Trenchcoat: Algoritmos de Hash Computáveis por Humanos para Geração de Senhas

Índice

1. Introdução

A paisagem digital moderna exige que os indivíduos gerem um número esmagador de contas online, cada uma protegida por uma senha. A carga cognitiva de criar e lembrar senhas fortes e únicas leva a práticas inseguras, como a reutilização de senhas e o uso de variantes simples. Este artigo apresenta o "Trenchcoat", um framework para algoritmos de hash computáveis por humanos concebidos para gerar senhas seguras e únicas para cada site utilizando apenas um segredo mestre memorável e cálculo mental.

2. O Problema com as Práticas Atuais de Senhas

Os utilizadores estão presos entre os mandatos de segurança (regras de complexidade, alterações frequentes) e as limitações cognitivas. Isto resulta em:

• Reutilização de Senhas: Mais de 50% das senhas são reutilizadas em múltiplas contas.
• Construção Fraca: Dependência de padrões previsíveis, palavras de dicionário e informações pessoais.
• Dependência de Ferramentas & Risco: Os gestores de senhas, embora úteis, introduzem pontos únicos de falha e têm sido alvo de vulnerabilidades críticas.
• Lacuna de Acessibilidade: Muitas soluções não são concebidas para utilizadores neurodiversos ou com diferentes capacidades.

3. O Framework Trenchcoat

O Trenchcoat reconcebe a geração de senhas como um processo criptográfico executável por humanos.

3.1. Conceito Central: Funções de Hash Computáveis por Humanos

A ideia central é uma função $F_R(s, w) \rightarrow y$. Ela recebe o segredo mestre do utilizador (s) e um identificador do site/conta (w) para produzir uma senha única (y). O parâmetro crítico $R$ representa a configuração cognitiva única do utilizador.

3.2. Aproveitando a Memória Associativa e Implícita (R)

O framework explora características cognitivas específicas do indivíduo ($R$), como a memória espacial ou redes associativas pessoais. Isto torna a função semelhante a uma "Função Fisicamente Não Clonável Cognitiva (C-PUF)". Um adversário não pode calcular ou verificar $F_R$ de forma eficiente sem conhecer o $R$ interno do utilizador, fornecendo uma camada de segurança análoga às PUFs de hardware usadas na autenticação de dispositivos [37].

4. Algoritmos Propostos & Detalhes Técnicos

4.1. Categorias de Algoritmos

O artigo propõe vários tipos de algoritmos baseados em operações primitivas:

• Baseados em Aritmética: Usando adição modular, manipulação de dígitos no segredo mestre e no nome do site.
• Baseados em Espaço/Navegação: Mapeando caracteres para pontos numa grelha ou caminho mental.
• Baseados em Léxico/Pesquisa: Usando dicionários mentais pessoais ou associações narrativas.

Todos são concebidos para baixa carga cognitiva e acessibilidade.

4.2. Formulação Matemática

Um exemplo simplificado baseado em aritmética: Seja $s$ um segredo mestre numérico (por exemplo, derivado de uma data memorável). Seja $H(w)$ um hash simples (por exemplo, soma dos códigos dos caracteres mod 10) do nome do site. Um dígito de senha $y_i$ poderia ser gerado como:
$y_i = (s_i + H(w)_i + c_i) \mod 10$
onde $c_i$ é um transporte da operação anterior ou um passo de permutação específico do utilizador definido por $R$. A senha completa é a concatenação de $y_i$.

5. Análise de Segurança & Avaliação de Entropia

A criptanálise tradicional é difícil de aplicar diretamente. O artigo utiliza métricas baseadas em entropia:

• Espaço de Chaves Efetivo: Estimativa do espaço de busca para um atacante adivinhar $s$ e $R$.
• Resistência a Ataques Conhecidos: Análise contra ataques de dicionário, phishing (a senha gerada é específica do site) e ataques de observação ("shoulder surfing").
• Unicidade de R: A segurança depende fortemente da imprevisibilidade e individualidade do parâmetro cognitivo $R$.

A conclusão é que, embora a força absoluta em bits possa ser inferior à dos hashes algorítmicos, a integração do elemento humano ($R$) e a exigência de o atacante o modelar cria uma barreira prática significativa.

6. Resultados Experimentais & Pesquisa com Utilizadores

O estudo incluiu uma pesquisa com 134 indivíduos, cada um testando dois esquemas propostos, e uma revisão das políticas de senha em 400 websites.

Principais Conclusões:

• Usabilidade: Os participantes conseguiram gerar senhas de forma fiável após um curto período de treino. Os métodos espaciais e baseados em narrativa mostraram altas taxas de recordação.
• Aceitação: Os utilizadores preferiram métodos que pareciam "pessoais" ou "semelhantes a uma história" em vez dos puramente aritméticos.
• Análise de Políticas: Os requisitos de senha dos sites são altamente inconsistentes, complicando o desenho de uma função de geração universal.

7. Framework de Análise & Exemplo de Caso

Framework para Avaliar um Esquema de Hash Computável por Humanos:

1. Definição da Entrada: Definir claramente o formato de $s$ (por exemplo, um número de 6 dígitos, uma frase) e $w$ (por exemplo, nome de domínio completo, uma etiqueta escolhida pelo utilizador).
2. Mapeamento de Operações: Definir a sequência de operações mentais (por exemplo, "pegar na 3ª e 5ª letra de w, converter para números, adicionar ao 2º dígito de s...").
3. Integração de R: Especificar como $R$ é incorporado (por exemplo, "usar o código de área do teu número de telefone de infância para iniciar um padrão de deslocamento de letras").
4. Formatação da Saída: Descrever como cumprir as regras comuns de senha (por exemplo, "se o terceiro dígito de saída for par, colocar em maiúscula a primeira letra do nome do site e anexá-la").

Exemplo de Caso (Sem Código): A Alice escolhe o seu segredo mestre $s$ como os dígitos "1984". O seu $R$ envolve pensar sempre no alfabeto por ordem inversa (Z=1, Y=2...). Para o site "bank.com", ela pega na primeira e última letra (B, K), mapeia-as através do seu alfabeto inverso (B->25, K->16), adiciona-as aos seus dígitos secretos (25+1=26, 16+9=25), aplica mod 26 e mapeia de volta para letras (26->A, 25->B). Em seguida, aplica uma regra pessoal ($R$) para inserir um símbolo após uma vogal. A sua senha final para o bank.com pode ser "A!B".

8. Aplicações Futuras & Direções de Investigação

• Sistemas Híbridos: Combinar um núcleo computado por humanos com um dispositivo mínimo e seguro (por exemplo, um anel inteligente) para um passo final de transformação, aumentando a entropia.
• Normalização & Acessibilidade: Desenvolver um conjunto de algoritmos certificados para diferentes perfis e capacidades cognitivas, potencialmente integrados em frameworks de login de sistemas operativos.
• Autenticação Contínua: Usar variações subtis da função central para gerar códigos de uso único ou sementes biométricas comportamentais.
• Considerações Pós-Quânticas: Explorar se funções computáveis por humanos baseadas em problemas de reticulado ou outros problemas difíceis de PQ poderiam ser concebidas, conforme sugerido pela investigação sobre "proofs of human-work".

9. Referências

1. [3] Análise de Segurança de Gestores de Senhas Populares. USENIX Security.
2. [4] B. Ross, et al. "Autenticação de Senha Mais Forte Usando Extensões do Navegador." USENIX Security 2005.
3. [10] Verizon Data Breach Investigations Report. 2023.
4. [15] "Vulnerabilidades Zero-Day em Gestores de Senhas." Cybersecurity & Infrastructure Security Agency (CISA).
5. [16] Google / Harris Poll. "Pesquisa sobre Segurança Online." 2022.
6. [17] Tendências de Identidade Digital. Dashlane. 2023.
7. [30] "As Senhas Mais Comuns do Mundo." NordPass. 2023.
8. [34] S. Gaw e E. W. Felten. "Estratégias de Gestão de Senhas para Contas Online." SOUPS 2006.
9. [37] B. Gassend, et al. "Silicon Physical Random Functions." CCS 2002. (Artigo seminal sobre PUF)
10. [43] FTC. "Consumer Sentinel Network Data Book." 2022.
11. NIST Special Publication 800-63B: Digital Identity Guidelines.
12. Isola, P., et al. "Image-to-Image Translation with Conditional Adversarial Networks." CVPR 2017. (Para analogia sobre aprendizagem de mapeamentos complexos).

10. Análise de Especialistas & Revisão Crítica