[发明专利]基于马尔可夫链和神经网络的口令字典生成方法和系统

权利要求书

1.基于马尔可夫链和神经网络的口令字典生成方法，其特征在于，包括：

步骤S1：使用有序马尔可夫链进行原口令集的学习和5-gram序列的概率统计，生成组合口令，所述组合口令按照口令序列组合的概率高低输出；

步骤S2：采用随机数噪声训练对抗神经网络生成器，产生伪口令样本，使用原口令集训练初始的对抗神经网络判别器，初始的对抗神经网络判别器通过对对抗神经网络生成器产生的伪口令样本的判别反馈进行参数学习，得到训练好的对抗神经网络判别器；

所述对抗神经网络生成器由随机数发生器组成的噪声输入层、线性层、5层残差块、1维卷积层、softmax层和伪口令输出层组成，对抗神经网络生成器用于通过随机数发生器产生的随机数，经过生成器网络后，生成出一条伪口令；

所述对抗神经网络判别器对所述伪口令进行判别和反馈，所述对抗神经网络判别器由以口令序列为输入的输入层、1层字符嵌入层、5层LSTM层、1层线性层和1层得分输出层组成，对抗神经网络判别器的作用是：伪口令通过对抗神经网络判别器打分反馈后，对抗神经网络判别器进行参数调整来学习口令分布；步骤S3：采用训练好的对抗神经网络判别器对所述组合口令进行判别打分，并筛选出得分数值大于预设值的口令集作为可用口令集输出，可用口令集按照口令序列组合的概率高低排序；

步骤S4：将可用口令集输出拼接上原口令集构成口令字典，进行离线口令猜解。

2.根据权利要求1所述的基于马尔可夫链和神经网络的口令字典生成方法，其特征在于，所述步骤S1具体包括：

步骤S11：对原口令集的口令进行切割，在开始添加开始标志符，在结尾添加结束符；

步骤S12：每次提取5个字符序列作为字符序列组，移动步长为1，直到5个字符序列组的最后一个字符为结束字符，统计字符序列组数量；

步骤S13：采用5-gram方法进行概率统计，并按照概率高低将5-gram序列分为多个堆；

步骤S14：按照概率的高低遍历每个堆，从这些堆中寻找子序列进行口令组合，并生成组合口令。

3.基于马尔可夫链和神经网络的口令字典生成系统，其特征在于，包括马尔可夫链口令生成器、对抗神经网络判别器和对抗神经网络生成器，其中：

马尔可夫链口令生成器，用于采用5-gram方法对口令集进行概率统计，并按照概率高低将5-gram序列分为多个堆，再按照概率高低遍历每个堆寻找子序列进行口令组合，生成组合口令；

对抗神经网络生成器，用于根据输入的随机数噪声输出伪口令样本；对抗神经网络生成器的网络结构依次为噪声输入层，对噪声进行线性处理的线性层，由5个残差块组成的残差层，1层卷积层，softmax层与伪口令输出层，其中噪声输入层使用的随机数种子为128位浮点数；组成残差层的残差块结构依次为输入层，1层卷积层，1维卷积层与输出层，1维卷积层每层的神经元个数为128；

对抗神经网络判别器，用于通过输入的真实口令学习真实口令的分布，并通过对对抗神经网络生成器生成的伪口令样本的判别反馈进行参数学习，学习完成后对马尔可夫链口令生成器输出的组合口令进行打分和筛选，输出可用口令集；对抗神经网络判别器的网络结构依次为以口令序列为输入的输入层，字符编码层，由5个LSTM块组成的LSTM残差层，1个线性层，1个得分输出层；LSTM残差层中的每个LSTM块结构依次为输入层，LSTM层，dropout层与输出层，其中，LSTM层中的神经元个数设置为128个，输出的return_sequences参数为true，即为多到多模型，dropout取为0.3，输出口令序列长度为10，训练的参数设置为：批训练大小设置为64，训练轮数i设置为400000，WGAN-gp中的惩罚系数为10，优化器采用Adam，优化器学习率为1e-4，优化器β1为0.5，优化器β2为0.9，每轮训练1次对抗神经网络生成器，训练10次对抗神经网络判别器；

拼接模块，用于将原口令集与可用口令集进行拼接，得到口令字典。