생성형 AI 모델의 대규모 비밀번호 생성 및 추측공격 성능 검증
The Impact of Generative AI Models on Large-Scale Password Generation for Guessing Attacks
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
비밀번호 추측 공격이 진보하면서 기존 비밀번호 보안 방책의 효율성을 재고할 필요가 있다. 본 논문은 생성형 AI의 대규모 비밀번호 생성에 기반한 추측 공격에 대해 연구하였다. 본 논문에서는 트랜스포머 기반 아키텍처의 장점과 언어 모델이 갖는 실제적인 비밀번호 생성의 장점을 결합한 하이브리드 모델인 PassGPT+Llama3.2를 제안한다. 비밀번호 유출 공개 데이터셋 수집 및 전처리 과정을 거쳐 비밀번호의 다양하고 복잡한 구조를 반영한 데이터셋을 구축하였으며, 이를 활용하여 학습 및 검증을 수행하였다. 본 논문에서 제안한 모델은 학습 시 1시간 45분 소요되었으며, 비밀번호 생성에 22분이 소요되었다. 또한 본 논문에서 제안하는 모델은 기존 모델에 비해 높은 Hit Rate를 보였으며, 이는 실제적인 비밀번호를 생성하는 모델의 우수한 능력을 보여준다. 본 연구는 비밀번호 보안에 있어서의 생성형 AI의 역할을 확인하고 AI 기반 추측 공격에 대한 진보된 방어책이 필요함을 시사한다.
Abstract
In cybersecurity, sophisticated guessing attacks continually challenge the effectiveness of password security measures. This paper investigates the potential of generative artificial intelligence models for large-scale password generation and their implications for guessing attacks. We introduce PassGPT+LLaMa3.2, a hybrid model that combines the strengths of transformer-based architectures with advanced linguistic modeling capabilities to generate highly realistic passwords. Our experiments were conducted on a private dataset, comprising a diverse array of password structures to evaluate the performance of our model in terms of training and testing efficiency. Our findings demonstrate that PassGPT+Llama3.2 significantly enhances the diversity and realism of generated passwords, achieving a training time of 1h 45min and a testing time of 22min. Moreover, our model exhibits higher Hit Rate compare to existing models, indicating its effectiveness in mimicking real-world password patterns. This research underscores the impact of generative AI on password security, highlighting the need for advanced defenses against AI-driven guessing attacks.
참고문헌 (16)
- Dell'Amico, Matteo, "Password strength: An empirical analysis", 2010Proceedings IEEE INFOCOM, pp.1~9 (2010)
- Bonneau, Joseph, "The science of guessing: analyzing an anonymized corpus of 70 million passwords", 2012IEEE symposium on security and privacy, pp.538~552 (2012)
- Goodfellow, Ian, "Generative adversarial nets", Advances in neural information processing systems, 27 (2014)
- "New attack on WPA/WPA2using PMKID" (2024)[URL]
- Vaswani, A, "Attention is all you need", Proceedings of the 31st International Conference on Neural Information Processing Systems, pp.6000~6010 (2017)
- Hitaj, Briland, "Passgan: A deep learning approach for password guessing", Applied Cryptography and Network Security: 17th International Conference, ACNS 2019, pp.217~237 (2019)
- Redford. A, "Improving language understanding by generative pre-training", ~
- Rando, Javier, "PassGPT: password modeling and (guided) generation with large language models", European Symposium on Research in Computer Security, pp.164~183 (2023)
- Nosenko, Alex, "Password and passphrase guessing with recurrent neural networks", Information Systems Frontiers, 25(2), pp.549~565 (2023)
- Yang, Kunyu, "VAEPass: A lightweight passwords guessing model based on variational auto-encoder", Computers & Security, 144 (2022)
- J. Wang, "Modeling Password Guessability via Variational Auto-Encoder", 2021 IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD), pp.348~353 (2021)
- Xiao, Yujia, "PassRVAE: Improved Trawling Attacks via Recurrent Variational Autoencoder", Proceedings of the 2024 3rd International Conference on Cryptography, Network Security and Communication Technology, pp.98~106 (2024)
- Radford, Alec, "Language models are unsupervised multitask learners", OpenAI blog, 1(8) (2019)
- "Llama 3.2: Revolutionizing edge AI and vision with open, customizable models" (2024)[URL]