基于深度学习的密码字典生成技术研究

发布时间：2020-10-30 19:52

　　 随着计算机的普及和互联网的发展,安全问题也日益增多。为了应对日益严峻的安全问题,往往使用身份认证技术区分授权与非授权用户,从而保证系统和数据的安全。基于口令的身份认证是最简单、最常用的身份认证方式。多项研究表明,密码的概率分布并不均匀。密码字典生成技术首先通过分析大量用户密码得到特征,然后根据特征生成密码字典。生成的密码字典中包含了最有可能出现的用户密码。本文将深度学习应用于密码字典生成,针对离线攻击和在线攻击两种场景,设计与实现了非特定用户密码字典生成与特定用户密码字典生成。其中,非特定用户密码字典生成利用循环神经网络了挖掘用户密码的共性特征,该方法生成的密码字典相比Markov、PCFG等方法生成的密码字典,在多个测试数据集上覆盖率更高,说明该字典能有效提高字典攻击性能;特定用户的密码字典生成使用循环神经网络挖掘用户密码与用户个人信息之间的潜在规律,实验证实该技术能结合用户个人信息猜测用户密码结构,更进一步可以结合用户个人信息生成用户密码,在已知用户个人信息情况下,相比Markov、PCFG等方法能够提高生成该用户密码的正确率,相比TarGuess方法能提高一次猜中该用户密码的正确率。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;TN918.1
【部分图文】：

户登录、权限管理等涉及用户隐私和安全的应用服务中。该身份认户知道的信息来证明用户身份。通过验证用户名和相应的密码，可授权用户，可以进行登录或取得相应权限。一旦用户名和密码泄露取得相应权限，因此通过用户名和密码进行用户身份认证的方式安是通过用户名和密码进行身份认证的方式原理简单、成本低（不需且易于实现，因此在可预见的未来仍然会是主流的的身份认证方式几年，拖库和撞库导致的密码泄露事件频发。如图 1-1 所示，黑客获要通过两种途径：一是黑客入侵网站并获取网站数据库（即拖库）据库中直接获取明文存储的密码或是通过密码破解的方式从哈希值码；二是黑客收集已经泄露的密码与用户信息，使用技术手段批量是尝试在线登陆（即撞库）。截至 2017 年 12 月，已有 RockYou、MyS、天涯等共两百多个网站泄露用户信息及密码在网上传播。用户密码人隐私、个人财产受到侵害，带来不可估量的损失。特别是当前互生产生活各个方面，受害者可能遭遇身份盗用、网络诈骗、电话骚正常生活。

a)英文用户 b)中文用户a)English user b) Chinese user图 2-2 英文、中文用户密码中连续两个字符频数统计Fig.2-2 The frequency statistics of continuous 2 characters in passwords of English users andChinese users2.3 密码字典与字典攻击研究用户密码特征的目的是更好地模拟用户密码，从而生成密码字典。密码字典生成主要是为了提升字典攻击的性能。假设目前已有哈希集合 H 和密码字典 K，利用字典攻击实现破解。字典攻击的策略一般有两种：一种是取 H 中的一条哈希值 h，依次取 K 中的密码进行尝试，直到找到 h 的密码或是遍历 K 结束，再取下一条哈希值重复该过程；另一种是取出 K 中的一条密码 k，计算哈希值后依次与 H 中的哈希值进行比对，相同则找到密码，否则对于未找到密码的哈希值，取 K 中下一条密码重复该过程。不论哪种策略都需要字典 K 尽可能多的包含 H 所对应的用户密码，此外密码

图 2-3 用户密码构建 Markov 模型实例Fig.2-3 Examples of Markov models for user passwords表 2-5 Markov 模型用于字符串生成Table 2-5 String generation by Markov model字符串 零阶 Markov 一阶 Markov 二阶 Markov(ED) 0.2 0.2 0.2A(ED) 0.5*0.2=0.1 0.5*0.2=0.1 0.5*0.2=0.1B(ED) 0.3*0.2=0.06 0.3*0.2=0.06 0.3*0.2=0.06A(ED) 0.5*0.5*0.2=0.05 0.5*0.6*0.2=0.06 0B(ED) 0.5*0.5*0.2=0.05 0.5*0.6*0.2=0.06 0.5*0.2*1=0.1… … … …AAB(ED) 0.5*0.5*0.5*0.5*0.3*0.2=0.003750.5*0.6*0.6*0.6*0.2*0.33=0.0071280.5*0.6*0.66*0.66*0.=0.04312BA(ED) 0.5*0.2=0.009 0.3*0.33*0.33*0.2=0.0065340.3*0.33*1*1=0.09… … … …
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 刘高宇;;深度神经网络在煤质数据分析与预测中的应用[J];电脑知识与技术;2019年28期

3 冯伟业;廖可非;欧阳缮;牛耀;;基于胶囊神经网络的合成孔径雷达图像分类方法[J];科学技术与工程;2019年28期

4 温赞扬;;基于群智优化神经网络的音乐风格分类模型研究[J];现代电子技术;2019年21期

5 郑丽;;建筑设计中神经网络技术与遗传算法探究[J];湖北农机化;2019年21期

6 易炜;何嘉;邹茂扬;;基于循环神经网络的对话系统记忆机制[J];计算机工程与设计;2019年11期

7 黄为;李永刚;胡上成;汪毅;;基于循环神经网络的船摇数据实时预测[J];科学技术与工程;2019年31期

8 赖策;魏小琴;;卷积神经网络的训练方式研究[J];信息与电脑(理论版);2019年22期

9 周济民;;基于神经网络改进的元胞自动机分析——美国阿片类药物滥用情况[J];信息系统工程;2019年11期

10 马猛;王明红;;基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J];轻工机械;2019年06期

相关博士学位论文 前10条

1 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

2 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

3 付钱华;忆阻神经网络的动力学研究[D];电子科技大学;2019年

4 张马路;Spiking机器学习算法研究[D];电子科技大学;2019年

5 杜昌顺;面向细分领域的舆情情感分析关键技术研究[D];北京交通大学;2019年

6 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

7 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

8 饶红霞;信息受限下神经网络的状态估计和拟同步研究[D];广东工业大学;2019年

9 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年

10 陈科海;机器翻译上下文表示方法研究[D];哈尔滨工业大学;2019年

相关硕士学位论文 前10条

1 白会杰;基于人工智能的光伏发电短期功率预测技术[D];北京交通大学;2019年

2 张荣葳;基于卷积神经网络与SimHash的网络异常流量检测技术研究[D];中国工程物理研究院;2019年

3 张超利;基于神经网络的河南省空气污染预测研究[D];华北水利水电大学;2019年

4 范汝鑫;基于深度神经网络的个性化商品推荐研究[D];合肥工业大学;2019年

5 贾凯;人工蜂群算法与BP神经网络并行集成学习研究[D];合肥工业大学;2019年

6 黄国维;基于深度学习的城市垃圾桶智能分类研究[D];安徽理工大学;2019年

7 江白华;基于深度学习的人脸识别研究[D];安徽理工大学;2019年

8 侯栋楠;基于深度特征学习的振动状态识别方法[D];华北电力大学;2019年

9 肖炜茗;基于Bernstein多项式和阶梯路径构造的前向插值神经网络及逼近能力[D];天津师范大学;2019年

10 强硕;基于神经网络的电锅炉动态过程建模研究[D];华北电力大学;2019年

本文编号：2862934