Author Topic: A Deep Learning Approach for Password Guessing  (Read 306 times)

0 Members and 1 Guest are viewing this topic.

Offline Marco1971

  • Administrator
  • Hero Member
  • *****
  • Posts: 1084
  • Karma: 9
    • View Profile
    • Consulenze in elettronica, informatica, tecnologia
    • Email
Re:A Deep Learning Approach for Password Guessing
« Reply #2 on: June 12, 2018, 04:38:07 PM »
Advertisement
Ahia...temo che moltissime parole d'ordine ritenute "falsamente sicure" ad oggi presto diverranno "attaccabili" con facilità. Miliardi di "controlli" al secondo...
I lunghi singhiozzi dei violini d'autunno...feriscono il mio cuore con monotono languore.

Tel. Cell. +39 334 9717673

Offline Flavio58

A Deep Learning Approach for Password Guessing
« Reply #1 on: June 12, 2018, 03:10:38 PM »
A Deep Learning Approach for Password Guessing

https://arxiv.org/abs/1709.00440


Gli strumenti all'avanguardia per l'identificazione delle password, come HashCat e John the Ripper (JTR), consentono agli utenti di controllare miliardi di password al secondo contro gli hash delle password. Oltre agli attacchi semplici del dizionario, questi strumenti possono espandere i dizionari utilizzando le regole di generazione della password. Sebbene queste regole funzionino correttamente con i set di dati delle password correnti, la creazione di nuove regole ottimizzate per i nuovi set di dati è un'attività laboriosa che richiede competenze specializzate.

PassGAN, utilizza una nuova tecnica che sfrutta le reti generative dell'avversario (GAN) per migliorare l'indovinello delle password. PassGAN genera ipotesi di password formando un GAN su un elenco di password trapelate. Poiché l'output del GAN ​​viene distribuito strettamente nel set di allenamento, è probabile che la password generata utilizzando PassGAN corrisponda alle password che non sono ancora trapelate. PassGAN rappresenta un sostanziale miglioramento sugli strumenti di generazione di password basati su regole, poiché inforza le informazioni sulla distribuzione delle password in modo autonomo dai dati delle password piuttosto che tramite l'analisi manuale. Di conseguenza, può facilmente sfruttare le nuove perdite di password per generare più ricche distribuzioni di password.

I nostri esperimenti mostrano che questo approccio è molto promettente. Quando abbiamo valutato PassGAN su due set di password di grandi dimensioni, siamo stati in grado di sovraperformare le regole di JTR di un fattore 2x, e siamo stati competitivi con le regole di HashCat - entro un fattore 2x. Ancora più importante, quando abbiamo combinato l'output di PassGAN con l'output di HashCat, siamo stati in grado di abbinare il 18% -24% in più di password rispetto a HashCat. Questo è notevole perché mostra che PassGAN può generare un numero considerevole di password che sono fuori dalla portata degli strumenti attuali.

Il modello da PassGAN è tratto da  una migliore formazione di Wasserstein Gans  e si presume che di PassGAN gli autori hanno usato  l'improved_wgan_training  implementazione tensorflow nel loro lavoro. Per questo motivo, ho modificato quell'implementazione di riferimento in questo repository per renderlo facile da train ( train.py) e sample ( sample.py) da. Questo repository contribuisce:

Un'interfaccia a riga di comando
Un modello di PassGAN preannunciato addestrato sul set di dati RockYou
 

Iniziare
# richiede che CUDA sia preinstallato
pip installa -r requirements.txt


Generazione di esempi di password
Utilizzare il modello preliminare per generare 1.000.000 di password, salvandole in  gen_passwords.txt.

Code: [Select]
python sample.py \
--input-dir preinstallato \
--checkpoint pretrained / checkpoints / 195000.ckpt \
--output gen_passwords.txt \
- Dimensione batch 1024 \
--num-samples 1000000


Allenare i propri modelli
La formazione di un modello su un set di dati di grandi dimensioni (100 MB +) può richiedere diverse ore su una GTX 1080.

# scarica i dati di allenamento rocciosi
# contiene l'80% delle password full rockyou (con ripetizioni)
# che sono 10 caratteri o meno
Code: [Select]
curl -L -o data / train.txt https://github.com/brannondorsey/PassGAN/releases/download/data/rockyou-train.txt
# treno per 200000 iterazioni, salvando i punti di controllo ogni 5000
# usa gli hyperparametri predefiniti dal foglio
python train.py --output-dir output --training-data data / train.txt
Si è incoraggiati ad allenarsi utilizzando le proprie perdite di password e set di dati. Alcuni ottimi posti per trovare quelli includono:

 Perdite di LinkedIn (download diretto e compresso di 1,7 GB Mirror da  Hashes.org ) https://github.com/brannondorsey/PassGAN/releases/download/data/68_linkedin_found_hash_plain.txt.zip da https://hashes.org/leaks.php
Exploit.in torrent  (10 GB +, 800 milioni di account. Infamous!) https://thepiratebay.org/torrent/16016494/exploit.in
Hashes.org : fantastico sito di recupero password condiviso. https://hashes.org/leaks.php

https://github.com/brannondorsey/PassGAN


« Last Edit: June 12, 2018, 03:12:29 PM by Flavio58 »


Consulente in Informatica dal 1984

Software automazione, progettazione elettronica, computer vision, intelligenza artificiale, IoT, sicurezza informatica, tecnologie di sicurezza militare, SIGINT. 

Facebook:https://www.facebook.com/flaviobernardotti58
Twitter : https://www.twitter.com/Flavio58

Cell:  +39 366 3416556

f.bernardotti@deeplearningitalia.eu

#deeplearning #computervision #embeddedboard #iot #ai

 

Related Topics

  Subject / Started by Replies Last post
0 Replies
227 Views
Last post June 07, 2018, 12:26:12 AM
by Flavio58
0 Replies
142 Views
Last post June 10, 2018, 02:38:39 AM
by Flavio58
0 Replies
113 Views
Last post July 03, 2018, 10:22:38 PM
by Flavio58
0 Replies
53 Views
Last post August 24, 2018, 02:03:03 AM
by Flavio58
0 Replies
67 Views
Last post October 30, 2018, 06:15:47 PM
by Flavio58

Sitemap 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326