GNPassGAN: 改进的生成式对抗网络用于离线密码猜测
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
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
本论文提出一种名为 MalGAN 的生成对抗网络 (GAN) 算法来生成对手样本,以绕过基于黑盒机器学习的检测模型,相对于传统的基于梯度的对手样本生成算法,MalGAN 能够将检测率降至几乎为零,并使基于重新训练的防御方法难以奏效。
Feb, 2017
本文提出了一种基于 GAN 的模型,通过将 GAN 判别器与二元分类器相结合,预防对手伪造任务,从而检测智能设计的非法传感服务请求。模拟结果表明,与单层二元分类器相比,提出的方法将对抗攻击检测率从 0% 提高到 97.5%,提高了三个二元分类器的原始攻击检测率。
Feb, 2022
本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度,以识别和检测假用户账户的新方法,并实验结果表明,该方法的准确率能够达到 98.1%。
Oct, 2022
本文研究了机器学习系统 API 接口的安全性,介绍了探索性攻击和生成对抗网络等技术,并提出了一种具有实际意义的方法,通过生成合成数据扩展样本数据来提高模型性能,从而使敌对机器学习更加实用。
Jan, 2019