MoPE：面向提高密码猜测性能的密码专家混合模型
密码学与安全
2025-09-23 v1
摘要
文本密码仍是 web 安全中的主要身份验证机制。为评估其强度，现有研究在 various scenarios 中提出了several data-driven 模型。然而，这些模型通常统一处理密码，忽略密码之间的结构差异，这导致训练偏向常见密码结构模式。为缓解这种训练偏差，我们认为密码作为复杂短文本数据，应以结构感知方式处理，通过识别其结构模式并将其路由到特定模型。本文提出MoPE，一种面向利用密码中结构模式提高猜测性能的密码专家混合框架。受密码具有相似结构模式（如固定长度数值字符串）在潜在空间中聚集于高密度区域的观察启发，MoPE引入：(1) 一种基于结构的生成专门专家模型的方法；(2) 一种轻量级门方法，用于选择合适的专家模型输出可靠猜测，更贴合密码猜测任务中高计算频率。我们的评估显示，MoPE在离线和在线猜测场景中均显著优于现有SOTA基线，分别实现了38.80%和9.27%的破解率提升，展示了MoPE能够有效利用数据驱动模型 for password guessing。此外，我们实现了一个基于离线MoPE的实时密码强度计（PSM），帮助用户更精确地选择更强的密码，响应延迟为毫秒级。
引用
@article{arxiv.2509.16558,
title = {MoPE: A Mixture of Password Experts for Improving Password Guessing},
author = {Mingjian Duan and Ming Xu and Shenghao Zhang and Jiaheng Zhang and Weili Han},
journal= {arXiv preprint arXiv:2509.16558},
year = {2025}
}