論文の概要: Password Strength Detection via Machine Learning: Analysis, Modeling, and Evaluation

• arxiv url: http://arxiv.org/abs/2505.16439v1
• Date: Thu, 22 May 2025 09:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.188267
• Title: Password Strength Detection via Machine Learning: Analysis, Modeling, and Evaluation
• Title（参考訳）: 機械学習によるパスワード強度検出:解析・モデル化・評価
• Authors: Jiazhi Mo, Hailu Kuang, Xiaoqi Li,
• Abstract要約: 本研究では,システムパスワードクラッキングのさまざまな方法を紹介し,パスワード防衛戦略の概要と,パスワードセキュリティの領域における機械学習の適用について論じる。 パスワードの長、桁数、文字数、小文字数、特殊文字数など、複数の特徴を抽出する。
• 参考スコア（独自算出の注目度）: 0.8225825738565354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As network security issues continue gaining prominence, password security has become crucial in safeguarding personal information and network systems. This study first introduces various methods for system password cracking, outlines password defense strategies, and discusses the application of machine learning in the realm of password security. Subsequently, we conduct a detailed public password database analysis, uncovering standard features and patterns among passwords. We extract multiple characteristics of passwords, including length, the number of digits, the number of uppercase and lowercase letters, and the number of special characters. We then experiment with six different machine learning algorithms: support vector machines, logistic regression, neural networks, decision trees, random forests, and stacked models, evaluating each model's performance based on various metrics, including accuracy, recall, and F1 score through model validation and hyperparameter tuning. The evaluation results on the test set indicate that decision trees and stacked models excel in accuracy, recall, and F1 score, making them a practical option for the strong and weak password classification task.
• Abstract（参考訳）: ネットワークセキュリティの問題は注目され続けており、パスワードセキュリティは個人情報やネットワークシステムを保護する上で重要になっている。 本研究はまず,システムパスワードクラッキングのさまざまな方法を紹介し,パスワード防衛戦略の概要と,パスワードセキュリティの領域における機械学習の適用について論じる。 その後、パスワード間の標準的な特徴やパターンを明らかにするために、詳細な公開パスワードデータベース解析を行う。 パスワードの長、桁数、文字数、小文字数、特殊文字数など、複数の特徴を抽出する。 次に、ベクトルマシン、ロジスティック回帰、ニューラルネットワーク、決定木、ランダムフォレスト、積み重ねモデルをサポートする6つの異なる機械学習アルゴリズムを実験し、モデルの検証とハイパーパラメータチューニングを通じて、精度、リコール、F1スコアなど、さまざまな指標に基づいて各モデルのパフォーマンスを評価する。 テストセットの評価結果は、決定木と積み重ねたモデルが精度、リコール、F1スコアに優れており、強力なパスワード分類タスクの実用的な選択肢であることを示している。

関連論文リスト

• MAYA: Addressing Inconsistencies in Generative Password Guessing through a Unified Benchmark [0.35998666903987897]
  我々は、統一的でカスタマイズ可能なプラグイン・アンド・プレイ・パスワード・ベンチマークフレームワークであるMAYAを紹介した。 MAYAは、生成パスワードゲスティングモデルを評価するための標準化されたアプローチを提供する。 シーケンシャルモデルは、他の生成的アーキテクチャや従来のパスワード処理ツールよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-23T12:16:59Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
  既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。 本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:42:09Z)
• 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)
• 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)
• Backdoor Learning on Sequence to Sequence Models [94.23904400441957]
  本稿では,シークエンス・ツー・シークエンス(seq2seq)モデルがバックドア攻撃に対して脆弱かどうかを検討する。 具体的には、データセットの0.2%のサンプルを注入するだけで、Seq2seqモデルに指定されたキーワードと文全体を生成することができる。 機械翻訳とテキスト要約に関する大規模な実験を行い、提案手法が複数のデータセットやモデルに対して90%以上の攻撃成功率を達成することを示した。
  論文  参考訳（メタデータ） (2023-05-03T20:31:13Z)
• CodeLMSec Benchmark: Systematically Evaluating and Finding Security Vulnerabilities in Black-Box Code Language Models [58.27254444280376]
  自動コード生成のための大規模言語モデル(LLM)は、いくつかのプログラミングタスクにおいてブレークスルーを達成した。 これらのモデルのトレーニングデータは、通常、インターネット(例えばオープンソースのリポジトリから)から収集され、障害やセキュリティ上の脆弱性を含む可能性がある。 この不衛生なトレーニングデータは、言語モデルにこれらの脆弱性を学習させ、コード生成手順中にそれを伝播させる可能性がある。
  論文  参考訳（メタデータ） (2023-02-08T11:54:07Z)
• Universal Neural-Cracking-Machines: Self-Configurable Password Models from Auxiliary Data [21.277402919534566]
  ユニバーサルパスワードモデル(ユニバーサルパスワードモデル、Universal password model)は、ターゲットシステムに基づく推測戦略を適応させるパスワードモデルである。 これは、ユーザの補助情報、例えばメールアドレスをプロキシ信号として利用して、基盤となるパスワードの配布を予測する。
  論文  参考訳（メタデータ） (2023-01-18T16:12:04Z)

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。