SOPG: Поисковое упорядоченное генерирование паролей для авторегрессионных нейронных сетей

1. Введение

Пароли остаются доминирующим методом аутентификации пользователей благодаря своей простоте и гибкости. Следовательно, подбор паролей является критически важным компонентом исследований в области кибербезопасности, необходимым как для тестирования на проникновение (например, пентестинг, восстановление паролей), так и для оценки защищённости систем. Традиционные методы, от перебора по правилам до статистических моделей, таких как цепи Маркова и PCFG, имеют врождённые ограничения в разнообразии и эффективности. Появление глубокого обучения, в частности авторегрессионных нейронных сетей, таких как GPT, открывает перспективный путь для генерации более реалистичных и эффективных вариантов паролей. Однако сохраняется серьёзное узкое место: стандартный метод генерации через случайную выборку приводит к дублированию выходных данных и, что критично, производит пароли в неоптимальном порядке, что серьёзно снижает эффективность атаки. В данной статье представлен SOPG (Search-Based Ordered Password Generation — поисковое упорядоченное генерирование паролей), новый метод, разработанный для преодоления этого узкого места.

2. Предпосылки и связанные работы

3. Метод SOPG

4. Технические детали и математическая формулировка

Для авторегрессионной модели вероятность пароля $\mathbf{x} = (x_1, x_2, ..., x_T)$ раскладывается как: $$P(\mathbf{x}) = \prod_{t=1}^{T} P(x_t | x_{

5. Результаты экспериментов и анализ

6. Фреймворк анализа и пример

Фреймворк для оценки моделей подбора паролей:

1. Мощность моделирования: Может ли архитектура точно изучать сложные распределения паролей? (например, GPT против GAN).
2. Стратегия генерации: Как кандидаты выбираются из модели? (Случайно vs. Упорядоченно/На основе поиска).
3. Метрики эффективности атаки:
   • Процент покрытия: % тестовых паролей, взломанных за N попыток.
   • Количество попыток: Количество попыток, необходимых для взлома X% паролей.
   • Эффективная скорость: % сгенерированных попыток, которые являются валидными, уникальными паролями.
   • Вычислительные/Временные затраты: Обращения к модели или время на одну попытку.

Пример (без кода): Рассмотрим двух атакующих, Алису и Боба, использующих одну и ту же обученную модель PassGPT. Алиса использует стандартную случайную выборку. Боб использует метод SOPG, интегрированный с PassGPT (превращая её в SOPGesGPT). Чтобы взломать 20% целевого списка паролей, выборщику Алисы может потребоваться сгенерировать 5 миллионов предположений, со множеством дубликатов, что займёт 10 часов. Система Боба на основе SOPG генерирует пароли в порядке вероятности, взламывая те же 20% всего за 500 000 уникальных, высоковероятных предположений, завершая задачу за 1 час. Атака Боба в 10 раз эффективнее с точки зрения количества попыток и времени, что является решающим преимуществом.

7. Перспективы применения и направления будущих исследований

Непосредственные применения:

• Проактивное тестирование стойкости паролей: Команды безопасности могут использовать модели, усиленные SOPG, для более эффективного аудита политик паролей, выявляя слабые пароли до атакующих.
• Цифровая криминалистика и правоохранительные органы: Ускорение восстановления паролей с изъятых устройств в рамках уголовных расследований.
• Улучшенные чёрные списки паролей: Генерация более полных и вероятностно упорядоченных списков слабых паролей для их отклонения системой при создании.

Направления будущих исследований:

• Гибридный и адаптивный поиск: Комбинирование SOPG с другими эвристиками поиска или его адаптация на основе характеристик цели (например, веб-сайт, демография пользователей).
• Защита от упорядоченного подбора: Исследование новых схем хеширования паролей или протоколов аутентификации, специально устойчивых к атакам с упорядоченной вероятностью, выходя за рамки защит на основе энтропии.
• За пределами паролей: Применение принципов упорядоченной генерации к другим областям безопасности, таким как генерация вероятных ключей шифрования или шаблонов сетевых вторжений для тестирования.
• Оптимизация эффективности: Снижение накладных расходов по памяти и вычислениям алгоритма поиска для его масштабируемости на ещё более крупные модели и наборы символов.

8. Ссылки

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

9. Оригинальный анализ и экспертное заключение