CN111966997A - 基于梯度惩罚的生成式对抗网络的密码破解方法及系统 - Google Patents
基于梯度惩罚的生成式对抗网络的密码破解方法及系统 Download PDFInfo
- Publication number
- CN111966997A CN111966997A CN202010697341.4A CN202010697341A CN111966997A CN 111966997 A CN111966997 A CN 111966997A CN 202010697341 A CN202010697341 A CN 202010697341A CN 111966997 A CN111966997 A CN 111966997A
- Authority
- CN
- China
- Prior art keywords
- password
- training
- generator
- data
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005336 cracking Methods 0.000 title claims abstract description 24
- 238000005422 blasting Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 28
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000009172 bursting Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 7
- 230000008034 disappearance Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
- G06F21/46—Structures or tools for the administration of authentication by designing passwords or checking the strength of passwords
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于梯度惩罚的生成式对抗网络的密码破解方法及系统,该方法包括下述步骤:进行数据预处理以确定密码的最大长度和密码中允许的字符种类;将原始密码文件转化为一个由所包含字符组成的字符数组和字符词典,并记录所包含字符在数组中的位置;根据字符数组提取最终训练数据;构造网络,包括后续生成器结构类以及相应的判别器结构类和采用的梯度惩罚类,生成相应的生成器和构造器实例,初始化生成器和构造器的优化器,在最终训练数据集上进行迭代训练;使用训练好的生成器参数进行前向传播过程,生成爆破的密码集。
Description
技术领域
本发明涉及密码破解技术领域,具体涉及一种基于梯度惩罚的生成式对抗网络的密码破解方法及系统。
背景技术
在数字时代中,无论你的年龄与性别,你的生活都与密码息息相关,目前最常用的也是文本密码,而用户的密码通常是具有一定的规律,如自己的生日,某些常见的单词如apple,password等等,同一用户社区或者网站的用户密码往往也是如此。现有的密码破解方法大部分是暴力破解的方法,例如彩虹表法、采取的一般是以时间换空间的方法,需要大量的存储设备。其中的密码数据量都在TB级别,并且这些方法并没有对密码进行分类,对于不同网站或者国家的密码是没有差别的。但是不同社区,不同国家以及不同网站的密码往往是不同的,它们有着自己的特点。本方法基于这个特征,利用生成对抗网络来学习某一社区或者某一网站用户的密码分布特征,从而能够更加效率的进行密码破解。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于梯度惩罚的生成式对抗网络的密码破解方法及系统,通过使用生成对抗网络通过生成器与判别器的博弈训练,使得生成器学习训练数据密码的特征分布,从而使得生成器生成与训练数据类似度较高的密码集,对特定网站或者用户社区的密码进行密码破解。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于梯度惩罚的生成式对抗网络的密码破解方法,包括下述步骤:
数据预处理:确定最长密码的长度和密码中最多允许存在的字符种类,清除长度超过预设值以及限制密码中的字符种类个数,采用一个字符数组过滤原始训练密码,得到训练数据;
网络构造:构造残差块结构、生成器和判别器,构造残差块结构类,并基于残差块结构类分别构造生成器类和判别器类,构造判别器损失函数中需要的梯度惩罚类;
进行网络训练:生成相应的生成器和构造器实例,初始化生成器和构造器相应的优化器,在训练数据上进行迭代训练;
采用训练好的生成器参数生成爆破密码集。
作为优选的技术方案,所述数据预处理具体步骤包括:
转化原始数据训练数据:将原始密码文件转化为一个密码中包含的字符组成的字符数组和一个密码中包含的字符组成的字符词典,所述字符词典以密码中出现的字符为键,以字符在字符数组中的位置为值;
提取训练数据:根据字符数组提取最终训练数据,若原始训练数据中某行密码中的字符未出现在字符数组中,则该行密码被过滤。
作为优选的技术方案,所述构造生成器类,具体步骤包括:
输入随机的隐空间维度大小的噪声z,通过网络进行前向传播生成密码。
作为优选的技术方案,所述生成器的输入数据维度为[每次训练样本数,隐空间维度],首先需要通过线性转化为[每次训练样本数,(密码长度*中间层维度)]的矩阵然后进行维度拆分变为[每次训练样本数,密码长度,中间层维度]的矩阵,传入残差网络中,通过一维卷积得到[每次训练样本数,字符种类,密码长度]的矩阵,然后进行维度次序变换为[每次训练样本数,密码长度,字符种类]的矩阵。
作为优选的技术方案,所述构造判别器类,最终判别器的输出结果为维度[每次训练样本数,1]的矩阵,表示每一批训练样本在判别器中的得分。
作为优选的技术方案,在训练数据上进行迭代训练,在训练生成器网络与判别器网络时,当训练其中一个网络结构时,另一个网络结构中的参数保持不变;
训练判别器,使用真实密码数据以及生成器生成的密码数据训练生成器,并且在反向传播时需要冻结生成器的模型参数,只更新判别器的模型参数;
训练生成器,使用生成器生成虚假密码,并将生成的密码输入到判别器中,生成密码的标签,在反向传播参数更新中冻结判别器的模型参数,只更新生成器的模型参数。
作为优选的技术方案,所述采用训练好的生成器参数生成爆破密码集,具体步骤包括:生成器将随机生成的隐空间维度大小的噪声z作为输入,然后进行前向传播得到爆破密码集。
作为优选的技术方案,所述采用训练好的生成器参数生成爆破密码集,训练数据还进行数字化处理,将所有训练数据中的密码字符转化为在密码字典中对应该字符的值,生成的爆破密码集为如下维度的矩阵:[每次训练样本数,密码长度,字符种类],首先使用argmax函数进行转换,取概率最大的字符的下标作为具体值缩减维度,生成的中间结果为矩阵[每次训练样本数,密码长度],其中密码长度维度上为字符数组中的字符所在的位置下标,根据字符数据进行下标转换得到生成的具体密码。
本发明还提供一种基于梯度惩罚的生成式对抗网络的密码破解系统,包括:数据预处理模块、网络构造模块、网络训练模块和爆破密码集生成模块;
所述数据预处理模块用于确定最长密码的长度和密码中最多允许存在的字符种类,清除长度超过预设值以及限制密码中的字符种类个数,采用一个字符数组过滤原始训练密码,得到训练数据;
所述网络构造模块用于构造残差块结构、生成器和判别器,首先构造残差块结构类,并基于残差块结构类分别构造生成器类和判别器类,之后再构造判别器损失函数中需要的梯度惩罚类;
所述网络训练模块用于生成相应的生成器和构造器实例,初始化生成器和构造器相应的优化器,在训练数据上进行迭代训练;
所述爆破密码集生成模块用于采用训练好的生成器参数生成爆破密码集。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本方法采取了基于残差块的网络结构,解决了随着网络深度增加,训练效果不佳的问题,缓解了深度神经网络中的梯度消失问题。
(2)本方法采取了基于梯度惩罚的WGAN(Wasserstein GAN),Wasserstein距离的优点在于:即使俩个分布没有任何重叠,也能够反映俩个分布之间的距离,并且采用的梯度惩罚来满足Lipschitz连续的条件,避免了采用weight clipping导致的梯度消失或梯度爆炸。
附图说明
图1为本发明基于梯度惩罚的生成式对抗网络的密码破解方法的流程示意图;
图2为本发明基于梯度惩罚的生成式对抗网络的密码破解方法的判别器结构框架示意图;
图3为本发明基于梯度惩罚的生成式对抗网络的密码破解方法的生成器结构框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1所示,本实施例提供一种基于梯度惩罚的生成式对抗网络的密码破解方法,包括下述步骤:
S1:进行数据预处理,具体步骤包括:
S11:确定最长密码的长度和密码中最多允许存在的字符种类;
关于字符种类,本实施例设定为2048,可以包含几乎所有能够在密码中出现的字符,长度上选取了长度在10及以下的密码作为实验数据,长度不够10的密码将使用字符“`”进行补齐,密码数组则是一个包含训练数据中所有密码种类的数组,字典则是以字符为键,以该字符在密码数组中的下标为值;
S12:转化原始数据训练数据:将原始密码文件转化为一个密码中所包含的字符组成的字符数组和一个密码中包含的字符组成的字符词典,该字典以密码中出现的字符为键,以字符在字符数组中的位置为值;
S13:提取训练数据:根据字符数组提取最终训练数据,若原始训练数据中某行密码中的字符未出现在字符数组中,则该行密码被过滤;
在本实施例中,数据预处理目的是清除掉长度过长的密码以及限制密码中的字符种类个数,由于读入的数据集中可能包含这些过长的密码以及包含其他不需要的字符类别,最后需要通过一个字符数组过滤原始训练密码来得到最终的训练数据;
S2:如图2、图3所示,进行网络构造,主要包含的是一个残差块结构,以及基于该结构之上的生成器以及判别器,构造残差块结构类以及在残差块结构类基础上构造生成器类和判别器类,实现梯度惩罚类,其包括:
S21:构造残差块结构类;
残差块结构类主要作用是使得网络不会随着深度加大导致训练效果变差,传统的卷积层或全连接层在信息传递时,或多或少会存在信息丢失、损耗等问题,本实施例使用残差块结构的残差网络在某种程度上解决了这个问题;
S22:使用残差块结构类构造出生成器类;
本实施例构造生成器类,需要从隐空间中使用随机初始化的向量噪声z进行生成密码;
在本实施例中,生成器的主要作用是通过输入随机的隐空间维度大小的噪声z,通过网络进行前向传播来生成密码;
生成器的输入数据维度为[每次训练样本数,隐空间维度],残差块的输入数据为三维矩阵,为了最后生成对应的密码数据,首先需要通过线性转化为[每次训练样本数,(密码长度*中间层维度)]的三维矩阵然后进行维度拆分变为[每次训练样本数,密码长度,中间层维度]的矩阵,传入残差网络中,然后通过一维卷积得到[每次训练样本数,字符种类,密码长度]的矩阵,之后进行维度次序变换为[每次训练样本数,密码长度,字符种类]的矩阵;之后进行softmax来得到最终的输出数据,注意最终的输出数据并不是真正的密码,而是密码上每一位在所有字符种类上的概率分布,所以还需要通过argmax函数才能得到最终的密码;
S23:使用残差块结构类构造出判别器类;
本实施例构造判别器类,最终判别器的输出结果为维度为[每次训练样本数,1]的矩阵,代表着每一批训练样本在判别器中的得分;
在本实施例中,判别器的主要工作是接收密码的独热编码格式(one_hot)数据作为输入,通过一维卷积层以及残差网络层和最终的线性层来判别密码是否是假密码还是真实的密码;
S24:构造出判别器损失函数中需要的梯度惩罚类;
传统的GAN网络中,生成器的损失函数一般来说有一下两种:
其中,Pg表示有生成器产生的样本分布,Pr表示真实样本分布,公式1存在的问题是:在最优判别器下,生成器的损失函数可以等价变换为最小化真实分布Pr和Pg之间的JS散度;
即可以转化为:
2JS(Pr||Pg)-2log2 (公式3)
KL散度:
JS散度:
但是通常情况下的JS散度固定为常数log2,对于梯度下降意味着梯度为0;
生成器使用公式2作为损失函数则会导致两个问题,一是梯度不稳定,二是collapse mode即多样性不足,在这种情况下,生成器宁可多生成一些重复但是很“安全”的样本,也不愿意去生成多样性的样本:
而WGAN的损失函数使用Wasserstein距离代替JS散度,解决了以上问题。
Wasserstein距离定义为:
其中判别器函数D(x)需要满足Lipschitz连续,其实就是在一个连续函数上面额外施加了一个限制,要求存在一个常数使得定义域内的任意两个元素x1和x2都满足:
|f(x1)-f(x2)|≤K|x1-x2|
称函数的Lipschitz常数为k,在满足Lipschitz连续时,可以用一组参数ω来定义一系列可能的函数fω,此时求解公式4可以近似为如下形式:
到此为止,可以构造一个含参数ω的判别器网络fω,在满足Lipschitz连续的情况下,使得:
尽可能取得最大(判别器希望真实密码和虚假密码的距离越远越好);
接下来生成器要近似地最小化Wasserstein距离,可以最小化Wasserstein距离,由于Wasserstein距离的优良性质,不需要担心生成器梯度消失的问题。再考虑到L的第一项与生成器无关,就得到了WGAN的两个损失函数。
在网络中,Lipschitz限制则体现为,在整个样本空间χ上,要求判别器函数D(x)梯度的Lp-norm不大于一个有限的常数K:
Lipschitz限制是要求判别器的梯度不超过K,那可以设置一个额外的损失项来突出这一限制条件,这就是梯度惩罚,此时最终版本的判别器损失函数为:
其中第三项就是梯度惩罚项;
在本实施例中,判别器的损失函数主要包括三个方面:
1)判别器对真实密码数据的评分
2)判别器对虚假密码数据的评分
3)梯度惩罚部分
其中生成器的损失函数则只有判别器对虚假密码数据的评分。
S3:进行网络训练;
S31:生成相应的生成器和构造器实例;
S32:初始化生成器和构造器相应的优化器,两个网络均使用Adam优化器,参数betas设置为(0.5,0.9);
S33:开始在最终训练数据集上进行迭代训练;
在本实施例中,在最终训练数据集上进行迭代训练,对于判别器和生成器的训练方法是有所区别的,并且在训练其中一个网络结构时,另一个网络结构中的参数必须完全不变;
训练判别器,使用真实密码数据以及生成器生成的密码数据来训练生成器,并且在反向传播时需要冻结生成器的模型参数;
训练生成器,使用生成器生成虚假密码,并将生成的密码输入到判别器中,此时该密码的标签应该为1,即需要告诉判别器这个生成的假密码是真实密码,并且在反向传播参数更新中冻结判别器的模型参数,只更新生成器的模型参数。
S4:进行密码数据生成;
S41:使用训练好的生成器参数进行爆破密码集生成,生成器需要将随机生成的隐空间维度大小的噪声z作为输入,然后进行前向传播即可得到爆破密码集;
在本实施例中,训练数据还需要进行数字化处理,将所有训练数据中的密码字符转化为在密码字典中对应该字符的值(即该字符在密码数组中的下标)。使用训练好的生成器进行爆破密码集生成,生成器所生成的最终结果并不是具体的密码,而是生成如下维度的矩阵:[每次训练样本数,密码长度,字符种类],首先需要在“字符种类”这一维度上进行变换,使用argmax函数进行转换,取概率最大的字符的下标作为具体值缩减维度,生成的中间结果为如下维度的矩阵[每次训练样本数,密码长度],其中密码长度这一维度上并不是具体的密码字符,而是步骤S12中的字符数组中的字符所在的位置下标,之后根据该字符数据进行下标转换即可得到生成的具体密码。
本实施例的训练模型过程,需要将经过数字化的密码再进行独热编码处理,例如假设原来的数据为(64,10)维度的矩阵,64为每次训练样本数,10为密码长度,我们的字符种类为80种,则进行独热编码后的数据为(64,10,80)维度的数据,数据在第三个维度上只有一个数据为1,其他数据都为0,为1的那个位置是原始数据(64,10)第二个维度的值;
本实施例还提供一种基于梯度惩罚的生成式对抗网络的密码破解系统,包括:数据预处理模块、网络构造模块、网络训练模块和爆破密码集生成模块;
所述数据预处理模块用于确定最长密码的长度和密码中最多允许存在的字符种类,清除长度超过预设值以及限制密码中的字符种类个数,采用一个字符数组过滤原始训练密码,得到训练数据;
所述网络构造模块用于构造残差块结构、生成器和判别器,构造残差块结构类,并基于残差块结构类分别构造生成器类和判别器类,构造判别器损失函数中需要的梯度惩罚类;
所述网络训练模块用于生成相应的生成器和构造器实例,初始化生成器和构造器相应的优化器,在训练数据上进行迭代训练;
所述爆破密码集生成模块用于采用训练好的生成器参数生成爆破密码集。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,包括下述步骤:
数据预处理:确定最长密码的长度和密码中最多允许存在的字符种类,清除长度超过预设值的密码以及限制密码中的字符种类个数,采用一个字符数组过滤原始训练密码,得到训练数据;
网络构造:构造残差块结构、生成器和判别器,首先构造残差块结构类,并基于残差块结构类分别构造生成器类和判别器类,之后再构造判别器损失函数中需要的梯度惩罚类;
进行网络训练:生成相应的生成器和构造器实例,初始化生成器和构造器相应的优化器,在训练数据上进行迭代训练;
采用训练好的生成器参数生成爆破密码集。
2.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述数据预处理具体步骤包括:
转化原始数据训练数据:将原始密码文件转化为一个密码中包含的字符组成的字符数组和一个密码中包含的字符组成的字符词典,所述字符词典以密码中出现的字符为键,以字符在字符数组中的位置为值;
提取训练数据:根据字符数组提取最终训练数据,若原始训练数据中某行密码中的字符未出现在字符数组中,则该行密码被过滤。
3.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述构造生成器类,具体步骤包括:
输入随机的隐空间维度大小的噪声z,通过网络进行前向传播生成密码。
4.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述生成器的输入数据维度为[每次训练样本数,隐空间维度],首先需要通过线性转化为[每次训练样本数,(密码长度*中间层维度)]的矩阵然后进行维度拆分变为[每次训练样本数,密码长度,中间层维度]的矩阵,传入残差网络中,通过一维卷积得到[每次训练样本数,字符种类,密码长度]的矩阵,然后进行维度次序变换为[每次训练样本数,密码长度,字符种类]的矩阵。
5.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述构造判别器类,最终判别器的输出结果为维度[每次训练样本数,1]的矩阵,表示每一批训练样本在判别器中的得分。
6.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,在训练数据上进行迭代训练,在训练生成器网络与判别器网络时,当训练其中一个网络结构时,另一个网络结构中的参数保持不变;
训练判别器,使用真实密码数据以及生成器生成的密码数据训练生成器,并且在反向传播时需要冻结生成器的模型参数,只更新判别器的模型参数;
训练生成器,使用生成器生成虚假密码,并将生成的密码输入到判别器中,生成密码的标签,在反向传播参数更新中冻结判别器的模型参数,只更新生成器的模型参数。
7.根据权利要求1所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述采用训练好的生成器参数生成爆破密码集,具体步骤包括:生成器将随机生成的隐空间维度大小的噪声z作为输入,然后进行前向传播得到爆破密码集。
8.根据权利要求7所述的基于梯度惩罚的生成式对抗网络的密码破解方法,其特征在于,所述采用训练好的生成器参数生成爆破密码集,训练数据还进行数字化处理,将所有训练数据中的密码字符转化为在密码字典中对应该字符的值,生成的爆破密码集为如下维度的矩阵:[每次训练样本数,密码长度,字符种类],首先使用argmax函数进行转换,取概率最大的字符的下标作为具体值缩减维度,生成的中间结果为矩阵[每次训练样本数,密码长度],其中密码长度维度上为字符数组中的字符所在的位置下标,根据字符数据进行下标转换得到生成的具体密码。
9.一种基于梯度惩罚的生成式对抗网络的密码破解系统,其特征在于,包括:数据预处理模块、网络构造模块、网络训练模块和爆破密码集生成模块;
所述数据预处理模块用于确定最长密码的长度和密码中最多允许存在的字符种类,清除长度超过预设值的密码以及限制密码中的字符种类个数,采用一个字符数组过滤原始训练密码,得到训练数据;
所述网络构造模块用于构造残差块结构、生成器和判别器,首先构造残差块结构类,并基于残差块结构类分别构造生成器类和判别器类,之后再构造判别器损失函数中需要的梯度惩罚类;
所述网络训练模块用于生成相应的生成器和构造器实例,初始化生成器和构造器相应的优化器,在训练数据上进行迭代训练;
所述爆破密码集生成模块用于采用训练好的生成器参数生成爆破密码集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697341.4A CN111966997A (zh) | 2020-07-20 | 2020-07-20 | 基于梯度惩罚的生成式对抗网络的密码破解方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697341.4A CN111966997A (zh) | 2020-07-20 | 2020-07-20 | 基于梯度惩罚的生成式对抗网络的密码破解方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966997A true CN111966997A (zh) | 2020-11-20 |
Family
ID=73360470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697341.4A Pending CN111966997A (zh) | 2020-07-20 | 2020-07-20 | 基于梯度惩罚的生成式对抗网络的密码破解方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966997A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667979A (zh) * | 2020-12-30 | 2021-04-16 | 网神信息技术(北京)股份有限公司 | 密码生成方法及装置、密码识别方法及装置、电子设备 |
CN113312609A (zh) * | 2021-05-14 | 2021-08-27 | 华南理工大学 | 基于策略梯度的生成式对抗网络的口令破解方法及系统 |
CN113676348A (zh) * | 2021-08-04 | 2021-11-19 | 南京赋乐科技有限公司 | 一种网络通道破解方法、装置、服务器及存储介质 |
CN113765879A (zh) * | 2021-06-23 | 2021-12-07 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种对称加密隧道破解方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590531A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于文本生成的wgan方法 |
CN108334497A (zh) * | 2018-02-06 | 2018-07-27 | 北京航空航天大学 | 自动生成文本的方法和装置 |
CN110189253A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
-
2020
- 2020-07-20 CN CN202010697341.4A patent/CN111966997A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590531A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于文本生成的wgan方法 |
CN108334497A (zh) * | 2018-02-06 | 2018-07-27 | 北京航空航天大学 | 自动生成文本的方法和装置 |
CN110189253A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
Non-Patent Citations (2)
Title |
---|
BRILAND HITAJ ET AL.: "PassGAN:A Deep Learning Approach for Password Guessing", SPRINGER LINK, vol. 11464, 29 May 2019 (2019-05-29), pages 217 - 237 * |
SUNGYUP NAM ET AL.: "Recurrent GANs Password Cracker For IoT Password Security Enhancement", SENSORS, vol. 20, 31 May 2020 (2020-05-31), pages 247 - 258 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667979A (zh) * | 2020-12-30 | 2021-04-16 | 网神信息技术(北京)股份有限公司 | 密码生成方法及装置、密码识别方法及装置、电子设备 |
CN113312609A (zh) * | 2021-05-14 | 2021-08-27 | 华南理工大学 | 基于策略梯度的生成式对抗网络的口令破解方法及系统 |
CN113312609B (zh) * | 2021-05-14 | 2022-12-16 | 华南理工大学 | 基于策略梯度的生成式对抗网络的口令破解方法及系统 |
CN113765879A (zh) * | 2021-06-23 | 2021-12-07 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种对称加密隧道破解方法、系统及存储介质 |
CN113765879B (zh) * | 2021-06-23 | 2022-11-29 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种对称加密隧道破解方法、系统及存储介质 |
CN113676348A (zh) * | 2021-08-04 | 2021-11-19 | 南京赋乐科技有限公司 | 一种网络通道破解方法、装置、服务器及存储介质 |
CN113676348B (zh) * | 2021-08-04 | 2023-12-29 | 南京赋乐科技有限公司 | 一种网络通道破解方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966997A (zh) | 基于梯度惩罚的生成式对抗网络的密码破解方法及系统 | |
CN109711121B (zh) | 基于马尔可夫模型和哈夫曼编码的文本隐写方法及装置 | |
CN106161006B (zh) | 一种数字加密算法 | |
CN115883109B (zh) | 一种航空系统的数据压缩加密方法及系统 | |
CN108418683B (zh) | 一种基于汉字结构特征的无载体文本隐写方法 | |
CN115296862B (zh) | 一种基于数据编码的网络数据安全传输方法 | |
CN110011792A (zh) | 基于极化码的单步量子密钥分发后处理方法、系统、介质和设备 | |
CN111797409B (zh) | 一种大数据中文文本无载体信息隐藏方法 | |
CN101610088A (zh) | 基于具有安全特性的压缩技术来编码数据的系统和方法 | |
CN110008723A (zh) | 一种基于词嵌入技术的加密算法 | |
CN113312609B (zh) | 基于策略梯度的生成式对抗网络的口令破解方法及系统 | |
Houshmand et al. | Using personal information in targeted grammar-based probabilistic password attacks | |
CN117640069A (zh) | 基于马尔可夫链的多方区块链隐蔽通信生成模型 | |
CN113067832B (zh) | 基于区块链和人工智能的通讯数据加密方法 | |
Safaka et al. | Matryoshka: Hiding secret communication in plain sight | |
KR101584127B1 (ko) | 거부적 암호화 시스템 및 방법 | |
CN110569499B (zh) | 一种基于多模态词向量的生成式对话系统编码方法及编码器 | |
Vishwakarma et al. | Efficient dictionary for salted password analysis | |
Nosratian et al. | Hybrid data compression using fuzzy logic and Huffman coding in secure IOT | |
CN116319117A (zh) | 一种网络安全信息数据的实时分析监控方法 | |
CN107239693B (zh) | 一种基于口令编码规则的分析方法及系统 | |
CN116821429A (zh) | 一种基于隐私集合运算的安全文本分类方法和系统 | |
Panchal | Differential privacy and natural language processing to generate contextually similar decoy messages in honey encryption scheme | |
Hassan et al. | A hybrid encryption technique based on dna cryptography and steganography | |
Sadié et al. | Two high capacity text steganography schemes based on color coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |