本文比较了不同的基于深度学习的密码猜测方法,包括循环神经网络、生成对抗网络、自编码器以及注意机制,并在非定向离线攻击中提出了使用 IWGAN 变体进行密码猜测的实验设计,该方法可以提高密码安全性并创建更准确和高效的密码强度计。
Aug, 2022
本文介绍了一种基于深度生成模型表示学习的密码猜测方法,提出了一般的有条件密码猜测框架和动态自适应估计密码分布的 EM 框架。
Oct, 2019
本研究提出 PassGAN,一种基于理论的机器学习算法,使用生成对抗神经网络从实际数据泄露中学习密码列表的分布,并生成高质量的密码猜测,实验证明,该方法优于基于规则和最先进的机器学习密码猜测工具,而且不需要任何关于密码或常见密码结构的先验知识,可以提取许多其他工具无法编码的密码属性。
Sep, 2017
本文综述了各种基于深度学习的密码猜测方法,介绍了一种基于生成对抗网络的密码猜测工具 GNPassGAN,与最先进的 PassGAN 模型相比,GNPassGAN 能够猜测更多的密码,生成更少的重复密码,适用于离线攻击。
本篇论文研究了大型语言模型在密码建模中的效力,介绍了一种名为 PassGPT 的大型语言模型,并在密码生成中表现出众,比起之前基于生成对抗网络的方法,猜对了两倍数量的新密码,同时,文章提出了引导密码生成的概念,利用 PassGPT 采样过程生成符合任意约束的密码。最后,文章对 PassGPT 定义密码的熵和概率分布进行了深入分析,并讨论其在增强现有密码强度评估器方面的应用。
Jun, 2023
PagPassGPT 是一种基于 Generative Pretrained Transformer (GPT) 的密码猜测模型,利用模式结构信息进行策略引导猜测,从而显著提高猜中率;此外,我们提出了 D&C-GEN 来减少生成密码的重复率,采用分治法思想将猜测密码的主任务递归地划分为非重叠子任务,并从父任务中继承知识并预测后续标记;与现有模型相比,我们的方案在正确猜测密码的同时减少了 25% 的重复率。
Apr, 2024
本综述对基于深度学习的图形生成方法进行了全面调查,并将其分为自回归,自编码,强化学习,对抗生成和流生成五类,给出了各类方法的详细描述,并介绍了公开源代码,常用数据集和最广泛使用的评估指标,最后强调了现有的挑战和讨论了未来的研究方向。
Dec, 2020
提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型,这些模型可以有效地保护深度学习的隐私,并且经过评估具有较强的鲁棒性。
Dec, 2018
本文研究使用多层感知器、最大均值差异等统计假设检验技术来训练生成对抗网络,并与自编码器网络相结合,以产生比基准方法更优秀的 MNIST 和 Toronto Face Database 的生成模型。
Feb, 2015
本文介绍了一种深度、生成式自编码器,它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法,我们证明了该方法在几个经典数据集上取得了最先进的生成性能。
Oct, 2013