Trenchcoat：用於密碼生成的人類可計算雜湊演算法

1. 簡介

現代數位環境要求個人管理數量龐大的線上帳戶，每個帳戶都由密碼保護。創建並記住獨特、高強度密碼所帶來的認知負擔，導致了不安全的做法，例如密碼重複使用和簡單變體。本文介紹「Trenchcoat」，這是一個人類可計算雜湊演算法框架，旨在僅使用單一、易記的主密碼和心智計算，為每個網站生成安全、獨特的密碼。

2. 當前密碼實踐的問題

使用者夾在安全要求（複雜性規則、頻繁變更）與認知限制之間。這導致：

密碼重複使用：超過 50% 的密碼在多個帳戶間重複使用。
弱密碼結構：依賴可預測的模式、字典單字和個人資訊。
工具依賴與風險：密碼管理器雖然有幫助，但引入了單點故障，且曾出現嚴重漏洞。
可及性差距：許多解決方案並非為神經多樣性或不同能力的使用者設計。

關鍵統計數據

90-130：每位使用者平均擁有的線上帳戶數。

3 × 10¹¹：估計正在使用的密碼數量。

>50%：個人密碼重複使用率。

3. The Trenchcoat Framework

Trenchcoat 將密碼生成重新構想為人類可執行的密碼學過程。

3.1. 核心概念：人類可計算雜湊函數

核心概念是一個函數 $F_R(s, w) \rightarrow y$。它接收使用者的主密碼 (s) 和網站/帳戶識別碼 (w)，產生一個獨特的密碼 (y)。關鍵參數 $R$ 代表使用者獨特的認知配置。

3.2. 利用關聯記憶與內隱記憶 (R)

該框架利用個體特定的認知特徵 ($R$)，例如空間記憶或個人關聯網絡。這使得該函數類似於「認知物理不可複製函數 (C-PUF)」。攻擊者在不知道使用者內部 $R$ 的情況下，無法有效計算或驗證 $F_R$，這提供了一層類似於設備認證中使用的硬體 PUF 的安全性 [37]。

4. 提議演算法與技術細節

4.1. 演算法類別

本文根據基本操作提出了幾種演算法類型：

基於算術：在主密碼和網站名稱上使用模加法、數字操作。
基於空間/導航：將字元映射到心智網格或路徑上的點。
基於詞彙/搜尋：使用個人心智字典或故事關聯。

所有設計都旨在降低認知負荷並提高可及性。

4.2. 數學公式

一個簡化的基於算術的範例：令 $s$ 為數字主密碼（例如，源自一個易記的日期）。令 $H(w)$ 為網站名稱的簡單雜湊值（例如，字元代碼總和模 10）。一個密碼數字 $y_i$ 可以生成為：
$y_i = (s_i + H(w)_i + c_i) \mod 10$
其中 $c_i$ 是來自前一步操作的進位，或是由 $R$ 定義的使用者特定排列步驟。完整密碼是 $y_i$ 的串聯。

5. 安全性分析與熵評估

傳統的密碼分析難以直接應用。本文使用基於熵的指標：

有效金鑰空間：估計攻擊者猜測 $s$ 和 $R$ 的搜尋空間。
對已知攻擊的抵抗力：針對字典攻擊、網路釣魚（生成的密碼是網站特定的）和觀察攻擊（偷窺）的分析。
R 的獨特性：安全性在很大程度上依賴於認知參數 $R$ 的不可預測性和個體性。

結論是，雖然絕對位元強度可能低於演算法雜湊，但整合了人為因素 ($R$) 以及要求攻擊者對其建模，創造了顯著的實際障礙。

6. 實驗結果與使用者調查

該研究包括對134 名個體的調查，每人測試兩種提議的方案，以及對400 個網站的密碼政策審查。

主要發現：

可用性：參與者在短期訓練後能夠可靠地生成密碼。基於空間和故事的方法顯示出較高的回憶率。
接受度：使用者偏好感覺「個人化」或「像故事一樣」的方法，而非純粹的算術方法。
政策分析：網站的密碼要求高度不一致，這使得設計通用生成函數變得複雜。

圖表洞察（概念性）：一個假設的長條圖會在 Y 軸顯示「密碼回憶準確率」，在 X 軸顯示「演算法類型」。與「純算術」演算法（約 70%）相比，「空間/敘事」演算法可能會顯示出顯著更高的準確率長條（約 90%），這展示了利用人類認知優勢的好處。

7. 分析框架與案例範例

評估人類可計算雜湊方案的框架：

輸入定義：明確定義 $s$ 的格式（例如，一個 6 位數字、一個短語）和 $w$ 的格式（例如，完整網域名稱、使用者選擇的標籤）。
操作映射：定義心智操作的序列（例如，「取 w 的第 3 和第 5 個字母，轉換為數字，加到 s 的第 2 位數字...」）。
R 整合：指定如何整合 $R$（例如，「使用你童年電話號碼的區號來設定字母移位模式的種子」）。
輸出格式化：描述如何滿足常見的密碼規則（例如，「如果第三個輸出數字是偶數，則將網站名稱的第一個字母大寫並附加」）。

案例範例（無程式碼）： Alice 選擇她的主密碼 $s$ 為數字「1984」。她的 $R$ 涉及總是反向思考字母表（Z=1, Y=2...）。對於網站「bank.com」，她取第一個和最後一個字母（B, K），透過她的反向字母表映射它們（B->25, K->16），將它們加到她的主密碼數字上（25+1=26, 16+9=25），應用模 26，然後映射回字母（26->A, 25->B）。接著，她應用一個個人規則 ($R$) 在母音後插入一個符號。她為 bank.com 的最終密碼可能是「A!B」。

8. 未來應用與研究方向

混合系統：將人類計算的核心與一個最小的安全設備（例如智慧戒指）結合，進行最終轉換步驟，以增強熵。
標準化與可及性：為不同的認知特徵和能力開發一套經過認證的演算法，可能整合到作業系統登入框架中。
持續認證：使用核心函數的細微變化來生成一次性代碼或行為生物特徵種子。
後量子考量：探索是否可以設計基於晶格問題或其他 PQ-hard 問題的人類可計算函數，正如「人類工作量證明」研究所建議的那樣。

9. 參考文獻

[3] 熱門密碼管理器的安全性分析。 USENIX Security。
[4] B. Ross, 等人。 "使用瀏覽器擴充功能實現更強的密碼認證。" USENIX Security 2005。
[10] Verizon 資料外洩調查報告。 2023。
[15] "密碼管理器中的零時差漏洞。" 網路安全與基礎設施安全局 (CISA)。
[16] Google / Harris Poll。 "線上安全調查。" 2022。
[17] 數位身份趨勢。 Dashlane。 2023。
[30] "全球最常見密碼。" NordPass。 2023。
[34] S. Gaw 和 E. W. Felten。 "線上帳戶的密碼管理策略。" SOUPS 2006。
[37] B. Gassend, 等人。 "矽物理隨機函數。" CCS 2002。 (PUF 開創性論文)
[43] FTC。 "消費者哨兵網路資料手冊。" 2022。
NIST Special Publication 800-63B: Digital Identity Guidelines。
Isola, P., 等人。 "Image-to-Image Translation with Conditional Adversarial Networks。" CVPR 2017。 (用於類比學習複雜映射)。

10. 專家分析與批判性評論

核心洞察

Trenchcoat 不僅僅是另一個密碼方案；它是從基於儲存到基於計算的個人安全性的根本性轉變。其核心洞察是，如果我們設計出合適的「軟體」，那麼具有獨特、不可複製配置 ($R$) 的人腦，可以成為最安全的秘密衍生「硬體錢包」。這直接挑戰了當前產業的信條，即使用者是最弱的一環，必須透過密碼管理器將他們從安全過程中抽象出來。相反地，它主張賦能使用者成為密碼學協同處理器。

邏輯脈絡

本文的邏輯具有說服力，但也揭示了其自身的矛盾。它從當前實踐（重複使用、弱密碼）無可否認的失敗出發。它正確地將認知負荷識別為根本原因。其解決方案——人類可計算函數——在理論上是優雅的：將記憶負擔減少到一個秘密，將獨特性交給計算。然而，當必須面對對抗性評估時，這個脈絡就遇到了阻礙。作者承認傳統密碼分析力有未逮，轉而求助於熵估計。這不是一個小瑕疵；這是核心挑戰。整個系統的安全性取決於對個人 $R$ 建模的困難性，這一主張更多是基於認知科學，而非可證明的密碼學。這讓人想起早期對生物辨識的論點——獨特性並不等同於在攻擊下具有強健、可分析的安全性。

優勢與缺陷

優勢：對可及性和神經多樣性的關注是一個重要且常被忽視的貢獻。透過為基本操作進行設計，它可能涵蓋了被文字密集或複雜介面排除在外的使用者。認知 PUF (C-PUF) 的概念在知識上富有成果，為人因認證提供了新的視角。使用者研究雖然規模中等，但提供了許多純理論提案所缺乏的關鍵現實世界驗證。

缺陷：「R 的黑盒子」是一把雙面刃。如果 $R$ 過於簡單或可預測（例如，「我總是使用我的生日」），安全性就會崩潰。如果它過於複雜，回憶就會失敗。沒有指導使用者如何選擇一個「強」的 $R$。政策不相容性是一個實際的致命傷。如果一個網站要求一個包含兩個符號的 16 字元密碼，使用者的心智演算法能可靠地適應嗎？本文對此輕描淡寫。最後，容錯率為零。一個心智步驟的錯誤很可能會產生一個無法恢復的錯誤密碼，這與管理器的複製貼上不同。

可行見解

對於安全架構師：不要將其視為學術研究而忽視。在禁止使用密碼管理器的內部測試帳戶中，試行一個受 Trenchcoat 啟發的方法。用它來壓力測試「認知秘密」強度的概念。對於使用者體驗研究員：這裡的演算法是研究不同認知風格如何解決問題的寶庫。合作建立一個 $R$ 類型的分類法。對於標準制定機構 (NIST, FIDO)：關注這個領域。下一代的認證指南必須考慮混合模型。發起一個關於「人類輔助密碼學原語」的工作小組，以建立評估框架，超越熵，建立包含社交工程和部分 $R$ 洩漏的強健威脅模型。最終的啟示是：Trenchcoat 可能不是最終答案，但它巧妙地重新定義了問題。個人認證的未來不在於移除人類，而在於重新設計密碼學與認知之間的介面。

目錄