FGPass：基于特征引导的门控微调策略定向密码猜测

《Neural Networks》：FGPass: Feature-Guided targeted password guessing with gated fine-tuning strategy

　　

摘要
大多数定向密码猜测模型依赖于用户的个人信息，而忽略了密码本身的内在特征。为了解决这个问题，我们提出了 FGPass，一种特征引导模型，旨在生成符合特定约束的高质量密码。此外，为了增强跨站点适应性，我们引入了 GAFT，一种门控微调策略，利用已破解的密码对适配模型以进行二次猜测。广泛的评估表明，FGPass 在多个攻击场景中的平均命中率为 28.30%，优于所有基线模型。它利用密码特征学习和引导猜测过程的能力在严格约束下被证明极其有效，与最佳竞争模型相比性能提升了 20.81%。此外，GAFT 在初始猜测轮次之上带来了额外的 6.37% 性能提升，并比全参数微调高出 48.08%，展示了其捕获特定站点转换行为的强大能力。最后，我们强调了利用相关密码特征作为未来研究的重要方向。

引言
密码安全是网络和系统可靠性的关键基石。由于其简单性、易于修改和成本效益（Bonneau, Herley, Oorschot, Stajano, 2012, Bonneau, Herley, Van Oorschot, Stajano, 2015, Taneski, Heri?ko, Brumen, 2019），基于文本的密码预计仍将是可预见的未来的主要用户认证方法，不太可能有替代技术完全取代它们。先前的研究表明，网络用户平均管理 80 到 107 个不同的在线账户（Castelluccia, Chaabane, Dürmuth, & Perito, Pearman, Thomas, Naeini, Habib, Bauer, Christin, Cranor, Egelman, Forget, 2017）。为了便于记忆和管理，用户通常选择相对简单的字符串，例如键盘图案（Tan, Keyani, Czerwinski, 2005, Wang, Hu, Liu, Luo, 2024），这显著增加了安全漏洞的风险。此外，用户经常将个人身份信息（PII）纳入他们的密码中（Li et al., 2016）。此类 PII 的结构各不相同：一些元素是字母（例如，姓名和爱好），其他是数字（例如，生日和电话号码），而用户名等标识符通常结合字母、数字和符号。人口统计因素，如性别和教育背景，也可能影响密码创建习惯（Wang et al., 2016b）。此外，用户往往不是生成全新的密码，而是在不同网站间重用密码，或对现有密码进行微小修改（例如，插入、删除或替换字符）（Das, Bonneau, Caesar, Borisov, Wang, 2014, Wang, Jan, Hu, Bossart, Wang, 2018）。

攻击者积极利用这些可预测的模式。在大规模数据泄露后（Meyer, Radauskas），对手利用泄露的凭证发起撞库攻击或定向密码猜测攻击（Shukla, Malaviya, Lodha, 2024, Xie, Shi, Zhang, Ma, Wang, Li, Zhang, 2024, Zhang, Xu, Li, Yang, Cheng, Shen, 2020）。这些攻击可能导致横向权限提升和跨平台的安全级联失败。然而，此类在线攻击的有效性受到安全机制的严格限制。由于超过一半的顶级网站实施了速率限制（Alroomi, Li, 2023a, Freeman, Jain, Duermuth, Biggio, Giacinto, 2016, Lu, Zhang, Ling, Zhang, Lin, 2018），利用已知受害者信息生成定制猜测的定向密码猜测必须在极其有限的尝试预算内成功。

这种严格约束需要高效的猜测模型，能够准确捕获复杂的、特定用户的模式。当前主流的定向密码猜测方法可大致分为两种范式：传统方法（包括启发式（Das et al., 2014）和统计模型（Weir et al., 2009））和基于深度学习的方法（Pal et al., 2019）。虽然传统方法依赖于预定义规则或统计概率，但它们往往泛化能力有限。相比之下，最近的基于深度学习的解决方案在自动学习修改模式方面显示出前景。然而，在紧密约束下有效建模现实攻击场景仍然是一个关键挑战。

尽管在利用深度学习技术进行定向密码猜测方面取得了进展，但仍存在两个挑战。第一个挑战是密码内在特征的系统化利用。第二个挑战是跨站点猜测所需的特定站点适配，因为用户转换模式和约束策略在不同平台间存在显著差异。

目前，大多数先进的定向密码猜测方案（Li, Wang, 2026, Wang, Zou, Xiao, Ma, Chen, 2023, Xiu, Wang, 2024）主要依赖大规模数据集匹配来学习密码修改和创建模式，却忽视了在实际攻击场景中可能获得的特定目标特征。在实际应用中，存在各种必须利用部分已知密码特征的情况：
• 在侧信道攻击场景（Bostanc?, Kanellopoulos, Olgun, Ya?l?k??, Yüksel, Ghiasi, Bing?l, Sadrosadati, Mutlu, 2025, Spreitzer, Moonsamy, Korak, Mangard, 2017）中，攻击者可能通过功耗分析（Randolph and Diehl, 2020）、电磁和声学泄漏（Halevi, Saxena, 2015, Sayakkara, Le-Khac, Scanlon, 2019）或其他物理残留痕迹（Alotaibi, Williamson, Khamis, 2023, Cha, Kwag, Kim, Huh, 2017）等技术恢复密码的某些特征，并需要利用这些已知特征高效完成剩余部分。
• 在密码恢复场景（Xu et al., 2023）中，用户自己可能回忆出密码的部分结构或特定字符，并需要智能生成技术协助重建完整密码。
• 在密码强度评估领域（Wang, He, Cheng, Wang, 2016a, Wheeler, 2016, Zhang, Hou, Zou, Li, Wang, 2024），安全研究人员需要模拟真实攻击场景，以验证认证系统在部分信息泄露时的韧性。
• 在密码策略研究（Alroomi, Li, 2023b, Sahin, Al Roomi, Poteat, Li, 2023）中，学者必须分析用户在特定策略约束下（例如，强制使用大写字母、特殊字符或最小长度要求）的密码选择倾向，以优化密码策略设计。

尽管这些场景明显需要利用目标特征信息，但现有方案未能有效整合此类已知特征。相反，它们仍依赖于通用模式学习方法。这导致了猜测尝试和计算资源的巨大浪费。现有方法（Wang, Zou, Xiao, Ma, Chen, 2023, Xiu, Wang, 2024）通常将特征约束视为后处理步骤，而不是将其深度集成到生成过程中，导致效率低下和资源浪费。因此，开发能够充分利用目标密码特征的智能猜测方法，不仅将提高密码猜测的效率，还将为密码安全评估、策略优化以及基于安全密码系统的研究（Zhang, Xu, Cheng, Shen, 2021, Zhang, Xu, Li, Yang, Cheng, Shen, 2020）提供至关重要的技术支持。

在跨站点定向密码猜测场景中，核心挑战在于如何有效地将从源域（例如，从网站 A 到网站 B 的对）学到的密码转换模式泛化到新的目标域（例如，预测从网站 A 到网站 C 的转换）。具体来说，由于不同网站在密码策略、用户习惯和安全要求上的不同，存在“领域差距”。直接将基于 A → B 数据训练的模型应用于预测 A → C 转换往往由于分布偏移而导致成功率有限。

因此，在通过初始攻击成功攻陷目标域的一部分用户密码后，我们获得了高度信息丰富的目标域数据集。利用该数据集完善模型既可行又必不可少。它作为一个真实来源，准确编码了目标域特有的转换模式，包括特定后缀规则、字符替换习惯或目标密码的隐含复杂度要求，这些在初始训练期间是不存在的。忽视这一关键数据来源将使模型无法弥补由领域不匹配引起的系统性偏差。

然而，大多数现有的基于深度学习的猜测模型缺乏执行这种针对性适配的高效机制。它们通常被设计为在固定的大型语料库上训练的静态模型，不具备从新获得的、高价值目标小样本中快速有效学习的能力。这一限制阻碍了它们在现实世界多服务攻击模拟中的实际效果。

为了解决特征利用效率低下和跨站点适应性有限的挑战，我们提出了一种名为 FGPass 的新型定向密码猜测模型。首先，为了有效利用部分特征信息，FGPass 采用了一种软引导训练和生成机制。这种方法将显式特征约束直接集成到概率估计过程中，显著提高了密码生成的效率和准确性。

其次，为了缓解跨站点场景中的领域差距，我们引入了门控微调（GAFT）策略。该策略利用模型的猜中成果，通过门控调整机制进行针对性优化，使模型能够更好地适应目标域特定的密码分布。最后，我们在真实数据集上进行了系统的实验测试。结果表明，我们的方法 consistently 优于基线模型，并达到了最先进水平。

总体而言，本文的贡献总结如下：
• 特征引导的定向密码猜测模型（FGPass）。我们研究了定向密码猜测问题，揭示了现有猜测方案在利用密码特征方面的局限性。为此，我们提出了 FGPass，一种新颖的特征引导训练和生成机制，利用特征信息专门优化猜测过程。
• 用于跨站点适配的门控微调策略（GAFT）。为了缓解跨站点定向猜测中的领域适配问题，我们引入了一种新颖的门控微调策略。该策略通过在该域的一小段已破解密码对（即成功的源 - 目标映射）上进行微调，有效地将预训练模型适配到新的目标域，使模型能够有效地学习领域特定的转换模式。
• 全面的实验评估与见解。我们进行了彻底的实验，以评估 FGPass 和提出的微调策略在公共数据集上的有效性。结果表明，我们的方法显著优于现有的最先进方法。我们进一步详细分析了我们的解决方案的优缺点，为该领域的未来研究提供了宝贵的见解。

章节片段
定向密码猜测
密码猜测研究主要关注非定向攻击，即在不利用账户特定信息的情况下生成猜测序列（Hitaj, Gasti, Ateniese, Perez-Cruz, 2019, Pagnotta, Hitaj, De Gaspari, Mancini, 2022, Yang, Wang, 2025）。相比之下，定向攻击利用特定受害者的知识（例如，个人详细信息或重用的凭证）来优化猜测效率。大规模数据泄露的普遍性使得此类攻击成为严重的实际威胁，因为

威胁模型
在本文中，我们专注于定向密码猜测。在此场景中，攻击者试图利用目标特定信息，最常见的是用户的历史密码，来恢复未知的用户凭证。关键的是，我们假设攻击者在严格的预算下运行（通常设置为 103 次尝试），这与服务登录速率限制施加的现实世界约束相符。

FGPass
如图 1 所示，FGPass 框架包括四个主要阶段。它从数据

评估
在本节中，我们使用大规模真实世界数据集评估所提出的 FGPass 框架的有效性。我们首先详细说明数据集和实验设置，然后与最先进基线进行比较分析。

局限性与讨论
本节介绍了所提出模型的局限性，并对特征引导猜测算法提供了见解。

局限性。FGPass 的一个关键局限性是其在生成具有高度常见特征的密码时的有效性降低。这是一个预期的结果，因为基础模型已经擅长生成此类结构，留给引导改进的空间有限。

此外，我们观察到在某些场景中，FGPass 生成的一小部分密码可以

结论
在本文中，我们介绍了 FGPass，一种定向密码猜测模型，辅以 GAFT，一种门控微调策略。FGPass 擅长生成符合从已知目标特征中得出的特定约束的高质量密码，表现出更高的命中率和卓越的整体性能。通过利用 GAFT，模型可以使用已破解的密码信息进行微调，以执行对剩余未破解集合的二次猜测，从而改进破解

CRediT 作者贡献声明
Xinjie Tang：写作 - 审阅与编辑，写作 - 原稿，验证，资源，项目管理，方法论，调查，形式分析，数据管理，概念化。Wei Peng：写作 - 审阅与编辑，监督，资源，资金获取，概念化。Tao Zhao：监督，资源，资金获取。Ziling Wei：监督，资源，形式分析，概念化。Qihong Wu：写作 - 审阅与编辑，监督，方法论。Zhibin He：

利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些可能已经影响了本文所述的工作。

致谢
作者感谢指导编辑和匿名审稿人提供的宝贵意见。本研究部分由国家并行与分布式计算重点实验室（PDL）开放基金 No.2024-KJWPDL-04 支持。

Xinjie Tang|Wei Peng|Tao Zhao|Ziling Wei|Qihong Wu|Zhibin He