SOPG: Penjanaan Kata Laluan Berasaskan Carian dan Teratur untuk Rangkaian Neural Autoregresif

1. Pengenalan

Kata laluan kekal sebagai kaedah utama pengesahan pengguna kerana kesederhanaan dan fleksibilitinya. Oleh itu, tekaan kata laluan adalah komponen kritikal dalam penyelidikan keselamatan siber, penting untuk kedua-dua ujian keselamatan ofensif (contohnya, ujian penembusan, pemulihan kata laluan) dan penilaian kekuatan pertahanan. Kaedah tradisional, daripada enumerasi berasaskan peraturan kepada model statistik seperti rantai Markov dan PCFG, mempunyai batasan semula jadi dalam kepelbagaian dan kecekapan. Kemunculan pembelajaran mendalam, terutamanya rangkaian neural autoregresif seperti GPT, menawarkan laluan yang menjanjikan untuk menjana tekaan kata laluan yang lebih realistik dan berkesan. Walau bagaimanapun, satu halangan besar masih wujud: kaedah penjanaan pensampelan rawak piawai membawa kepada output pendua dan, yang penting, menghasilkan kata laluan dalam susunan yang tidak optimum, yang dengan seriusnya menghalang kecekapan serangan. Kertas kerja ini memperkenalkan SOPG (Penjanaan Kata Laluan Teratur Berasaskan Carian), satu kaedah baharu yang direka untuk mengatasi halangan ini.

2. Latar Belakang & Kerja Berkaitan

3. Kaedah SOPG

4. Butiran Teknikal & Formulasi Matematik

Untuk model autoregresif, kebarangkalian kata laluan $\mathbf{x} = (x_1, x_2, ..., x_T)$ diuraikan sebagai: $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_{

5. Keputusan Eksperimen & Analisis

6. Kerangka Analisis & Contoh Kes

Kerangka untuk Menilai Model Tekaan Kata Laluan:

1. Kuasa Pemodelan: Bolehkah seni bina mempelajari taburan kata laluan kompleks dengan tepat? (contohnya, GPT vs. GAN).
2. Strategi Penjanaan: Bagaimanakah calon disampel daripada model? (Rawak vs. Teratur/Berasaskan carian).
3. Metrik Kecekapan Serangan:
   • Kadar Liputan: % kata laluan ujian yang berjaya dipecahkan dalam N tekaan.
   • Nombor Tekaan: Bilangan tekaan yang diperlukan untuk memecahkan X% kata laluan.
   • Kadar Berkesan: % tekaan yang dijana yang merupakan kata laluan yang sah dan unik.
   • Kos Pengiraan/Masa: Inferens atau masa per tekaan.

Contoh Kes (Bukan Kod): Pertimbangkan dua penyerang, Alice dan Bob, menggunakan model PassGPT terlatih yang sama. Alice menggunakan pensampelan rawak piawai. Bob menggunakan kaedah SOPG yang disepadukan dengan PassGPT (menjadikannya SOPGesGPT). Untuk memecahkan 20% senarai kata laluan sasaran, pensampel Alice mungkin perlu menjana 5 juta tekaan, dengan banyak pendua, mengambil masa 10 jam. Sistem berasaskan SOPG Bob menjana kata laluan dalam susunan kebarangkalian, memecahkan 20% yang sama dengan hanya 500,000 tekaan unik berkebarangkalian tinggi, menyelesaikan tugas dalam 1 jam. Serangan Bob adalah 10x lebih cekap dari segi tekaan dan masa, satu kelebihan muktamad.

7. Prospek Aplikasi & Hala Tuju Masa Depan

Aplikasi Segera:

• Ujian Kekuatan Kata Laluan Proaktif: Pasukan keselamatan boleh menggunakan model dipertingkatkan SOPG untuk mengaudit dasar kata laluan dengan lebih cekap, mengenal pasti kata laluan lemah sebelum penyerang melakukannya.
• Forensik Digital & Penguatkuasaan Undang-Undang: Mempercepatkan pemulihan kata laluan daripada peranti yang dirampas dalam siasatan jenayah.
• Senarai Hitam Kata Laluan Dipertingkatkan: Menjana senarai kata laluan lemah yang lebih komprehensif dan teratur secara kebarangkalian untuk penolakan sistem semasa penciptaan.

Hala Tuju Penyelidikan Masa Depan:

• Carian Hibrid & Adaptif: Menggabungkan SOPG dengan heuristik carian lain atau menjadikannya adaptif berdasarkan ciri sasaran (contohnya, laman web, demografi pengguna).
• Pertahanan Menentang Tekaan Teratur: Penyelidikan ke dalam skim 'hashing' kata laluan baharu atau protokol pengesahan yang khususnya tahan lasak terhadap serangan kebarangkalian teratur, melangkaui pertahanan berasaskan entropi.
• Melangkaui Kata Laluan: Menggunakan prinsip penjanaan teratur ke domain keselamatan lain, seperti menjana kunci penyulitan berkemungkinan atau corak pencerobohan rangkaian untuk ujian.
• Pengoptimuman Kecekapan: Mengurangkan beban memori dan pengiraan algoritma carian untuk menjadikannya boleh skala untuk model dan set aksara yang lebih besar.

8. Rujukan

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

9. Analisis Asal & Ulasan Pakar