CN108763920A - 一种基于集成学习的口令强度评估模型 - Google Patents

Abstract

本发明设计了一种基于多模型的集成学习的口令评估模型。首先，使用真实的口令训练集训练多个现有的口令评估模型作为子模型；其次，将多个经过训练的子模型作为基学习器进行集成学习，采用偏弱项投票法的结合策略实现各个子模型的优势集成；最后，实现一个以高准确性为前提的通用口令评估模型。基于多模型集成学习模型针对不同复杂程度的口令进行口令强度评估，其评估结果准确率高、通用性强，基于多模型集成学习在口令评估方面具有较好的适用性。

Description

一种基于集成学习的口令强度评估模型

技术领域

本发明属于信息安全领域。针对现有的口令评估模型通用性差，没有一个可以对从简单口令到非常复杂口令都适用的评估模型的问题，设计了一种基于多模型的集成学习的口令评估模型。

背景技术

在应用系统的认证方面，口令的安全性直接关系到整个应用系统的安全以及用户隐私的保护。随着互联网服务的发展（如邮件、电子商务、社交网络等），越来越多网络服务需要口令的保护。然而人类的记忆能力有限，这导致用户不可避免地使用不同程度的弱口令，或者在不同的应用系统中使用同一个口令，从而给应用系统带来严重的安全隐患（如社会工程学攻击，猜测攻击等）。所以，在用户注册时，评估用户输入的口令安全性并及时反馈给用户，提醒其注意口令的强弱，具有重要的意义。

口令安全性研究的难点在于，口令是人产生的，与人的行为直接相关，而每个人行为因内在或者外在的环境而千差万别，所以口令之间具有很大的差异。在口令评估方面，基于对猜测攻击方法和用户脆弱口令行为的深入理解，常用的方法是使用通用口令列表来评估用户输入的口令，如：用户输入口令是否在通用口令列表里，来判断口令是否可接受。这种方法具有很大的局限性，其准确程度取决于黑名单口令列表的大小，并且影响用户体验。目前，根据美国国家标准技术研究所 (National Institute of Standards andTechnology, NIST)的建议而衍生的启发式口令强度估计也颇受欢迎，它是基于大小写字母、数字和特殊字符 (counts of lower and uppercase letters, digits and symbol,LUDS)数量来计算信息熵的，信息熵越大，口令强度就越强。然而，相关文献表明基于信息熵的口令强度评估方法，只能提供一个粗略的评估结果。

鉴于以上口令强度评估技术的缺陷，近年来，使用统计学来研究口令安全问题逐渐兴起，其中有基于马尔可夫模型，也有基于概率上下文无关文法的。这两种方法在复杂口令强度评估上具有很好的效果，如今也都投入到了应用当中，然而对于非常简单的弱口令，它们的评估效果就有很大不足。相反地，基于启发式的评估方法和黑名单口令集合比基于概率的方法更为有效，基于概率的方法更适合评估比较复杂的口令。

发明内容

针对现有的口令评估模型通用性差，没有一个可以对从简单口令到非常复杂口令都适用的评估模型的问题。本发明提出了基于机器学习中的集成学习方法，将多个模型作为子模型进行集成学习训练。在这个过程中，集成学习模型将扩展各个子模型在口令评估上的适用范围， 强化各个子模型评估方法的优点，弱化它们的不足，达到合理评估的口令强度的效果。

本发明旨在实现以下目标：

（1）各基学习器能够有效避免由于维度不同而对评估结果产生影响的问题。

（2）强化各个基学习器的优势，弱化其缺陷。

（3）基于多模型集成学习模型针对不同复杂程度的口令进行口令强度评估，其评估结果准确率高、通用性强。

为实现上述目标，本发明提出了基于机器学习中的集成学习方法，将多个模型作为子模型进行集成学习训练。具体采用了如下技术方案：

（1）使用真实的口令训练集训练现有的基于黑名单口令集的口令评估模型作为子模型一。可选地采用基于黑名单口令集的口令评估方法，并对该方法进行了改良，采用了待测口令与参考集合中的口令计算文本相似度；采用Levenshtien 相似度算法；采用不同来源的口令集合进行子模型参数训练，在不同标记的数据训练集合下通过训练得出判定阈值。

（2）使用真实的口令训练集训练现有的基于启发式口令评估模型作为子模型二。可选地采用启发式口令评估方法，结合美国国家标准技术研究所的建议与实际口令评估训练提出合理的专家规则；采用不同来源的口令集合进行子模型参数训练，在不同数据训练集合下制定不同判定阈值。

（3）使用真实的口令训练集训练现有的基于马尔可夫链口令评估模型作为子模型三。可选地构建 n-gram 的口令概率矩阵；采用于4 阶马尔可夫模型，使用口令出现的概率来描述口令强度；采用了 Laplace 平滑技术消除数据集中过拟合（Overfitting）问题；采用不同来源的口令集合进行子模型参数训练，对准确率和计算代价进行折中考虑，在不同数据训练集合下制定不同判定阈值。

（4）使用真实的口令训练集训练现有的基于概率上下文无关文法口令评估模型作为子模型四。可选地采用的是基于概率上下文无关文法口令评估方法；使用不同来源的口令训练集对 PCFG 子模型进行训练，在不同数据训练集合下制定不同判定阈值。

（5）将四个经过训练的子模型作为基学习器进行集成学习，采用基学习器自带判定器策略和偏弱项投票法的结合策略实现各个子模型的优势集成，实现一个以高准确性为前提的通用口令评估模型。可选地采用Bagging 方法；在结合策略方面，基学习器自带判定器策略有效避免了由于维度不同而对评估结果产生影响的问题。对相对多数投票法进行了改进，使投票结果偏向于弱项，当出现票数相当的两个选项时，选择低强度作为输出，即:偏弱项投票。有效强化各个基学习器的优势，弱化其缺陷。

在发明的实验阶段，选择9个网络上泄露的真实口令集合作为模型的实验数据，设计有效的评估实验。本发明的有益效果有，本模型在口令强度评估方面要比单独子模型的表现要好，评估结果准确率高、通用性强，也证明了本模型的适用性。

附图说明

图1是本发明的模型整体架构图

图2是本发明的基于概率上下文无关文法口令评估基学习器的PCFG 算法的训练过程图

图3是本发明的偏弱项投票法部分规则图（表）

具体实施方式：

文中提出的模型由四个基学习器组成，分别采用不同的评估方法来评估同一个口令的强度，之后通过集成学习得出最终的评估结果。

如图1所示为系统的整体架构图。其中，基学习器包括：基于黑名单口令集的评估学习器、基于启发式评估学习器、基于马尔可夫链的评估学习器、基于 PCFG 学习器等，每个基学习器之间相互独立。输入口令会同时进入各个基学习器中进行评估，输出各自的评估分数S。之后，将S输入到各自的判定器中，经过各自判定器判定， 输出口令判定结果Lables，其中结果集Lables包括：弱，中，强三个标签。根据各个基学习器的判定结果，采用Bagging的偏弱项相对投票的组合方法得出最终的评估结果。

基于黑名单口令集的评估基学习器采用基于黑名单口令集的口令评估方法，针对常见的弱口令的评估，该方法是非常有效的，它也是抵抗常规猜测攻击最有效方法之一。方法中使用通用的弱口令集合为参考集，如：网络上的通用口令 TOP 1000000。 待测口令：Password 分别与参考集合中的口令比较，如果待测口令存在于参考集合中，则判定该口令强度为弱，否则为强。

发明对该方法进行了改良，采用了待测口令与参考集合中的口令计算文本相似度。 对于相似度算法，发明采用Levenshtien相似度算法， 计算长度为 L_p 的待测口令与参考口 令集合中每个口令 (长度为L_c)的编辑距离(Damerau-Levenshtein distance,DL)为DL，则相似度为S_c计算方法如下：

对于判定器，模型采用不同来源的口令集合进行子模型参数训练，在不同标记的数据训练集合下通过训练得出判定阈值，如在1/2 tianya口令集合作为训练集，1/2 tianya口令集合作为测试集中，得出阈值相似度S_c∈[0.8,1]判定为弱口令，S_c∈(0.5,0.8)判定为中等强度，S_c∈[0,0.5]则判定待测口令为强密码。

基于启发式口令评估基学习器采用启发式口令评估方法，这种方法是基于由口令经验衍生的专家规则来评估的，其中口令经验认为口令构成越复杂其脆弱性就越低，抵抗猜测攻击就越强。如专家规则有：口令长度越长，口令中包含不同类别的字符种类越多，口令鲁棒性就越高。虽然这种专家规则在某些特别的口令评估上产生不合逻辑的结果，但是在一定程度上对某些口令评估比较有效，尤其是在抵抗猜测攻击时。

本发明结合美国国家标准技术研究所的建议与实际口令评估训练提出合理的专家规则。其中除了大小写字母、数字、特殊字符数量和口令长度外，还考虑了连续的大小写字母数字的数量，中间字符中包含的字符类别，以及重复字符和键盘序列等等。其评估分数S_N计算方法如下：

其中，A表示口令总长度、U_ch表示大写字母数量、L_ch表示小写字母数量、N_ch表示数字数量、S_ch表示特殊字符数量、Mid表示口令序列中间(非开始和结尾)包含数字和特殊字符数量、R表示符合以上5个条目的数量；OL表示口令中仅包含小写字母时口令长度、ON表示口令中进包含数字时口令长度、RCS表示重复字符(大小写敏感)数量、CU表示连续大写字母数量、CL表示连续小写字母数量、CN连续数字数量、KS表示键盘序列数量、DS表示数字顺序的数量、SS表示键盘中特殊字符顺序的特殊字符数量。该方法依赖专家规则的可靠性。在本发明中，认为单纯只有小写字母或者大写字幕以及数字的口令皆判定为弱。

对于判定器，模型采用不同来源的口令集合进行子模型参数训练，在不同数据训练集合下制定不同判定阈值，如在1/2 tianya口令集合作为训练集，1/2 tianya口令集合作为测试集中，得出判定阈值：当评估分数S_N∈[0,50]口令判定为弱口令，S_N∈(50,70)口令强度为中，S_N∈[70,100]则判定为强口令。

基于马尔可夫链口令评估基学习器采用于马尔可夫链口令评估方法。 由于口令是人产生的，所以人从口令空间选择一个口令就产生了这个口令对应的概率，使用这个概率来描述人选择产生的口令的强度看起来是比较合理的。其核心思想是：用户构造口令是从前往后依次进行的，所以，它是根据口令字符前后之间的关系来计算口令的概率的。

口令字符前后之间有一定的依赖关系，n-gram的马尔可夫模型以(n-1)个前缀字符(称之为先验序列)来确定下一个字符的概率。构建n-gram的口令转移矩阵，只需要对于每一个 n 元字符元组，通过下式计算得到其条件概率。条件概率等于该n元组出现的频数除以所有以n-1元组为先验序列的n元组的频次之和。

其中， U 为口令字符空间集合，本发明中选择可显示字符数量 96 ，即口令字符空间集合U ={a,…, z}∪{A,…, Z}∪{0,...,9}∪{ S }。其中 S 为可打印的特殊字符集合。较大的字符集会导致转移概率矩阵的稀疏性，然而包含所有可打印的字符能完整的保留口令内在的规律。

使用口令出现的概率来描述口令强度是基于马尔可夫评估模型的核心算法。对于n 阶马尔可夫模型来说，长度为m的口令pwd=(c₁,...,c₂)被选中的概率为：

所以，使用概率描述口令强度定义为：

本发明使用真实口令数据集来训练模型参数，为了消除数据集中过拟合（Overfitting）问题，模型采用了Laplace平滑技术，即：在训练完毕之后对于每个字符串的频数都加0.01再去计算字符串的概率，公式如下：

其中∑为口令字符空间的字符数量，本发明使用可显示字符集，加上一个结尾符，共96个。

模型采用不同来源的口令集合进行子模型参数训练。对准确率和计算代价进行折中考虑，本发明选择了4 阶马尔可夫模型作为评估模型。在不同数据训练集合下制定不同判定阈值，如在 1/2 tianya 口令集合作为训练集， 1/2 tianya 口令集合作为测试集中，得出当评估强度S_M∈[0,140] 口令判定为弱，S_M∈(140,200) 判定口令为中等强度，S_M>200则判定为强。

基于概率上下文无关文法口令评估基学习器采用的是基于概率上下文无关文法口令评估方法。观察大量的实际的口令，会发现口令存在分段式结构的特点，考虑到口令的结构特点，基于概率上下文无关文法的漫步口令猜测算法先将口令按照字母 L、数字 D、特殊字符S三个类别进行分段操作，口令的每个分段是相互独立的。

概率上下文无关文法评估算法主要分为训练和评估两个阶段，在训练阶段统计训练集中口令的结构特征的频率表∑₁和字符段的频率表∑₂。整个过程如图 2 所示。在评估阶段，根据上面获得的结构频率表∑₁和字符段频率表∑₂计算口令出现的概率，计算方法如下：

则口令强度 SP的计算方法如下：

本发明使用不同来源的口令训练集对 PCFG 子模型进行训练， 在不同数据训练集合下制定不同判定阈值，如在 1/2tianya 口令集合作为训练集， 1/2 tianya 口令集合作为测试集中，得出 S_P∈[0,150] 为弱口令，S_P∈(150,200) 为中等强度，S_P≥200为强口令。

集成学习的 Bagging 方法是并行式集成学习的著名代表。它是基于自助采样法(bootstrap sampling)在给定包含 m 个样本的数据集中，先随机取出一个样本放到采样集中，再把该样本放回到初始数据集，使得下次采用仍有可能被选中，经过m次随机采样，得到含有m个样本的采样集。初始训练集中约有 63.2%的样本在采样集合中出现。本发明将 4个含m个样本的采样集分别训练四个子模型，再将四个子模型进行结合。 在结合策略方面，本发明对相对多数投票法进行了改进，使投票结果偏向于弱项，投票部分规则如图（表）3所示，当出现票数相当的两个选项时，选择低强度作为输出，即:偏弱项投票。

Claims (7)

1.本发明公开了一种基于集成学习的口令强度评估模型。

2.其特征包括以下步骤：

步骤一：使用真实的口令训练集训练现有的基于黑名单口令集的口令评估模型作为子模型一；

步骤二：使用真实的口令训练集训练现有的基于启发式口令评估模型作为子模型二；

步骤三：使用真实的口令训练集训练现有的基于马尔可夫链口令评估模型作为子模型三；

步骤四：使用真实的口令训练集训练现有的基于概率上下文无关文法口令评估模型作为子模型四；

步骤五：将四个经过训练的子模型作为基学习器进行集成学习，采用偏弱项投票法的结合策略实现各个子模型的优势集成，实现一个以高准确性为前提的通用口令评估模型。

3.根据权利要求1所述的基于黑名单口令集的口令评估基学习器，其特征在于：采用基于黑名单口令集的口令评估方法，并对该方法进行了改良，采用了待测口令与参考集合中的口令计算文本相似度；采用Levenshtien相似度算法；采用不同来源的口令集合进行子模型参数训练，在不同标记的数据训练集合下通过训练得出判定阈值。

4.根据权利要求1所述的基于启发式口令评估基学习器，其特征在于：采用启发式口令评估方法，结合美国国家标准技术研究所的建议与实际口令评估训练提出合理的专家规则；采用不同来源的口令集合进行子模型参数训练，在不同数据训练集合下制定不同判定阈值。

5.根据权利要求1所述的基于马尔可夫链口令评估基学习器，其特征在于：构建n-gram的口令概率矩阵；采用于4阶马尔可夫模型，使用口令出现的概率来描述口令强度；采用了Laplace平滑技术消除数据集中过拟合(Overfitting)问题；采用不同来源的口令集合进行子模型参数训练，对准确率和计算代价进行折中考虑，在不同数据训练集合下制定不同判定阈值。

6.根据权利要求1所述的基于概率上下文无关文法口令评估基学习器，其特征在于：采用的是基于概率上下文无关文法口令评估方法；使用不同来源的口令训练集对PCFG子模型进行训练，在不同数据训练集合下制定不同判定阈值。

7.根据权利要求1所述的偏弱项投票法的结合策略，其特征在于：采用Bagging方法；在结合策略方面，采用基学习器自带判定器策略和基学习器间的偏弱项相对投票的结合策略，对相对多数投票法进行了改进，使投票结果偏向于弱项，当出现票数相当的两个选项时，选择低强度作为输出，即：偏弱项投票。