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

本文研究了基于深度学习和概率的密码猜测模型，提出了基于 VAE 的最新深度学习模型，在经典数据集上进行了实证分析并比较了各种方法的生成性能和样本特征。

Dec, 2020

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