論文の概要: MoPE: A Mixture of Password Experts for Improving Password Guessing

• arxiv url: http://arxiv.org/abs/2509.16558v1
• Date: Sat, 20 Sep 2025 07:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 15:15:45.70788
• Title: MoPE: A Mixture of Password Experts for Improving Password Guessing
• Title（参考訳）: MoPE:パスワードガイドを改善するためのパスワードエキスパートの混在
• Authors: Mingjian Duan, Ming Xu, Shenghao Zhang, Jiaheng Zhang, Weili Han,
• Abstract要約: 本稿では,パスワードの構造パターンを活用してゲース性能を向上させるMoPEを提案する。 評価の結果,MoPEはオフラインおよびオンラインの推測シナリオにおいて,既存の最先端のベースラインを著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 10.399922446362417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Textual passwords remain a predominant authentication mechanism in web security. To evaluate their strength, existing research has proposed several data-driven models across various scenarios. However, these models generally treat passwords uniformly, neglecting the structural differences among passwords. This typically results in biased training that favors frequent password structural patterns. To mitigate the biased training, we argue that passwords, as a type of complex short textual data, should be processed in a structure-aware manner by identifying their structural patterns and routing them to specialized models accordingly. In this paper, we propose MoPE, a Mixture of Password Experts framework, specifically designed to leverage the structural patterns in passwords to improveguessing performance. Motivated by the observation that passwords with similar structural patterns (e.g., fixed-length numeric strings) tend to cluster in high-density regions within the latent space, our MoPE introduces: (1) a novel structure-based method for generating specialized expert models; (2) a lightweight gate method to select appropriate expert models to output reliable guesses, better aligned with the high computational frequency of password guessing tasks. Our evaluation shows that MoPE significantly outperforms existing state-of-the-art baselines in both offline and online guessing scenarios, achieving up to 38.80% and 9.27% improvement in cracking rate, respectively, showcasing that MoPE can effectively exploit the capabilities of data-driven models for password guessing. Additionally, we implement a real-time Password Strength Meter (PSM) based on offline MoPE, assisting users in choosing stronger passwords more precisely with millisecond-level response latency.
• Abstract（参考訳）: テキストパスワードは、Webセキュリティにおける主要な認証メカニズムである。 その強さを評価するため、既存の研究は様々なシナリオにまたがるデータ駆動モデルを提案している。 しかしながら、これらのモデルは一般的にパスワード間の構造的な違いを無視して、パスワードを均一に扱う。 これは通常、頻繁にパスワード構造パターンを好むバイアスドトレーニングをもたらす。 バイアスのあるトレーニングを緩和するために、パスワードは複雑な短文データの一種として、構造パターンを識別し、それに応じて特定のモデルにルーティングすることで、構造的に認識された方法で処理されるべきである、と論じる。 本稿では,パスワードの構造パターンを活用してゲーシング性能を向上させるために,Mixture of Password ExpertsフレームワークであるMoPEを提案する。 類似した構造パターン(例えば、固定長の文字列)を持つパスワードは、潜伏空間内の高密度領域に集結する傾向にあることを観察した結果、(1)専門的モデルを生成するための新しい構造ベースの手法、(2)信頼性の高い推測を出力する適切な専門家モデルを選択するための軽量ゲート手法、そしてパスワード推測タスクの高い計算周波数に適合する。 我々の評価によると、MoPEは、オフラインおよびオンラインの推測シナリオにおいて既存の最先端のベースラインを著しく上回り、それぞれ38.80%と9.27%の改善を達成し、パスワード推測のためのデータ駆動モデルの性能を効果的に活用できることが示されている。 さらに、オフラインMoPEに基づくリアルタイムパスワード強度測定(PSM)を実装し、ミリ秒レベルの応答レイテンシでより強力なパスワードを選択するのを支援する。

関連論文リスト

• RouteMark: A Fingerprint for Intellectual Property Attribution in Routing-based Model Merging [69.2230254959204]
  我々は,統合されたMoEモデルにおけるIP保護のためのフレームワークであるRouteMarkを提案する。 我々の重要な洞察は、タスク固有の専門家は、探索入力の下で安定かつ独特なルーティング行動を示すことである。 属性と改ざん検出のために,類似性に基づくマッチングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-08-03T14:51:58Z)
• Password Strength Detection via Machine Learning: Analysis, Modeling, and Evaluation [0.8225825738565354]
  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。
  論文  参考訳（メタデータ） (2025-05-22T09:27:40Z)
• MAYA: Addressing Inconsistencies in Generative Password Guessing through a Unified Benchmark [1.4419466020986265]
  本稿では,生成パスワードゲスティングモデルのための統一的,カスタマイズ可能な,プラグイン・アンド・プレイベンチマークフレームワークMAYAを紹介する。 我々は6つの最先端のアプローチを総合的に評価し、標準化を確実にするために再実装し、適応した。 以上の結果から,これらのモデルが人間のパスワード分布の異なる側面を効果的に捉え,強力な一般化能力を示すことが示唆された。
  論文  参考訳（メタデータ） (2025-04-23T12:16:59Z)
• Detecting Document-level Paraphrased Machine Generated Content: Mimicking Human Writing Style and Involving Discourse Features [57.34477506004105]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 これらの課題を克服するために、新しい方法論とデータセットを導入します。 人間の筆記スタイルをエミュレートするエンコーダデコーダモデルであるMhBARTを提案する。 また,PDTB前処理による談話解析を統合し,構造的特徴を符号化するモデルであるDTransformerを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• 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)
• Pre-trained Language Models for Keyphrase Generation: A Thorough Empirical Study [76.52997424694767]
  事前学習言語モデルを用いて,キーフレーズ抽出とキーフレーズ生成の詳細な実験を行った。 PLMは、競争力のある高リソース性能と最先端の低リソース性能を持つことを示す。 さらに,領域内のBERTライクなPLMを用いて,強大かつデータ効率のよいキーフレーズ生成モデルを構築できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-20T13:20:21Z)
• ConTextual Mask Auto-Encoder for Dense Passage Retrieval [49.49460769701308]
  CoT-MAEは,高密度経路抽出のための簡易かつ効果的な生成前訓練法である。 文のセマンティクスを高密度ベクトルに圧縮する学習は、自己教師付きおよび文脈教師付きマスキングによる自動エンコーディングによって行われる。 我々は,大規模経路探索ベンチマークの実験を行い,強力なベースラインよりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2022-08-16T11:17:22Z)

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。