杨龙龙, 杨 频, 刘 亮, 张 磊

(四川大学网络空间安全学院, 成都 610065)

1 引 言

当前，基于口令的身份鉴别是目前最流行的鉴别方式之一，也是一个重要研究领域[1]，然而口令的使用不总是安全的，人们习惯将口令设置成让自己容易记住的短的或者有规律的字符序列[2-3]，像“123456”这样的弱口令.对此，许多研究学者提出了口令设置策略[4-8]来帮助用户设置易于记忆且不易被猜解的口令.然而，由于禀赋效应[9]的存在，即使有很高安全意识的人，也还是会使用弱口令.研究口令策略和口令安全性如检测现有用户口令保护机制的缺陷等都需要有大规模口令明文样本.获取真实的大规模口令明文是困难的，利用口令生成技术来生成大规模口令集是目前广泛使用的一个手段.

在口令生成技术研究方面，前人已经做了大量的研究[10-15]，其中比较具有代表性的是OMEN模型[10]和PassGAN模型[11]，这两个模型分别是基于传统马尔可夫链的口令生成方法和基于生成对抗神经网络的口令生成方法.

OMEN模型的出发点是高概率出现的口令排在口令集前面对口令破解有加速作用.OMEN实验数据表明，OMEN模型生成的口令集在测试集上的命中率要高于JtR-Markov以及其改进版JtR-Inc模型[16].然而，OMEN模型在设计上没有考虑到口令集的分布是否与测试集口令分布一致的问题.

PassGAN模型使用了生成对抗神经网络(Generative Adversarial Network,GAN)[17]，生成的口令具有符合原口令集分布的特点.然而，PassGAN生成的口令集中具有大量重复的口令，其次，PassGAN生成的口令……