More Than Code

Improving Password Guessing via Representation Learning

发表于 分类于
本文字数： 13k 阅读时长 ≈ 12 分钟

《Improving Password Guessing via Representation Learning》论文阅读记录

摘要

  • 介绍了一种用于密码猜测的深度生成模型表示学习方法
  • 展示了一种抽象的密码表示形式，能提供通用的属性
  • 提出
    • 条件密码猜测的一般框架，可以生成带有任意偏差的密码
    • 期望最大化启发的框架，动态调整估计的密码分布，以匹配被攻击的密码数据集的分布

介绍

  • 现代的密码猜测攻击建立在这样的观察基础上：人类选择的密码并不是均匀分布在密码空间中，而是自然倾向于选择容易记住的密码
  • 攻击者可以估计真实密码在密码空间的密集区域【58】
  • 【42，27，56】在不同的假设下，试图直接估计一组密码背后的概率分布，以生成合适的猜测
  • 表示学习从大量的非结构化数据中学习有用的和解释性的表示【18】
  • 对 GAN【30】实例和 WAEs【51】实例的潜在空间中对密码的表示进行建模，由于其平滑性【18】，这种表示形式在高维密码空间中强制了语义组织，使得生成器的潜在空间中，与语义相关的密码的表示更为接近，潜在空间中的几何关系直接转换为数据空间中的语义关系
  • 本文表征了两个主要属性：密码强局部性和密码弱局部性，分别对应条件密码猜测和动态密码猜测
  • 贡献：
    • 第一个证明，在密码猜测领域中使用完全无监督学习的表示学习具有可行性
    • 提出一种概率性的，完全不受监督的基于模板的密码生成方式CPG
    • 提出DPG：从与被攻击密码集的交互反馈，动态地调整猜测策略，攻击者可以利用在攻击中成功猜出的密码不断调整攻击模型

背景

深度生成模型

  • 深度生成模型是潜变量模型。网络被隐含地引导去学习一组潜在变量

  • 训练过程中，对学习到的潜在变量进行先验分布，这种先验，在本文中称为先验潜伏分布或$\dot{p}(z)$**——一种易于抽样、无信息和因子分解的先验，往往是标准正态分布或0-1均匀分布**【29】

  • 生成网络是潜在空间$Z$和数据空间$X$之间确定性的映射函数：$p(X)=p(X|z;\theta)\dot{p}(z)$

  • 本文引入了一般的潜在空间概率密度函数$p(z)$，而且生成器的平滑度迫使在学习的潜在空间中形成几何组织，类似特征嵌入

  • GAN 通过对抗性训练绕过了定义一个明确的似然函数，能够估计一个尖锐分布【29】

  • AE 没有用对抗性进行训练，而是使用最大似然方法，一旦训练好，解码器就可以充当数据生成器。但训练期间必须强制潜在空间和先验潜在分布一致

生成模型在密码猜测的应用

  • 上一部分证明了深层生成模型具有其固有的新颖、有价值的特性，在表示学习的角度下抽象底层模型，这些特性可以用来设计独特的猜测技术，这是任何现有方法都做不到的

GAN

  • PassGAN【35】将 GAN 生成器训练为 an implicit estimator of password distributions

    • 在残差网络的架构上【34】利用了具有梯度代价的 WGAN【33】
    • 假定了一个具有标准正态分布的潜在空间
    • PassGAN 与其他方法相比，如果要获得相同数量的匹配密码，最多需要十倍的猜测次数
    • 模型无法将固定的概率分配给产生的猜测，因此无法根据密码使用人数对其排序
    • 存在训练不稳定性（因此生成器和判别器不能执行足够数量的迭代次数，下面为原因）
      • 离散数据对生成器难以重现，因为 softmax 层会导致低质量的梯度（low-quality gradient）
      • 生成器无法完全模拟离散特性，因此判别器更容易区分真假，这样就没有给生成器留下提高的空间（特别是训练的最后阶段）
    • 每一个字符串表示为一个二进制矩阵，通过独热码串联而成

  • 对策：

    • 对训练集的字符串表示，增加了随机平滑机制——在每个字符的独热码上加入小幅度的加性噪声
    • 噪声幅度的上限作为超参数，设置为0.01
    • 加入噪声后对每个字符分布重新归一化（这里我没想明白归一化的含义？是一个独热码[1,0,0,0]+[0.005,0.005,0.005,0.005]之后，内部归一化吗，而且噪声服从什么分布？）
    • 保持梯度惩罚框架 WGAN【33】 不变
    • 用更深的 residual bottleneck blocks【34】替代了 residual blocks，但数量保持一致
    • 生成器中**使用 batch normalization **对增加层数极为重要
    • 以上对策提高了训练迭代次数，而不会出现崩溃【21】

    image-20210105202001024

  • 根据密码最大长度（10、16、22）不同，训练三个生成器

AE

  • 第二种生成密码猜测模型基于 WAE【51】
  • WAE 规范化了潜在空间，使其与选定的潜在分布保持一致
  • WAE 与 GAN 部分特点相似，但 WAE 提供了准确的逆映射（编码），使得在一些情况下比 GAN 要好
  • 将模型训练为 CAE【47】
    • 每次接收输入密码的噪声版本（以一定概率$p=\frac{\varepsilon}{|x|}$去除密码中的任意字符，其中分母为密码长度，分子为设置为5的超参数）
    • 输入处理后的密码，再现完整的密码——必须从上下文估计丢失的字符
    • 使用 GAN 生成器架构，但层数更深
    • 使用和 GAN 相同的先验潜在分布（$N(0,1)$，128维）

条件密码猜测(CPG)和密码的强局域性

介绍密码的局部性概念以及可能的应用

密码强局部性和本地化抽样

  • 在训练过程中加入注意力机制/感应偏置（inductive bias）

  • 在本文中，密码潜在表示的相似性取决于一些关键因素，例如密码结构、常见子字符串的出现以及字符类别（具体因素在论文的附录中）

  • 这里用三个密码——“jimmy91”, “abc123abc”, and “123456”——举了一个例子（个人认为这里的图是后期手动生成的，以说明潜在的分布具有意义），每个密码的周围密码存在一定的相似性

  • 将这种共享同一细粒度特征的密码聚集起来，这样的特征体现了密码的强局部性

    image-20210105211348525

  • 由于这样的密码被限制在密码空间的特定区域，因此可以通过在此区域采样来诱导网络生成时的样本倾向，即产生 bias——需要考虑如何表达这种 bias /定位这一空间

    • 提取原型密码 x 的潜在表示 z（之后称为枢轴，在上图就是深红色的密码） 周围的潜在点，以生成与原型 x 相关的密码

    • 通过之前的 AE 网络从 x 推断潜在表示 z（作者认为，这个过程可以推广，也可以使用其他的深度生成模型如【25，36，40】）

    • 获得 z 之后可以将生成器的采样限制在 z 的周围，以生成相似的密码

      • 为了与先前的潜在分布保持一致，并避免采样分布不匹配，选择高斯分布$N(z,\sigma I)$

      • 认为潜在点和 z 的语义关系强度，和二者的空间距离成正比，因此高斯分布的标准差提供了语义相关强度限制手段。下面这个是不同标准差下，潜在点采样结果

        image-20210105221136674

基于密码模板倒置的局部空间密码生成

  • 上面用编码器、密码在密码空间的位置属性生成相关类别的密码，但还可以进一步通过“模板”定义这些类别，从而更精准定位密码空间位置

  • 编码器通过在字母表中引入占位符，强制定义特定的密码，例如 Jimmy** 表示字符串 Jimmy 长度为8（加结束符）、前缀为 Jimmy 的密码，且占位符的独热向量为空

  • 在生成过程的过程中，占位符被高概率的字符替换

    image-20210105223854336

CPG

  • 适用场景：

    • 攻击者需要生成任意数量的具有特定结构/公共子串的猜测
    • 攻击者可以恢复不完整的密码
    • 合法用户用于恢复遗忘了部分字符的密码

  • 过去的方法（如FLA）无法“条件生成密码”

    • 不能为丢失字符指定概率
    • 丢失了前向性，即忽略了占位符出现在密码开头的可能性
    • 如果占位符过多，过去的方法也不适用（但它们能处理特殊情况的模板，如前缀完全已知，而且占位符数目不多）
    • 过去的方法，为了生成任意的模板，往往根据截至频率来枚举密码
      • 需要大空间存储，枚举次数极多
      • 难以生成低概率的猜测——如果选择的 bias 使该类密码的分布概率较低，那么这类密码在枚举过程中不容易出现
      • 基于枚举的方法不能生成密码猜测攻击需要的有效猜测量

  • 相反的，基于表示学习的方法和其位置属性，能够实现条件密码生成

    • 局部性原则使得相似的密码分布在潜在空间的有限区域

    • 模板反转能定位这些区域

    • 可以有条件地为每个有意义的 bias 产生猜测

    • 算法如下

      • 选择一个模板$t$

      • 用编码网络$E$得到潜在分布$z$

      • 以$z$为中心抽取潜在点，尺度为$\sigma$

      • 过滤与 $t$相同的猜测结果

        image-20210105231316946

评估

我认为这里的评估，是为了证明本文的方法在某些场景下的生成效果，会远好于已有的方法，而没有考虑具体的密码破解能力（覆盖率），也就是说CPG的方法只能作为密码破解的一个子方案；其意义在于表明强关联性是具有意义的

  • 创建带 bias 的测试集

    • 一个带偏差的$t_i$是一个模板，一个字符串$t_i$由字符表中的字符（210个）和占位符组成

    • 每个模板都是从密码验证集$X_v$随机抽取，这里用 LinkedIn，密码长度最大为16，有$6 \times 10^7$个不重复密码——是训练集 Rockyou 的5倍

      • 对从验证集抽取的一条密码，每个字符都有一定概率（概率为0.5）被替换为占位符（个人认为服从二项分布）
      • 只选择包含至少 4 个可观察字符和至少 5 个占位符的模板，以限制暴力破解的可能性

    • 获得足够大的模板集合后，创建一组有偏差的测试集

      • 查找与各个模板匹配的所有密码

      • 基于匹配的密码数目，将模板分为四类（每一类都至少有30个不同的模板，具体模板在论文附录）

        image-20210106095205727

  • 测试结果

    • 使用 CWAE（此场景下，AE 要好于 GAN）根据训练集密码最大长度训练三个模型（10，16，22），三者的结果基本一致no consistently different results have been obtained with models trained on password lengths 10 and 22

  • 设置高斯分布标准差为0.8，为每个模板生成$10^7$个密码，计算相应模板下实际密码的覆盖率

  • 对比模型（每个对比方法经过训练后生成$10^{10}$个密码）

    疑问：这里 CWAE 是需要用rockyou获得对应模板密码后，再根据这些模板密码训练，然后在linkedin上不同模板下的密码集测试的吗？还是 CWAE 只需要保证输入和输出相同就行（我感觉应该是后者）？对比模型则是用rockyou统一训练后，生成这么多密码，再分别查看模板的覆盖率吗？

    • OMEN：相同的训练数据集 Rockyou（0.8-0.2）

      • FLA：使用【42】中最大的模型，即3个LSTM组成，一个LSTM有1000个cell
      • PCFG：相同的训练数据集 Rockyou（0.8-0.2）
      • HashCat：数据来源相同，但按照频率排序，密码唯一，使用 PasswordsPro【6】作为规则集
      • CMU-PGS：密码根据最小自动配置【53】猜测的，其中组合了多种工具，通过 web 界面查询猜测次数并只考虑次数少于$10^{10}$的密码，Recommended tools setup and “1class1” have been used

    • 结果如下

      image-20210106102651616

动态密码猜测（DPG）和密码弱局部性

密码弱局部性

  • 密码的表示可以通过嵌入性质实现相似密码的映射——强局部性；密码的一般特征，如平均密码长度、字符分布可以作为弱局部性

  • 这里论文举了一个例子，将 MySpace、Hotmail、phpbb 由生成器学习的潜在空间表示出来，与整个密码空间做了一个对比（没想明白这个图是怎么画出来的，文章说通过降维获得，但怎么做到降维成2D的？）

    image-20210106103821530

DPG

我觉得，这个算法的重点在于：1.需要生成器生成密码 2.根据猜测结果对生成器再次微调

  • 以往的概率密码猜测工具都显式/隐式地捕捉训练集密码背后的概率分布，它隐含了训练集的分布满足一般性的假设

  • 训练集和测试集分布上的差异是一个广泛的问题，称为covariate shift reduction【49】

  • 但如果破解了第一个密码，则可以开始观察、模拟测试集的分布

    • 过去的方法，如 FLA，其分布受网络参数决定$p(x)=p(x;\theta)$，因此如果通过破解结果反向作用网络参数，需要考虑破解结果的代表性问题——几百个破解结果和百万级的训练数据之间的权重——微调网络的成本很高
    • 但生成模型模拟的分布，是潜在分布 z 的联合概率分布$P(x)=P(x,z)=P(x|z;\theta)P(z)$，后者可以进行调整——后者独立于生成器
      • 在均匀分布的情况下（例如myspace），可以缩小密集区域周围的空间，避免探索整个潜在空间
      • 对于远离生成器模型分布的密码集（训练集和测试集的分布差异较大时），可以将重点放在潜在空间的区域上
      • 当改变 z 的分布来为某一猜测到的密码 x 分配更多概率密度时，其实也增加了密码空间中其相邻密码的概率——由于弱局部性属性，这些密码具有相似的特征

  • 以下为具体算法：

    • $O$为目标密码集，$Z$为生成器生成的密码

    • $p_{latent}$代表采样潜伏点的分布（我觉得是指生成器输入的采样分布，但初始化时的分布时什么？标准正态分布吗？）

    • $makeLatentDistribution$函数从猜中的口令集合得出新的潜在分布（是更新生成器吗，还是更新DPG输入的分布？我觉得是后者）

      • 每个新猜到的密码都会引入一个以$z_j$为中心的新高斯分布，超参数$\sigma$为每个新高斯的标准差，表明希望从观察到的密码集中采样距离，越大则可以探索更广的距离
      • 新高斯函数为$N(z_j,\sigma)$
      • 如果 $x_i$ 的概率已知，则可以对相应 $z_i$ 的高斯函数加权。否则认为高斯分布均匀

    • $G(z)$表示根据$z$生成一个候选密码

    • $\alpha$为启动超参数，表明猜测到预定数目的密码后，开始使用条件潜伏分布

      image-20210106110326303

  • GAN 在 DPG 的表现上好于 CWAE

  • 和 PassGAN 对比，DPG 在三个数据集上（和下面三个不同）都比 PassGAN 好，覆盖率分别为25+、35+、30+

  • 与其他方法的对比——如果没有明显的协变量转换，动态攻击不能直接与最先进的解决方案的性能相匹配，但能够猜测到测试集中特殊的密码

    image-20210106111658123

相关工作

  • 基于字典的攻击是最早的猜测技术
    • 基于规则的密码扩展【44】——JTR【7】，Hashcat【3】
    • 基于概率：
      • 马尔可夫模型【45】
      • 提出 OMEN【27】作为前者的扩展，其中引入改进的枚举猜测算法
      • PCFG【56】，从密码推断语法，以生成猜测密码
    • 基于神经网络
      • 【22】首次引入网络
      • 【42】提出用递归神经网络估计密码分布（FLA），此方法放宽了潜在的n元马尔可夫假设，通过树遍历算法在密码空间中枚举
      • 根据已知的其他网站泄露密码，“调整”密码以猜测其他账户密码
        • 【46】方法的基础为密码相似性——用户经常使用一对密码，则这对密码是相似的
        • 【46】的攻击技术基于概率神经模型，为攻击产生微调的密码变体
        • 构建一个嵌入空间embedding space以估计所选密码之间的相似性，并构建密码强度计，用于查看用户创建密码时是否微调密码。

结论

  • 证明局部性原则和深度生成模型的结合具有实践和理论的可能性
  • 提出 CPG 和 DPG
    • 前者支持条件生成任意偏置密码——从经验上证明了其优势
    • 后者证明，从猜测到的密码中获得的新知识可以进一步推广，以模拟目标密码分布，能生成被攻击的密码集特有的密码（这一点其他猜测方法做不到）

参考文献

[1] “Chinese Video Service Giant Y ouku Hacked; 100M Accounts Sold on Dark Web”. https://tinyurl.com/yb78uxnh.
[2] “Cracking Passwords 101”. https://tinyurl.com/y268xahe.
[3] “hashcat”. https://tinyurl.com/y636jsz9.
[4] “Hotmail Password Leak”. https://tinyurl.com/yyr2je4m.
[5] “Improving Password Guessing via Representation Learning”. https://github.com/pasquini-dario/PLR.
[6] “InsidePro-PasswordsPro Rules”. https://tinyurl.com/vd9jzaz.
[7] “John the Ripper”. https://tinyurl.com/j91l.
[8] “Leak Youku”. https://tinyurl.com/y9f2xez6.
[9] “LinkedIn Password Leak”. https://tinyurl.com/yxf7f5gv.
[10] “MySpace Password Leak”. https://tinyurl.com/y433aaah.
[11] “phpbb Password Leak”. https://tinyurl.com/yxonf7um.
[12] “RockYou Password Leak”. https://tinyurl.com/af858jc.
[13] “The Carnegie Mellon University Password Research Group’s Password Guessability Service”. https://tinyurl.com/y9362h6z.
[14] “Zomato hacked: Security breach results in 17 million user data stolen”. https://tinyurl.com/y8xec7sr.
[15] “Zomato Password Leak”. https://tinyurl.com/ya3sthdp.
[16] Kamran Ali, Alex X Liu, Wei Wang, and Muhammad Shahzad. Keystroke Recognition Using WiFi Signals. In ACM MobiCom, pages 90–102, 2015.
[17] Davide Balzarotti, Marco Cova, and Giovanni Vigna. Clearshot: Eaves-dropping on Keyboard Input from Video. In IEEE S&P, pages 170–183, 2008.
[18] Y oshua Bengio, Aaron Courville, and Pascal Vincent. Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8):1798–1828, 2013.
[19] Hossein Bidgoli. Handbook of Information Security, Information Warfare, Social, Legal, and International Issues and Security Foundations, volume 2. John Wiley & Sons, 2006.
[20] Samuel R. Bowman, Luke Vilnis, Oriol Vinyals, Andrew Dai, Rafal Jozefowicz, and Samy Bengio. Generating sentences from a continuous space. In Proceedings of The 20th SIGNLL Conference on Computational Natural Language Learning, pages 10–21, Berlin, Germany, August 2016. Association for Computational Linguistics.
[21] Andrew Brock, Jeff Donahue, and Karen Simonyan. Large Scale GAN Training for High Fidelity Natural Image Synthesis. arXiv preprint arXiv:1809.11096, 2018.
[22] Angelo Ciaramella, Paolo D’Arco, Alfredo De Santis, Clemente Galdi, and Roberto Tagliaferri. Neural Network Techniques for Proactive Password Checking. IEEE Transactions on Dependable and Secure Computing, 3(4):327–339, 2006.
[23] Anupam Das, Joseph Bonneau, Matthew Caesar, Nikita Borisov, and XiaoFeng Wang. The Tangled Web of Password Reuse. In NDSS Symposium, pages 1–15, 2014.
[24] Peter J Diggle and Richard J Gratton. Monte Carlo Methods of Inference for Implicit Statistical Models. Journal of the Royal Statistical Society: Series B (Methodological), 46(2):193–212, 1984.
[25] Jeff Donahue, Philipp Krähenbühl, and Trevor Darrell. Adversarial Feature Learning. arXiv preprint arXiv:1605.09782, 2016.
[26] Vincent Dumoulin, Ishmael Belghazi, Ben Poole, Olivier Mastropietro, Alex Lamb, Martin Arjovsky, and Aaron Courville. Adversarially Learned Inference. arXiv preprint arXiv:1606.00704, 2016.
[27] Markus Dürmuth, Fabian Angelstorf, Claude Castelluccia, Daniele Perito, and Abdelberi Chaabane. OMEN: Faster Password Guessing using an Ordered Markov Enumerator. In ESSoS, pages 119–132, 2015.
[28] Maximilian Golla and Markus Dürmuth. On the Accuracy of Password Strength Meters. In ACM CCS, pages 1567–1582, 2018.
[29] Ian Goodfellow. NIPS 2016 Tutorial: Generative Adversarial Networks. arXiv preprint arXiv:1701.00160, 2016.
[30] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, and Y oshua Bengio. Generative Adversarial Nets. In NIPS, pages 2672–2680, 2014.
[31] Palash Goyal and Emilio Ferrara. Graph Embedding Techniques, Applications, and Performance: A Survey. Elsevier Knowledge-Based Systems, 151:78–94, 2018.
[32] Alex Graves. Generating Sequences with Recurrent Neural Networks. arXiv preprint arXiv:1308.0850, 2013.
[33] Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, and Aaron C Courville. Improved Training of Wasserstein GANs. In NIPS, pages 5767–5777, 2017.
[34] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep Residual Learning for Image Recognition. In CVPR, pages 770–778, 2016.
[35] Briland Hitaj, Paolo Gasti, Giuseppe Ateniese, and Fernando Perez-Cruz. PassGAN: A Deep Learning Approach for Password Guessing. In ACNS, pages 217–237, 2019.
[36] Diederik P Kingma and Max Welling. Auto-encoding V ariational Bayes. arXiv preprint arXiv:1312.6114, 2013.
[37] Yang Li and Tao Yang. Word Embedding for Understanding Natural Language: A Survey. In Springer Guide to Big Data Applications, pages 83–104. 2018.
[38] Junyu Luo, Y ong Xu, Chenwei Tang, and Jiancheng Lv. Learning Inverse Mapping by Autoencoder based Generative Adversarial Nets. In International Conference on Neural Information Processing, pages 207–216. Springer, 2017.
[39] Laurens van der Maaten and Geoffrey Hinton. Visualizing Data using t-SNE. Journal of Machine Learning Research, 9:2579–2605, 2008.
[40] Alireza Makhzani, Jonathon Shlens, Navdeep Jaitly, Ian Goodfellow, and Brendan Frey. Adversarial Auto-Encoders. arXiv preprint arXiv:1511.05644, 2015.
[41] Philip Marquardt, Arunabh V erma, Henry Carter, and Patrick Traynor. (sp)iPhone: Decoding Vibrations From Nearby Keyboards Using Mobile Phone Accelerometers. In ACM CCS, pages 551–562, 2011.
[42] William Melicher, Blase Ur, Sean M Segreti, Saranga Komanduri, Lujo Bauer, Nicolas Christin, and Lorrie Faith Cranor. Fast, Lean, and Accurate: Modeling Password Guessability using Neural Networks. In USENIX Security Symposium, pages 175–191, 2016. GitHub Repo: https://tinyurl.com/y9o7jdd8.
[43] Shakir Mohamed and Balaji Lakshminarayanan. Learning in Implicit Generative Models. arXiv preprint arXiv:1610.03483, 2016.
[44] Robert Morris and Ken Thompson. Password Security: A Case History. Communications of the ACM, 22(11):594–597, 1979.
[45] Arvind Narayanan and Vitaly Shmatikov. Fast Dictionary Attacks on Passwords using Time-space Tradeoff. In ACM CCS, pages 364–372, 2005.
[46] Bijeeta Pal, Tal Daniel, Rahul Chatterjee, and Thomas Ristenpart. Beyond Credential Stuffing: Password Similarity Models using Neural Networks. In IEEE S&P, pages 1–18, 2019.
[47] Deepak Pathak, Philipp Krahenbuhl, Jeff Donahue, Trevor Darrell, and Alexei A Efros. Context Encoders: Feature Learning by Inpainting. In IEEE CVPR, pages 2536–2544, 2016.
[48] Alec Radford, Luke Metz, and Soumith Chintala. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint arXiv:1511.06434, 2015.
[49] Masashi Sugiyama, Matthias Krauledat, and Klaus-Robert M˜Aˇ zller. Covariate Shift Adaptation by Importance Weighted Cross V alidation. Journal of Machine Learning Research, 8(May):985–1005, 2007.
[50] Ilya Sutskever, James Martens, and Geoffrey E Hinton. Generating Text with Recurrent Neural Networks. In ICML, pages 1017–1024, 2011.
[51] Ilya Tolstikhin, Olivier Bousquet, Sylvain Gelly, and Bernhard Schoelkopf. Wasserstein Auto-Encoders. arXiv preprint arXiv:1711.01558, 2017.
[52] Blase Ur, Fumiko Noma, Jonathan Bees, Sean M Segreti, Richard Shay, Lujo Bauer, Nicolas Christin, and Lorrie Faith Cranor. I Added ‘!’at the End to Make It Secure: Observing Password Creation in the Lab. In SOUPS, pages 123–140, 2015.
[53] Blase Ur, Sean M Segreti, Lujo Bauer, Nicolas Christin, Lorrie Faith Cranor, Saranga Komanduri, Darya Kurilova, Michelle L Mazurek, William Melicher, and Richard Shay. Measuring Real-world Accuracies and Biases in Modeling Password Guessability. In USENIX Security Symposium, pages 463–481, 2015.
[54] Martin Vuagnoux and Sylvain Pasini. Compromising Electromagnetic Emanations of Wired and Wireless Keyboards. In USENIX Security Symposium, pages 1–16, 2009.
[55] Ding Wang, Zijian Zhang, Ping Wang, Jeff Yan, and Xinyi Huang. Targeted Online Password Guessing: An Underestimated Threat. In ACM CCS, pages 1242–1254, 2016.
[56] Matt Weir, Sudhir Aggarwal, Breno De Medeiros, and Bill Glodek. Password Cracking using Probabilistic Context-free Grammars. In IEEE S&P, pages 391–405, 2009.
[57] Tom White. Sampling Generative Networks. arXiv preprint arXiv:1609.04468, 2016.
[58] Roman V Yampolskiy. Analyzing User Password Selection Behavior for Reduction of Password Space. In ICCST, pages 109–115, 2006.

相关文章推荐