Pg-Rnn 一种基于递归神经网络的密码猜测模型 - 智能系统学报 - 20181

《PG-RNN: 一种基于递归神经网络的密码猜测模型》 在当前的网络安全环境中，用户名-密码认证是最常见的身份验证方式。然而，由于获取真实密码的难度极高，密码猜测技术成为了评估密码安全性、检测密码保护机制漏洞的重要手段。本文提出的PG-RNN（Password Guessing Recurrent Neural Network）模型，旨在通过递归神经网络自动学习密码的分布特征和字符规律，以生成高度真实的密码集。 递归神经网络（RNN）是一种具有循环结构的深度学习模型，尤其适合处理序列数据，如文本。在密码生成领域，RNN可以捕捉密码中的长期依赖关系，这对于理解和模仿人类设置密码的习惯至关重要。与传统的基于规则的密码生成方法不同，PG-RNN无需人为设定规则，而是让网络自身从训练数据中学习模式，从而生成更接近实际的密码。 文章对比了PG-RNN与其他模型的性能，如马尔可夫模型（Markov Model）。马尔可夫模型是早期常用的密码生成工具，但其对密码结构和长度分布的模拟能力有限。实验结果显示，PG-RNN在结构字符类型和密码长度分布上更接近原始训练数据，体现了RNN在捕捉复杂模式上的优势。 此外，PG-RNN与基于生成对抗网络（GAN）的PassGAN模型进行了比较。PassGAN是一种利用对抗学习生成密码的模型，已在密码生成领域取得了不错的效果。尽管如此，PG-RNN在真实密码匹配度上仍然表现出色，相比于PassGAN提升了1.2%，这进一步证明了PG-RNN在模拟真实密码分布方面的优越性。 文章作者们讨论了PG-RNN在密码安全研究中的应用前景。通过生成大量的“可能”密码，PG-RNN可以帮助评估现有的密码策略，发现潜在的安全隐患，为改进密码策略提供依据。同时，这种方法也可以用于测试和优化密码强度检测算法，提升整体的网络安全水平。 《PG-RNN: 一种基于递归神经网络的密码猜测模型》展示了递归神经网络在密码生成领域的潜力，为密码安全研究提供了新的视角和工具。通过自动学习和模拟密码特征，PG-RNN模型有望推动密码学和网络安全研究的进步。