科研之友
微信
新浪微博
Facebook
分享链接
摘要
口令猜解是口令安全研究的重要方向之一。基于生成式对抗网络(Generative Adversarial Network, GAN)的口令猜解是近几年提出的一种新方法，其通过判别器对生成口令的评判结果来指导生成器的更新，进而生成口令猜测集。然而由于判别器对生成器的指导不足，现有的基于GAN的口令猜解模型的猜解效率较低。针对这个问题，提出了一种基于强化学习Actor-Critic算法改进的GAN口令猜解模型AC-Pass。AC-Pass模型通过Critic网络和判别器输出的奖赏共同指导Actor网络每一时间步生成策略的更新，实现了对口令序列生成过程的强化指导。将AC-Pass模型应用到RockYou, LinkedIn和CSDN口令集进行实验，并与PCFG模型、已有基于GAN的口令猜解模型PassGAN和seqGAN进行比较。实验结果表明，无论是同源测试集还是异源测试集，AC-Pass模型在9×108猜测集上的口令破解率均高于PassGAN和seqGAN;且当测试集与训练集之间的口令空间分布差异较大时，AC-Pass表现出了优于PCFG的口令猜解性能；另外，AC-Pass模型有较大的口令输出空间，其破解率随着口令猜测集的增大而提高。
