隨著計算機的普及和互聯(lián)網(wǎng)的發(fā)展,安全問題也日益增多。為了應對日益嚴峻的安全問題,往往使用身份認證技術(shù)區(qū)分授權(quán)與非授權(quán)用戶,從而保證系統(tǒng)和數(shù)據(jù)的安全�；诳诹畹纳矸菡J證是最簡單、最常用的身份認證方式。多項研究表明,密碼的概率分布并不均勻。密碼字典生成技術(shù)首先通過分析大量用戶密碼得到特征,然后根據(jù)特征生成密碼字典。生成的密碼字典中包含了最有可能出現(xiàn)的用戶密碼。本文將深度學習應用于密碼字典生成,針對離線攻擊和在線攻擊兩種場景,設(shè)計與實現(xiàn)了非特定用戶密碼字典生成與特定用戶密碼字典生成。其中,非特定用戶密碼字典生成利用循環(huán)神經(jīng)網(wǎng)絡(luò)了挖掘用戶密碼的共性特征,該方法生成的密碼字典相比Markov、PCFG等方法生成的密碼字典,在多個測試數(shù)據(jù)集上覆蓋率更高,說明該字典能有效提高字典攻擊性能;特定用戶的密碼字典生成使用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘用戶密碼與用戶個人信息之間的潛在規(guī)律,實驗證實該技術(shù)能結(jié)合用戶個人信息猜測用戶密碼結(jié)構(gòu),更進一步可以結(jié)合用戶個人信息生成用戶密碼,在已知用戶個人信息情況下,相比Markov、PCFG等方法能夠提高生成該用戶密碼的正確率,相比TarGuess方法能提高一次猜中該用戶密碼的正確率。
【學位單位】：上海交通大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP18;TN918.1
【部分圖文】：

戶登錄、權(quán)限管理等涉及用戶隱私和安全的應用服務中。該身份認戶知道的信息來證明用戶身份。通過驗證用戶名和相應的密碼，可授權(quán)用戶，可以進行登錄或取得相應權(quán)限。一旦用戶名和密碼泄露取得相應權(quán)限，因此通過用戶名和密碼進行用戶身份認證的方式安是通過用戶名和密碼進行身份認證的方式原理簡單、成本低（不需且易于實現(xiàn)，因此在可預見的未來仍然會是主流的的身份認證方式幾年，拖庫和撞庫導致的密碼泄露事件頻發(fā)。如圖 1-1 所示，黑客獲要通過兩種途徑：一是黑客入侵網(wǎng)站并獲取網(wǎng)站數(shù)據(jù)庫（即拖庫）據(jù)庫中直接獲取明文存儲的密碼或是通過密碼破解的方式從哈希值碼；二是黑客收集已經(jīng)泄露的密碼與用戶信息，使用技術(shù)手段批量是嘗試在線登陸（即撞庫）。截至 2017 年 12 月，已有 RockYou、MyS、天涯等共兩百多個網(wǎng)站泄露用戶信息及密碼在網(wǎng)上傳播。用戶密碼人隱私、個人財產(chǎn)受到侵害，帶來不可估量的損失。特別是當前互生產(chǎn)生活各個方面，受害者可能遭遇身份盜用、網(wǎng)絡(luò)詐騙、電話騷正常生活。

a)英文用戶 b)中文用戶a)English user b) Chinese user圖 2-2 英文、中文用戶密碼中連續(xù)兩個字符頻數(shù)統(tǒng)計Fig.2-2 The frequency statistics of continuous 2 characters in passwords of English users andChinese users2.3 密碼字典與字典攻擊研究用戶密碼特征的目的是更好地模擬用戶密碼，從而生成密碼字典。密碼字典生成主要是為了提升字典攻擊的性能。假設(shè)目前已有哈希集合 H 和密碼字典 K，利用字典攻擊實現(xiàn)破解。字典攻擊的策略一般有兩種：一種是取 H 中的一條哈希值 h，依次取 K 中的密碼進行嘗試，直到找到 h 的密碼或是遍歷 K 結(jié)束，再取下一條哈希值重復該過程；另一種是取出 K 中的一條密碼 k，計算哈希值后依次與 H 中的哈希值進行比對，相同則找到密碼，否則對于未找到密碼的哈希值，取 K 中下一條密碼重復該過程。不論哪種策略都需要字典 K 盡可能多的包含 H 所對應的用戶密碼，此外密碼

圖 2-3 用戶密碼構(gòu)建 Markov 模型實例Fig.2-3 Examples of Markov models for user passwords表 2-5 Markov 模型用于字符串生成Table 2-5 String generation by Markov model字符串 零階 Markov 一階 Markov 二階 Markov(ED) 0.2 0.2 0.2A(ED) 0.5*0.2=0.1 0.5*0.2=0.1 0.5*0.2=0.1B(ED) 0.3*0.2=0.06 0.3*0.2=0.06 0.3*0.2=0.06A(ED) 0.5*0.5*0.2=0.05 0.5*0.6*0.2=0.06 0B(ED) 0.5*0.5*0.2=0.05 0.5*0.6*0.2=0.06 0.5*0.2*1=0.1… … … …AAB(ED) 0.5*0.5*0.5*0.5*0.3*0.2=0.003750.5*0.6*0.6*0.6*0.2*0.33=0.0071280.5*0.6*0.66*0.66*0.=0.04312BA(ED) 0.5*0.2=0.009 0.3*0.33*0.33*0.2=0.0065340.3*0.33*1*1=0.09… … … …
【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預測法[J];金融經(jīng)濟;2017年18期

2 劉高宇;;深度神經(jīng)網(wǎng)絡(luò)在煤質(zhì)數(shù)據(jù)分析與預測中的應用[J];電腦知識與技術(shù);2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達圖像分類方法[J];科學技術(shù)與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經(jīng)網(wǎng)絡(luò)的音樂風格分類模型研究[J];現(xiàn)代電子技術(shù);2019年21期

5 鄭麗;;建筑設(shè)計中神經(jīng)網(wǎng)絡(luò)技術(shù)與遺傳算法探究[J];湖北農(nóng)機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的對話系統(tǒng)記憶機制[J];計算機工程與設(shè)計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的船搖數(shù)據(jù)實時預測[J];科學技術(shù)與工程;2019年31期

8 賴策;魏小琴;;卷積神經(jīng)網(wǎng)絡(luò)的訓練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經(jīng)網(wǎng)絡(luò)改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

相關(guān)博士學位論文 前10條

1 劉昂;微結(jié)構(gòu)硅基光子學器件性能的研究[D];南京大學;2019年

2 肖理業(yè);基于機器學習的電磁場建模與設(shè)計研究[D];電子科技大學;2019年

3 付錢華;憶阻神經(jīng)網(wǎng)絡(luò)的動力學研究[D];電子科技大學;2019年

4 張馬路;Spiking機器學習算法研究[D];電子科技大學;2019年

5 杜昌順;面向細分領(lǐng)域的輿情情感分析關(guān)鍵技術(shù)研究[D];北京交通大學;2019年

6 陳涵瀛;核電站熱工水力系統(tǒng)工況預測與診斷方法研究[D];哈爾濱工程大學;2018年

7 梁智杰;聾啞人手語識別關(guān)鍵技術(shù)研究[D];華中師范大學;2019年

8 饒紅霞;信息受限下神經(jīng)網(wǎng)絡(luò)的狀態(tài)估計和擬同步研究[D];廣東工業(yè)大學;2019年

9 趙博雅;基于卷積神經(jīng)網(wǎng)絡(luò)的硬件加速器設(shè)計及實現(xiàn)研究[D];哈爾濱工業(yè)大學;2018年

10 陳科海;機器翻譯上下文表示方法研究[D];哈爾濱工業(yè)大學;2019年

相關(guān)碩士學位論文 前10條

1 白會杰;基于人工智能的光伏發(fā)電短期功率預測技術(shù)[D];北京交通大學;2019年

2 張榮葳;基于卷積神經(jīng)網(wǎng)絡(luò)與SimHash的網(wǎng)絡(luò)異常流量檢測技術(shù)研究[D];中國工程物理研究院;2019年

3 張超利;基于神經(jīng)網(wǎng)絡(luò)的河南省空氣污染預測研究[D];華北水利水電大學;2019年

4 范汝鑫;基于深度神經(jīng)網(wǎng)絡(luò)的個性化商品推薦研究[D];合肥工業(yè)大學;2019年

5 賈凱;人工蜂群算法與BP神經(jīng)網(wǎng)絡(luò)并行集成學習研究[D];合肥工業(yè)大學;2019年

6 黃國維;基于深度學習的城市垃圾桶智能分類研究[D];安徽理工大學;2019年

7 江白華;基于深度學習的人臉識別研究[D];安徽理工大學;2019年

8 侯棟楠;基于深度特征學習的振動狀態(tài)識別方法[D];華北電力大學;2019年

9 肖煒茗;基于Bernstein多項式和階梯路徑構(gòu)造的前向插值神經(jīng)網(wǎng)絡(luò)及逼近能力[D];天津師范大學;2019年

10 強碩;基于神經(jīng)網(wǎng)絡(luò)的電鍋爐動態(tài)過程建模研究[D];華北電力大學;2019年

本文編號：2862934