Fugu-MT 論文翻訳(概要): Search-based Ordered Password Generation of Autoregressive Neural Networks

論文の概要: Search-based Ordered Password Generation of Autoregressive Neural Networks

arxiv url: http://arxiv.org/abs/2403.09954v1
Date: Fri, 15 Mar 2024 01:30:38 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 20:46:21.394495
Title: Search-based Ordered Password Generation of Autoregressive Neural Networks
Title（参考訳）: 検索に基づく自己回帰型ニューラルネットワークの順序付きパスワード生成
Authors: Min Jin, Junbin Ye, Rongxuan Shen, Huaxing Lu,
Abstract要約: GPTに基づくパスワード推測モデルであるSOPGesGPTを構築し,SOPGを用いてパスワードを生成する。最も影響力のあるモデルであるOMEN、FLA、PassGAN、VAEPassと比較すると、SOPGesGPTは有効率とカバーレートの両方においてはるかに優れている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Passwords are the most widely used method of authentication and password guessing is the essential part of password cracking and password security research. The progress of deep learning technology provides a promising way to improve the efficiency of password guessing. However, current research on neural network password guessing methods mostly focuses on model structure and has overlooked the generation method. Due to the randomness of sampling, not only the generated passwords have a large number of duplicates, but also the order in which passwords generated is random, leading to inefficient password attacks. In this paper, we propose SOPG, a search-based ordered password generation method, which enables the password guessing model based on autoregressive neural network to generate passwords in approximately descending order of probability. Experiment on comparison of SOPG and Random sampling shows passwords generated by SOPG do not repeat, and when they reach the same cover rate, SOPG requires fewer inferences and far fewer generated passwords than Random sampling, which brings great efficiency improvement to subsequent password attacks. We build SOPGesGPT, a password guessing model based on GPT, using SOPG to generate passwords. Compared with the most influential models OMEN, FLA, PassGAN, VAEPass and the latest model PassGPT in one-site test, experiments show that SOPGesGPT is far ahead in terms of both effective rate and cover rate. As to cover rate that everyone recognizes, SOPGesGPT reaches 35.06%, which is 254%, 298%, 421%, 380%, 81% higher than OMEN, FLA, PassGAN, VAEPass, and PassGPT respectively.
Abstract（参考訳）: パスワードは最も広く使われている認証手法であり、パスワードの解読とパスワードのセキュリティ研究に欠かせない部分である。ディープラーニング技術の進歩は、パスワード推測の効率を改善するための有望な方法を提供する。しかし、ニューラルネットワークパスワード推定法に関する最近の研究は、主にモデル構造に焦点を当てており、生成方法を見落としている。サンプリングのランダム性のため、生成されたパスワードには多数の重複があるだけでなく、パスワードが生成される順序もランダムであり、非効率なパスワード攻撃につながる。本稿では,自己回帰型ニューラルネットワークに基づくパスワード推測モデルを用いて,確率のおよそ下降順でパスワードを生成する,検索に基づく順序付きパスワード生成手法SOPGを提案する。 SOPGとランダムサンプリングの比較実験では、SOPGが生成したパスワードは繰り返されず、同じカバーレートに達すると、SOPGはランダムサンプリングよりも推論を少なくし、生成したパスワードをはるかに少なくする。 GPTに基づくパスワード推測モデルであるSOPGesGPTを構築し,SOPGを用いてパスワードを生成する。 OMEN, FLA, PassGAN, VAEPass, and the latest model PassGPT in one-site testと比較すると, SOPGesGPTは有効率とカバー率の両方においてはるかに優れていることが示された。カバーレートは、SOPGesGPTが35.06%に達し、それぞれ254%、298%、421%、380%、81%がOMEN、FLA、PassGAN、VAEPass、PassGPTよりも高い。

関連論文リスト

PassTSL: Modeling Human-Created Passwords through Two-Stage Learning [7.287089766975719]
NLPと深層学習(DL)で一般的な事前学習ファインタニングフレームワークに着想を得たPassTSL(2段階学習による人為的なパスワードのモデル化)を提案する。 PassTSLはパスワード推測において5つのSOTA(State-of-the-art)パスワードクラッキング法を最大で4.11%から64.69%の差で上回っている。 PassTSLに基づいてパスワード強度計(PSM)も実装し,パスワード強度をより正確に推定できることを示した。
論文参考訳（メタデータ） (2024-07-19T09:23:30Z)
Nudging Users to Change Breached Passwords Using the Protection Motivation Theory [58.87688846800743]
我々は保護動機理論(PMT)に基づいて、侵入したパスワードの変更を促すナッジを設計する。本研究は, PMTのセキュリティ研究への応用に寄与し, 漏洩したクレデンシャル通知を改善するための具体的な設計上の意味を提供する。
論文参考訳（メタデータ） (2024-05-24T07:51:15Z)
PagPassGPT: Pattern Guided Password Guessing via Generative Pretrained Transformer [8.591143235694826]
本稿では,GPT(Generative Pretrained Transformer)を用いたパスワード推測モデルPagPassGPTを提案する。パターン構造情報を背景知識として組み込むことでパターンガイドによる推測を行うことができ、それによってヒット率が大幅に向上する。また,D&C-GENを用いて生成したパスワードの繰り返し率を低減する手法を提案する。
論文参考訳（メタデータ） (2024-04-07T09:06:14Z)
Rethinking Model Selection and Decoding for Keyphrase Generation with Pre-trained Sequence-to-Sequence Models [76.52997424694767]
キーフレーズ生成(英: Keyphrase Generation, KPG)は、NLPにおける長年の課題である。 Seq2seq 事前訓練言語モデル (PLM) は KPG に転換期を迎え、有望な性能改善をもたらした。本稿では, PLM に基づく KPG におけるモデル選択と復号化戦略の影響について, 系統解析を行った。
論文参考訳（メタデータ） (2023-10-10T07:34:45Z)
PassGPT: Password Modeling and (Guided) Generation with Large Language Models [59.11160990637616]
パスワード生成のためのパスワードリークをトレーニングした大規模言語モデルであるPassGPTを提案する。また、任意の制約を満たすパスワードを生成するために、PassGPTサンプリング手順を利用する誘導パスワード生成の概念も導入する。
論文参考訳（メタデータ） (2023-06-02T13:49:53Z)
RiDDLE: Reversible and Diversified De-identification with Latent Encryptor [57.66174700276893]
本研究は、Reversible and Diversified De-identification with Latent Encryptorの略であるRiDDLEを提示する。事前に学習したStyleGAN2ジェネレータ上に構築されたRiDDLEは、潜伏空間内の顔のアイデンティティを暗号化して復号する。
論文参考訳（メタデータ） (2023-03-09T11:03:52Z)
Targeted Honeyword Generation with Language Models [5.165256397719443]
ハニーワードは、パスワード違反を特定するためにデータベースに挿入された架空のパスワードである。大きな問題は、実際のパスワードと区別が難しいハニーワードの作り方だ。
論文参考訳（メタデータ） (2022-08-15T00:06:29Z)
GNPassGAN: Improved Generative Adversarial Networks For Trawling Offline Password Guessing [5.165256397719443]
本稿では,深層学習に基づくパスワード推測手法について概説する。また、GNPassGANも導入している。GNPassGANは、オフライン攻撃をトロールするジェネレーティブな敵ネットワーク上に構築されたパスワード推測ツールだ。最先端のPassGANモデルと比較して、GNPassGANは88.03%以上のパスワードを推測し、31.69%の重複を発生させることができる。
論文参考訳（メタデータ） (2022-08-14T23:51:52Z)
Text Generation with Efficient (Soft) Q-Learning [91.47743595382758]
強化学習(RL)は、任意のタスクメトリクスを報酬としてプラグインすることで、より柔軟なソリューションを提供する。ソフトQ-ラーニングの観点からテキスト生成のための新しいRL式を導入する。雑音/負の例から学習し、敵攻撃、即時生成など、幅広いタスクにアプローチを適用する。
論文参考訳（メタデータ） (2021-06-14T18:48:40Z)
Skeptic: Automatic, Justified and Privacy-Preserving Password Composition Policy Selection [44.040106718326605]
パスワード保護システムに強制するパスワード構成ポリシーの選択は、重要なセキュリティ上の決定である。実際には、この選択は厳密で正当化できるものではなく、システム管理者は直感だけでパスワード構成ポリシーを選択する傾向にある。本研究では,大量の実世界のパスワードデータから構築されたパスワード確率分布を推定する手法を提案する。
論文参考訳（メタデータ） (2020-07-07T22:12:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。