SOPG: Geração de Palavras-passe Ordenada Baseada em Busca para Redes Neurais Autoregressivas

Índice

1. Introdução

As palavras-passe continuam a ser o método mais ubíquo de autenticação de utilizadores. Consequentemente, a adivinhação de palavras-passe é um componente crítico da investigação em cibersegurança, suportando tanto testes ofensivos de segurança (cracking) como avaliações defensivas de robustez. Os métodos tradicionais, desde a enumeração baseada em regras até modelos estatísticos como cadeias de Markov e PCFG, têm limitações inerentes em eficiência e diversidade. O advento da aprendizagem profunda, particularmente das redes neurais autoregressivas, prometia uma mudança de paradigma. No entanto, um estrangulamento crítico persistiu: o método padrão de geração por amostragem aleatória. Isto leva a palavras-passe duplicadas e, mais prejudicialmente, a uma ordem de geração aleatória, forçando os atacantes a percorrer listas vastas e ineficientes. Este artigo introduz o SOPG (Search-Based Ordered Password Generation), um método inovador concebido para fazer com que os modelos de adivinhação de palavras-passe autoregressivos gerem palavras-passe em ordem aproximadamente decrescente de probabilidade, aumentando assim dramaticamente a eficiência do ataque.

2. Contexto & Trabalhos Relacionados

2.1 Evolução da Adivinhação de Palavras-passe

A adivinhação de palavras-passe evoluiu através de fases distintas. Os primeiros métodos baseavam-se em ataques de dicionário e regras de transformação (mangling rules) criadas manualmente (ex.: John the Ripper), que eram heurísticas e dependentes da experiência. A proliferação de fugas de palavras-passe em larga escala (ex.: RockYou em 2009) permitiu abordagens estatísticas orientadas por dados. O modelo de Markov (Weir et al., 2009) e a Gramática Livre de Contexto Probabilística (PCFG) (Ma et al., 2014) forneceram uma estrutura mais sistemática e baseada em probabilidades para a geração, embora arriscassem sobreajuste (overfitting) e carecessem da capacidade de modelar dependências complexas e de longo alcance nas estruturas das palavras-passe.

2.2 Abordagens com Redes Neurais

Os modelos de aprendizagem profunda, particularmente as Redes Adversariais Generativas (GANs) como a PassGAN (Hitaj et al., 2017) e os modelos autoregressivos como os baseados em arquiteturas LSTM ou GPT, aprendem a distribuição de probabilidade das palavras-passe diretamente a partir dos dados. Podem gerar palavras-passe altamente diversificadas e realistas. No entanto, normalmente utilizam amostragem aleatória (ex.: amostragem multinomial) da distribuição aprendida em cada passo de geração. Este processo fundamental é indiferente ao ranking global das probabilidades completas das palavras-passe, levando às ineficiências que o SOPG visa resolver.

3. O Método SOPG

3.1 Conceito Central

O SOPG reformula a geração de palavras-passe de um problema de amostragem estocástica para um problema de busca guiada. Em vez de escolher aleatoriamente o próximo caractere, emprega um algoritmo de busca (provavelmente uma variante da busca em feixe (beam search) ou da busca pelo melhor primeiro) para explorar o espaço das possíveis continuações de palavras-passe, priorizando os caminhos que levam a palavras-passe completas com probabilidades estimadas mais altas. O objetivo é produzir a lista de palavras-passe numa ordem que se aproxime de uma ordenação verdadeiramente decrescente por $P(palavra-passe|modelo)$.

3.2 Algoritmo de Busca

Embora o resumo do PDF não detalhe o algoritmo específico, o comportamento descrito sugere um método que mantém uma fila de prioridade de prefixos candidatos de palavras-passe. Em cada passo, expande o prefixo mais promissor (maior probabilidade cumulativa) consultando a rede neural para obter a distribuição do próximo caractere, gerando novos candidatos. Ao explorar sistematicamente primeiro as regiões de alta probabilidade do espaço de palavras-passe, garante a geração antecipada das palavras-passe mais prováveis e evita inerentemente duplicados.

3.3 Modelo SOPGesGPT

Os autores implementam o seu método numa arquitetura baseada em GPT, criando o SOPGesGPT. O modelo GPT (ex.: um transformer apenas de decodificação) é treinado em conjuntos de dados de palavras-passe vazadas para prever o próximo caractere numa sequência. O SOPG é então aplicado como o método de geração/inferência sobre este modelo treinado, substituindo a amostragem padrão.

4. Detalhes Técnicos & Formulação Matemática

Um modelo autoregressivo define a probabilidade de uma palavra-passe $\mathbf{x} = (x_1, x_2, ..., x_T)$ como o produto das probabilidades condicionais: $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_1, ..., x_{t-1})$$ onde $x_t$ é o caractere na posição $t$, e $T$ é o comprimento da palavra-passe. A amostragem padrão seleciona $x_t \sim P(\cdot | x_1, ..., x_{t-1})$.

O SOPG, conceptualmente, visa encontrar e produzir sequências $\mathbf{x}$ por ordem decrescente de $P(\mathbf{x})$. Isto pode ser visto como um problema de busca do caminho mais curto numa árvore onde os nós são prefixos, os custos das arestas estão relacionados com $-\log P(x_t | prefixo)$, e o objetivo é enumerar caminhos (palavras-passe) por ordem crescente de custo total (i.e., probabilidade decrescente). Algoritmos como a Busca de Custo Uniforme (UCS) ou a sua variante limitada, a Busca em Feixe (Beam Search) com uma largura de feixe grande e poda dinâmica, podem alcançar esta ordenação aproximada. A chave é que a fronteira da busca é priorizada pela pontuação de probabilidade do caminho atual.

5. Resultados Experimentais & Análise

5.1 Comparação com Amostragem Aleatória

O artigo apresenta resultados convincentes comparando o SOPG com a amostragem aleatória padrão no mesmo modelo subjacente. Principais conclusões:

• Zero Duplicados: O SOPG gera uma lista única, enquanto a amostragem aleatória produz muitas repetições, desperdiçando esforço computacional.
• Eficiência de Ataque Superior: Para atingir a mesma taxa de cobertura (percentagem de palavras-passe num conjunto de teste quebradas), o SOPG requer muito menos inferências do modelo e gera uma lista total muito menor. Isto traduz-se diretamente em cracking de palavras-passe mais rápido em cenários do mundo real.

5.2 Comparativo com o Estado da Arte

O SOPGesGPT foi comparado com os principais modelos de adivinhação de palavras-passe: OMEN (Markov), FLA, PassGAN (GAN), VAEPass (VAE) e o contemporâneo PassGPT. Num teste one-site:

• Taxa de Cobertura: O SOPGesGPT alcançou 35.06%, superando o OMEN em 254%, o FLA em 298%, o PassGAN em 421%, o VAEPass em 380% e o PassGPT em 81%.
• Taxa Eficaz: O artigo também afirma liderança na "taxa eficaz", provavelmente uma métrica relacionada com a qualidade ou taxa de acerto das palavras-passe geradas no início, que é a principal força do SOPG.

Isto demonstra que o método de geração (SOPG) é tão crítico para o desempenho como a arquitetura do modelo.

6. Estrutura de Análise & Exemplo de Caso

Estrutura para Avaliar Modelos de Adivinhação de Palavras-passe:

1. Arquitetura do Modelo & Treino: Qual é a rede neural subjacente (GAN, VAE, Transformer Autoregressivo)? Como é treinada?
2. Método de Geração: Como são produzidas as palavras-passe a partir do modelo treinado? (ex.: Amostragem Aleatória, Busca em Feixe, SOPG). Este é o foco principal do artigo.
3. Ordenação & Eficiência: O método produz palavras-passe numa ordem útil (probabilidade decrescente)? Qual é a eficiência computacional/de adivinhação?
4. Diversidade & Duplicação: Gera palavras-passe novas ou muitos duplicados?
5. Desempenho em Benchmark: Taxa de Cobertura, Taxa Eficaz e velocidade em conjuntos de dados padrão (ex.: RockYou).

Exemplo de Caso Não-Código: Considere dois atacantes, Alice e Bob, a usar o mesmo modelo GPT de palavras-passe treinado. Alice usa amostragem aleatória padrão. Bob usa SOPG. Para quebrar um conjunto de teste de 1000 palavras-passe, o software da Alice pode precisar de gerar 10 milhões de tentativas, com 30% de duplicados, para quebrar 350. O software do Bob, orientado pelo SOPG, pode gerar apenas 1 milhão de tentativas únicas na ordem ótima para quebrar as mesmas 350. O ataque do Bob é 10x mais eficiente em recursos e completa-se mais rapidamente.

7. Perspetivas de Aplicação & Direções Futuras

Aplicações Imediatas:

• Teste Proativo de Robustez de Palavras-passe: As equipas de segurança podem usar modelos potenciados pelo SOPG para auditar de forma mais eficiente políticas de palavras-passe propostas, gerando primeiro os vetores de ataque mais prováveis.
• Recuperação Forense de Palavras-passe: Ferramentas legais de recuperação de palavras-passe podem integrar o SOPG para aumentar as taxas de sucesso dentro de orçamentos limitados de tempo/computação.

Direções de Investigação Futura:

• Modelos Híbridos: Combinar a geração ordenada do SOPG com os pontos fortes de outras arquiteturas (ex.: integrar conhecimento semântico de grandes modelos de linguagem).
• SOPG Adaptativo/Online: Modificar a estratégia de busca em tempo real com base no feedback de resultados parciais de ataque.
• Contramedidas Defensivas: Investigação de novas técnicas de hashing ou armazenamento de palavras-passe especificamente resilientes a ataques ordenados e orientados por probabilidade como o SOPG.
• Para Além das Palavras-passe: Aplicar o paradigma de geração ordenada a outros domínios de segurança, como a geração de URLs de phishing prováveis ou variantes de malware.

8. Referências

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. Análise Original & Comentário de Especialista