引用yeputons · 2023-04
“Is this related to the paper from 2019: PassGAN ?”
询问这是否与 2019 年的那篇论文有关
用 GAN 从泄露口令中学习分布,无需手写规则即可生成口令猜测
HashCat、John the Ripper 等工具可每秒检查数十亿个口令,并借助拼接、leet 变形等规则扩展字典,但扩展规则费力且需要专业知识。论文提出 PassGAN,用生成对抗网络(GAN)从真实泄露口令中自主学习口令分布并生成高质量猜测,取代人工规则。在两个大型口令数据集上,它超过了基于规则和最先进的机器学习方法,且无需任何关于口令结构的先验知识;把它的输出与 HashCat 合并,比单用 HashCat 多匹配 51% 到 73% 的口令。
HN 上的提及很少,主要是有人把它当作用 GAN 学习真实口令模式来猜口令的论文,并和一篇 2019 年的口令猜测论文做关联。
这条路径帮你了解 GAN 的基础架构与训练技巧,以及残差网络,再看 PassGAN 如何把 GAN 用于口令猜测。
DCGAN 是卷积 GAN 的基础架构,也是 GAN 训练实践的参考。
读生成器判别器的架构约束与训练配置。
目标论文:用 GAN 从泄露口令中学习分布,生成口令猜测,无需手写规则。
读口令如何作为字符序列输入网络,生成器判别器的设计,以及与规则工具的对比实验。
“Is this related to the paper from 2019: PassGAN ?”
“Paper is here”