[发明专利]基于多序列长短期记忆网络的口令字典生成方法及系统

权利要求书

1.基于多序列长短期记忆网络的口令字典生成方法，其特征在于，包括：

步骤S100：将原始口令集和个人信息集加入训练集，将训练集中的每个字符作为一个类别，提取字符的字符编码作为特征向量，分别训练不同序列长度的LSTM模型，将训练好的不同序列长度的LSTM模型按照序列长度由小到大的顺序级联得到多分类问题的概率模型；

步骤S200：从训练集中随机采样得到首字符，提取首字符的字符编码，输入到该多分类问题的概率模型中相应序列长度的LSTM模型，得到首字符的后一个字符的多分类每个类别的概率，从概率中进行随机取样，得到下一个字符以及其概率值；

步骤S300：执行以下步骤：

步骤S310：由首字符和LSTM模型预测出的字符依次生成字符序列，根据字符序列的序列长度选取相应序列长度的LSTM模型进行下一个字符的生成；步骤S320：循环执行步骤S310，直到生成的字符序列的长度大于序列长度最长的LSTM模型的序列长度，采用序列长度最长的LSTM模型通过滑动窗口方式预测后面字符，直到取样得到结束符，生成口令字符串，进入步骤S400；

步骤S400：若生成的口令字符串的长度小于或等于设置口令的最长长度，则将口令字符串加入生成口令字典，若生成口令字典的口令数量未达到预设数量，返回步骤S200。

2.根据权利要求1所述的基于多序列长短期记忆网络的口令字典生成方法，其特征在于，所述步骤S100具体包括：

步骤S110：提取原始口令作为原始口令集，提取个人信息作为个人信息集，将原始口令集和个人信息集组成训练集，对训练集中的所有字符串补充结束符，形成新字符串；

步骤S120：采用不同序列长度的LSTM模型分别截取训练集的新字符串，得到不同的输入序列和输入序列对应的标签，输入序列对应的标签为输入序列的下一个字符；

步骤S130：对输入序列中的每个字符进行字符编码，得到特征向量，并存入特征向量数组；对输入序列对应的标签进行字符编码得到标签向量，并存入标签向量数组；

步骤S140：采用特征向量和标签向量训练不同序列长度的LSTM模型，得到训练好的不同序列长度的LSTM模型；

步骤S150：将训练好的不同序列长度的LSTM模型按照序列长度由小到大的顺序级联得到多分类问题的概率模型。

3.基于多序列长短期记忆网络的口令字典生成系统，其特征在于，包括个人信息提取模块、训练集、输入序列截取模块、训练集特征提取模块、模型训练模块和口令生成模块，其中：

个人信息提取模块，用于提取个人信息字符串；

训练集，用于存放新字符串，包括个人信息字符串增加结束符得到的新字符串和原始口令中的字符串补充结束符得到的新字符串；

输入序列截取模块，用于采用不同序列长度的LSTM模型截取训练集中新字符串，得到输入序列和对应的标签；

训练集特征提取模块，用于对输入序列和对应的标签进行字符编码，得到特征向量和标签向量；

模型训练模块，采用特征向量和标签向量训练不同序列长度的LSTM模型，得到训练好的不同序列长度的LSTM模型；

口令生成模块，由训练好的不同序列长度的LSTM模型按照序列长度由小到大的顺序级联得到，用于从训练集提取首字符作为输入序列，输入训练好的对应序列长度的LSTM模型中，得到后一个字符及其概率，选取概率最大的输出字符连接到输入序列的尾部，形成生成字符序列；再根据生成的字符序列的序列长度选取相应序列长度的LSTM模型，将生成序列作为输入序列输入该模型预测下一个字符，将预测的下一个字符连接到输入序列，迭代该过程至生成的字符序列的序列长度大于序列长度最长的LSTM模型的序列长度，然后采用序列长度最长的LSTM模型使用滑动窗口方式预测后面字符，直到取样得到结束符，生成口令字符串，若生成的口令字符串的序列长度小于或等于设置口令的最长长度，将口令字符串加入生成口令字典。