的である。SOPGesGPTは35.06%のカバレッジ率を達成し、PassGPTを81%、VAEPassを380%、PassGANを421%、FLAを298%、OMENを254%上回った。これは新たな最新技術を確立し、生成方法（SOPG）がモデルアーキテクチャと同様に重要であることを強調している。
有効率： 生成されたパスワードのうち、実際のもの（テストセット内のパスワードと一致するもの）の割合。SOPGesGPTはこの指標でもリードしており、より多くのだけでなく、より高品質な推測を生成していることを示唆する。
生成効率： 所定の割合のパスワードをクラックするために必要なモデル呼び出し/推論の数で測定される。SOPGの順序付きアプローチは急峻な効率曲線を提供し、非常に少ない推論で多くのパスワードをクラックする。
チャート説明： 仮想的なチャートは2本の線を示すだろう：1本は「ランダムサンプリング カバレッジ vs. 生成パスワード数」で、ゆっくりと漸近的に上昇し、重複の長いテールを持つ。もう1本の「SOPG カバレッジ vs. 生成パスワード数」の線は、最初は急峻にほぼ直線的に上昇し、後で頭打ちになり、ほぼ最適な推測順序を示す。
フレームワーク：パスワード推測効率の四象限。 あらゆるパスワード推測システムを2つの軸に沿って分析できる：(1) モデル品質（真のパスワード分布を学習する能力）、および (2) 生成最適性（無駄なく確率降順で推測を出力する能力）。
事例（コードなし）： パスワード「password123」の確率が $10^{-3}$ で、「xq7!kLp2」の確率が $10^{-9}$ であることを知っているモデルを考える。ランダムサンプラーは「password123」に当たるまでに数百万回の推測を要するかもしれない。SOPGは、その探索を使用して「password123」を非常に初期の推測の一つとして特定し出力し、直ちにカバレッジに貢献する。この順序付けられたターゲティングが、その劇的な効率向上の源である。
予防的パスワード強度チェッカー： SOPGは、単に辞書と照合するだけでなく、最新の効率的な攻撃をシミュレートしてユーザーにより現実的なリスク評価を与える、次世代のリアルタイムパスワード強度メーターを駆動できる。
デジタルフォレンジクスと合法的回復： 押収されたデバイスに対する認可された調査のためのパスワード回復を加速する。
認証システムの敵対的トレーニング： SOPG生成リストを使用して、インテリジェントな攻撃に対して認証システムをストレステストし、強化する。
将来の研究方向性：
本論文の突破口は、新しいニューラルアーキテクチャではなく、問題の根本的な再構築にある。長年にわたり、NLPのトレンドを反映して、パスワード推測コミュニティはより大きく、より優れた密度推定器（GPT部分）の構築に執着してきた。SOPGは、クラックという下流タスクにとって、デコーディング戦略が最も重要であることを正しく認識している。これは、地雷原の完璧な地図（モデル）を持っていることと、一歩も無駄にせずにそれを歩き渡る方法（SOPG）を知っていることの違いである。これは、純粋なモデル容量から、これらのモデル上での効率的な推論アルゴリズムへと研究の優先順位をシフトさせる——これは他の生成AI分野（例：機械翻訳におけるビームサーチ）が以前に学んだ教訓である。
議論は説得力がある： 1) パスワード攻撃効率は、ヒット率 vs. 推測数曲線によって定義される。 2) 自己回帰モデルはトークンごとの確率を与える。 3) この分布からのランダムサンプリングは、順序付けられた推測リストを作成するには非常に非最適である。 4) したがって、モデルをオラクルとして使用して、最も確率の高いシーケンスを最初に明示的に構築する探索アルゴリズムが必要である。問題(3)を認識することから解決策(4)を設計することへの飛躍が、新規性の所在である。古典的な計算機科学の探索アルゴリズム（A*, ビーム）との関連は明らかだが、パスワードの広大で構造化された出力空間への適応は自明ではない。
強み： 実験結果は圧倒的であり、標準的なオフライン・ワンサイト評価におけるSOPGの優位性について疑いの余地をほとんど残さない。効率性の議論は理論的に健全で実践的に検証されている。これは、彼らのGPT実装だけでなく、あらゆる自己回帰モデルに適用可能な一般的な手法である。
欠点と疑問点： 評価は印象的ではあるが、依然として実験室環境である。実世界の攻撃は適応的防御（レート制限、ロックアウト、ハニーワード）に直面するが、本論文はこれらのシナリオにおけるSOPGの回復力をテストしていない。生成パスワードあたりの探索アルゴリズム自体の計算オーバーヘッドは、単一のランダムサンプルよりも高い可能性があるが、全体的な効率向上は正味でプラスである。また、倫理的な大きな問題がある：著者らは防御的使用を位置づけているが、このツールは高効率攻撃の障壁を大幅に下げる。この分野は、CycleGANや大規模言語モデルなどの生成AIモデルに関する議論と同様に、このような進歩の二重使用の性質と向き合わなければならない。
セキュリティ実務家にとって： 本論文は警鐘である。パスワードポリシーは、単純な辞書単語をブロックすることを超えて進化しなければならない。防御側は、SOPGのような順序付き攻撃に対して自らのシステムをストレステストし始める必要があり、これが新しいベンチマークとなる。 Have I Been Pwned や zxcvbn のようなツールは、より現実的な強度推定のために、これらの高度な生成技術を組み込む必要がある。
研究者にとって： バトンは渡された。次のフロンティアはもはやモデルだけではなく、適応的でクエリ効率の良い生成である。部分的な攻撃フィードバックから学習するモデルを構築できるか？順序付き生成を検出し混乱させる防御モデルを開発できるか？さらに、NISTなどの機関がデジタルアイデンティティガイドラインで指摘しているように、長期的な解決策はパスワードを超えたところにある。この研究は、パスワードクラッキングの頂点を同時に強調し、その本質的な限界を強調することで、パスワードレス認証に向けて私たちを押し進める。SOPGは、パスワード推測に対する見事な終盤の一手であると同時に、その引退を促す強力な論拠でもある。