Privacy-Preserving Password Cracking: How a Third Party Can Crack Our Password Hash Without Learning the Hash Value or the Cleartext
针对不可信第三方破解密码哈希的隐私风险，提出基于谓词加密扩展与诱饵哈希匿名集的3PC协议，实现常数时间高效扩展，经理论与FPGA实测验证隐私保护与破解可行性。
2023-06-14 cs.CR cs.IT math.IT
On the Economics of Offline Password Cracking
我们开发了一个离线密码破解器的经济模型，它允许我们对合理的密码攻击者在身份验证服务器违规的情况下会破解的帐户的比例进行定量预测。我们应用我们的经济模型来分析雅虎最近发生的大规模密码泄露事件！，Dropbox、LastPass和AshleyMadison。这四个组织都在使用密钥扩展来保护用户密码。事实上，LastPass使用PBKDF 2-SHA 256与$10^5$哈希迭代的性能超过了2017年NIST最低推荐值一个数量级。然而，我们的分析描绘了一幅黯淡的画面：所采用的密钥拉伸级别对用户密码提供的保护不足。特别是，我们提出了强有力的证据表明，大多数用户密码遵循Zipf定律分布，并描述了一个理性的攻击者的行为时，用户密码从Zipf定律分布。我们表明，有一个有限的阈值，这取决于Zipf的法律参数，其特征在于一个合理的攻击者的行为-如果破解的密码的值（规范化的计算密码哈希函数的成本）超过这个阈值，然后对手的最佳策略是总是继续攻击，直到每个用户的密码已被破解。在所有情况下（雅虎，Dropbox，LastPass和AshleyMadison），我们发现破解的密码的值几乎肯定会超过这个阈值，这意味着理性的攻击者会破解从Zipf定律分布中选择的所有密码（即，大多数用户密码）。即使我们采用攻击者收益递减的侵略性模型（例如，$500$百万破解密码的总值小于$100$乘以$5$百万密码的总值）。见论文…
2020-06-09 cs.CR
SE#PCFG: Semantically Enhanced PCFG for Password Analysis and Cracking
University of Kent（肯特大学）；Haitong Securities（海通证券）
本文提出语义增强的PCFG框架SE#PCFG，考虑43种语义信息分析密码，并基于此提出SEPCA破解架构，在17个数据库上显著优于三种最先进基准。
2025-03-26 cs.CL cs.CR
General Framework for Evaluating Password Complexity and Strength
虽然用户通常会选择容易被攻击者破解的错误密码，但基于密码的身份验证仍然是最广泛使用的方法。为了鼓励用户选择好的密码，企业通常会实施策略。这些政策在实践中被证明是无效的。准确评估密码对破解攻击的抵抗力仍然是一个未解决的问题，我们的工作解决了这一挑战。虽然确定破解用户选择的密码的难度的最佳方法是检查其对攻击者在野外使用的破解攻击的抵抗力，但在企业中实施这种策略在实践中是不可行的。我们首先形式化的密码的复杂性和强度的概念与具体的定义，强调他们的差异。我们的框架捕捉了人类的偏见和许多已知的技术攻击者用来恢复被盗凭据在现实生活中，如蛮干攻击。在我们的定义的基础上，我们开发了一个通用的框架来计算密码的复杂性和强度，可以在实践中使用。我们的方法是基于一个关键的洞察力，即攻击者在破解密码方面的成功必须由其可用的计算资源、时间、用于存储该密码的函数以及基于攻击者的可用输入来限制攻击者的搜索空间的拓扑来定义，它可以用来调整和探索其输入的变换，以及可以基于攻击者感知的成功概率的探索路径。我们还提供了一个总体框架，用于评估密码复杂性和强度估计的准确性，可用于比较其他工具在野外。
2015-12-17 cs.CR
System Password Security: Attack and Defense Mechanisms
Hainan University（海南大学）
本文研究了系统密码安全问题，分析了暴力攻击、字典攻击和彩虹表攻击等密码破解方法，并评估了防御措施如盐值和慢哈希算法的有效性，同时探讨了账户锁定策略、多因素认证等防御机制的优缺点。
2026-02-02 cs.CR
Interpretable Probabilistic Password Strength Meters via Deep Learning
Stevens Institute of Technology（斯蒂文斯理工学院）；Sapienza University of Rome（罗马第一大学）；Institute of Applied Computing, CNR（意大利国家研究委员会应用计算研究所）
概率密码强度计已被证明是测量密码强度最准确的工具。不幸的是，通过构造，它们仅限于产生不透明的安全估计，无法在密码组合期间完全支持用户。在目前的工作中，我们迈出了解决这类引人注目的仪表的清晰度障碍的第一步。我们表明，概率密码米固有的描述密码强度和密码结构之间发生的潜在关系的能力。在我们的方法中，组成密码的每个字符的安全贡献被解开，并用于为用户提供明确的细粒度反馈。此外，与现有的启发式构造不同，我们的方法不受任何人为偏见的影响，更重要的是，它的反馈具有概率解释。在我们的贡献：（1）我们制定了可解释的概率密码强度计;（2）我们描述了如何通过适用于客户端可操作性的高效且轻量级的深度学习框架来实现它们。
2021-05-11 cs.CR cs.LG
Password Cracking: The Effect of Hash Function Bias on the Average Guesswork
现代认证系统使用密码散列函数存储用户密码的散列值。因此，要破解密码，攻击者需要猜测映射到散列值的散列函数输入，而不是密码本身。我们调用一个哈希函数，它将相同数量的输入映射到每个bin，如\textbf{unbiased}。然而，使用中的密码散列函数尚未被证明是无偏的（即，它们可以具有映射到不同仓的不相等数量的输入）。加密散列函数具有计算上难以找到映射到bin的输入的特性。在这项工作中，我们引入了一个有偏见的哈希函数的结构化概念，我们分析了在某些类型的蛮干攻击的平均猜测。这项工作表明，安全级别取决于有效用户的散列值集以及散列函数的统计配置文件，这是由偏见造成的。我们研究了以散列值集为条件的平均猜测，并通过映射到bin的输入数量的经验分布来建模统计配置文件。特别是，我们专注于一类统计配置文件（捕获偏差），我们称之为类型类统计配置文件，具有经验分布的类型的方法中定义的类型类的概率。对于这样的配置文件，我们表明，平均猜测有关的基本措施，如熵和发散信息论。我们用这个来表明，偏见的影响的条件平均猜测是有限的相比，其他系统参数，如有效的用户存储在系统中的散列密码的数量。
2019-11-27 cs.CR cs.IT math.IT
LLM-Guided Prompt Evolution for Password Guessing
Applied AI Center（应用人工智能中心）；MTUCI（莫斯科国立大学）
本文利用LLM驱动的进化计算优化密码猜测框架的提示，通过OpenEvolve系统提升破解率，验证了自动提示进化在增强LLM密码审计中的有效性。
2026-04-14 cs.AI cs.CR
PassTSL: Modeling Human-Created Passwords through Two-Stage Learning
School of Cyber Science and Engineering, Shanghai Jiao Tong University（上海交通大学网络空间安全学院）；Institute of Cyber Security for Society (iCSS), University of Kent（肯特大学社会网络安全研究所）
本文提出PassTSL，一种基于预训练-微调两阶段学习的密码建模方法，在六个大型泄露密码数据库上显著优于五种SOTA破解方法，并实现了更准确的密码强度评估。
2024-07-19 cs.AI cs.CL cs.CR
Password Strength Detection via Machine Learning: Analysis, Modeling, and Evaluation
Hainan University（海南大学）
本文通过机器学习方法分析密码特征，评估不同算法在密码强度检测中的性能，发现决策树和堆叠模型在准确率和F1分数上表现最佳。
2026-10-16 cs.CR
A novel Two-Factor HoneyToken Authentication Mechanism
大多数系统依赖于密码的用户身份验证，但密码有很多弱点和广泛的使用，很容易引起重大的安全问题，无论其加密形式如何。用户为不同的帐户持有相同的密码，管理员从不检查密码文件中可能导致成功破解的缺陷，以及缺乏关于定期密码更换的严格安全策略是需要解决的几个问题。拟议的研究工作旨在加强这种安全机制，防止渗透，密码盗窃，并试图闯入安全计算系统。所选的解决方案方法是双重的;它实现了双因素身份验证方案以防止未经授权的访问，并伴随着Honeyword原则来检测损坏或被盗的令牌。两者都可以集成到任何平台或Web应用程序中，使用QR码和手机。
2021-01-20 cs.CR
Increasing the Security of Weak Passwords: the SPARTAN Interface
密码身份验证受到安全性和可用性之间的权衡的影响。安全的密码很难让用户记住，而容易记住的密码往往很容易被猜到。SPARse Two-dimensional AuthenticatioN（SPARTAN）允许用户在二维网格而不是线性文本框中输入其文本密码。由于攻击者需要确定密码的文本和网格中每个字符的位置，因此该接口使相对较短的密码具有更高的计算安全级别。我们创建了一个SPARTAN原型，并进行了初步的用户研究，以评估与线性密码输入界面相比，SPARTAN界面的实际可用性和安全性。我们发现，虽然用户创建的SPARTAN密码往往比线性密码更短，但用户创建的SPARTAN密码的计算安全性高于用户创建的线性密码。我们还要求参与者完成一项关于SPARTAN界面可用性的调查，并确定了一些需要改进的领域，而原型交互提供了用户随着时间的推移越来越熟悉SPARTAN的证据。最后，我们对密码破解工具进行了调查，并断言SPARTAN密码比线性密码需要更多的资源来破解。这些发现表明，从安全的角度来看，SPARTAN是线性密码的一个有前途的替代方案。SPARTAN密码的接口和记忆的可用性是一个有趣的研究问题，应在今后的工作中进一步调查。
2019-05-21 cs.CR
Cost-Asymmetric Memory Hard Password Hashing
在过去的十年中，数十亿用户密码暴露在离线密码破解攻击的危险威胁中。窃取用户密码的加密散列的离线攻击者可以检查尽可能多的密码猜测，因为他/她只受他/她愿意投入破解密码的资源的限制。Pepper和密钥拉伸是两种通过增加猜测成本来阻止离线攻击者的技术。Pepper确保拒绝错误密码猜测的成本高于验证正确密码猜测的（预期）成本。这很有用，因为大多数离线攻击者的猜测都是不正确的。不幸的是，正如我们所观察到的，传统的peppering防御似乎与现代内存硬键拉伸算法（如Argon 2或Scrypt）不兼容。我们介绍了一种替代胡椒，我们称之为成本不对称内存硬密码认证，它受益于与经典胡椒防御相同的成本不对称性，即，拒绝不正确的密码猜测的成本大于验证正确的密码猜测的预期成本。当配置正确时，我们证明我们的机制只能减少被目标是最大化（预期）利润的理性离线攻击者破解的用户密码的百分比，即，破解密码的总价值减去总猜测成本。我们评估我们的机制对理性离线攻击者的经验密码数据集的有效性。我们的实证分析表明，我们的机制可以显着减少用户密码被破解的理性攻击者高达10%的百分比。
2022-06-26 cs.CR
Search-based Ordered Password Generation of Autoregressive Neural Networks
本文提出SOPG，一种基于搜索的有序密码生成方法，使自回归神经网络按概率降序生成无重复密码，显著提升效率；基于GPT构建的SOPGesGPT在覆盖率上大幅超越现有模型。
2024-03-15 cs.CR
MoPE: A Mixture of Password Experts for Improving Password Guessing
本文提出密码专家混合框架MoPE，通过识别密码结构模式并路由至专门模型，缓解统一训练偏差，在离线和在线猜测中分别提升破解率最高38.80%和9.27%，并实现了毫秒级实时密码强度计。
2025-09-20 cs.CR
Towards a Rigorous Statistical Analysis of Empirical Password Datasets
密码安全性的一个主要挑战是描述攻击者的猜测曲线，即，攻击者在第一次$G$猜测中破解随机用户密码的概率是多少。一个关键的挑战是，猜测曲线取决于攻击者的猜测策略和用户密码的分布，这两者都是未知的。在这项工作中，我们的目标是遵循Kerckhoffs的原则和分析的最佳攻击者谁知道密码分布的性能。让$λ_G$表示这样的攻击者可以在$G$猜测范围内破解随机用户密码的概率。我们开发了几种统计上严格的技术，上限和下限$λ_G$给定$N$独立样本从未知的分布。我们表明，我们的边界具有很高的信心，并应用我们的技术来分析八个密码数据集。我们的实证分析表明，即使是最先进的密码破解模型往往是显着低于猜测效率比攻击者谁可以优化其攻击的基础上，其（部分）知识的密码分布。我们还应用我们的技术重新检查经验密码分布和齐普夫定律。我们发现，当$G$不是太大时，经验分布与我们在$λ_G$上的界限紧密匹配，即，$G \ll N$。然而，对于较大的$G$值，我们的经验分析严格地证明了经验分布（分别为Zipf定律）高估了攻击者的成功率。我们应用我们的技术上/下限的有效性的密码节流机制（密钥拉伸），用于减少攻击者猜测$G$的数量。最后，如果我们对用户对密码限制的反应方式做一个额外的假设，我们可以使用我们的技术来评估限制用户可能选择的密码的密码组合策略的有效性。
2022-09-21 cs.CR
DALock: Distribution Aware Password Throttling
大规模的在线密码猜测攻击是广泛存在的，并且一直是最大的网络安全风险之一。降低在线破解风险的常用方法是在连续错误登录尝试达到固定次数（$K$）后锁定用户。选择$K$的值会导致经典的安全性-可用性权衡。当$K$太大时，黑客可以（快速）侵入相当一部分用户帐户，但当$K$太低时，我们会在几次错误后锁定诚实的用户，从而开始惹恼他们。出于观察，诚实的用户的错误通常看起来完全不同的密码猜测的在线攻击者，我们引入DALock { \em分布感知}密码锁定机制，以减少用户的烦恼，同时最大限度地减少用户的风险。顾名思义，DALock被设计为知道用于登录攻击的密码的频率和流行度，而标准节流机制（例如，$K$ -strikes）对密码分发不敏感。具体地，DALock除了针对每个用户的“点击计数”之外还维护额外的“点击计数”，其基于针对该特定账户的{ \em all}登录尝试的累积概率（的估计）。我们根据经验评估DALock与广泛的电池模拟使用真实世界的密码数据集。与传统的$K$ -strikes机制相比，我们发现DALock提供了一个优越的安全性/可用性权衡。例如，在我们的一个模拟中，我们能够将攻击者的成功率降低到$0.05\%$（与$10$ -strikes机制的$1\%$相比），同时将未受到攻击的帐户的不必要锁定率降低到仅$0.08\%$（与$3$ -strikes机制的$4\%$相比）。
2020-05-18 cs.CR cs.CY
