Experimentální zhodnocení metod automatizované tvorby pravidel pro modifikaci hesel

Abstract

Účinnost slovníkových útoků při prolamování hesel závisí na kvalitě a rozsahu použitého slovníku. Jedním ze způsobů, jak ji dále zvýšit, je využití pravidel pro modifikaci hesel, která často napodobují běžné vzorce lidského chování. Tato bakalářská práce se zabývá zhodnocením metod pro automatizovanou tvorbu pravidel pro modifikaci hesel. Pro realizaci experimentů byl navržen a implementován konfigurovatelný nástroj, který umožňuje testování jednotlivých metod, sběr statistik o výpočetních nárocích (čas, paměť, CPU) a vyhodnocení efektivity generovaných pravidel. Součástí práce je také analýza veřejně dostupných slovníků hesel z hlediska entropie, struktury a překryvu. V experimentech byly porovnány nástroje Rulesfinder, PACK a RuleForge s metodami AP, HAC, DBSCAN a MDBSCAN. Nejlepších výsledků dosáhla metoda MDBSCAN s efektivitou srovnatelnou s nejlepšími komunitními sadami pravidel. Zjištěné výsledky ukazují, že efektivita pravidel je výrazně ovlivněna nejen zvolenou metodou, ale také nastavením parametrů testovaných nástrojů a použitým trénovacím slovníkem.The effectiveness of dictionary attacks in cracking passwords depends on the quality and scope of the dictionary used. One way to increase this effectiveness is to use password modification rules which seek to mimic common human behavior patterns. This bachelor's thesis is concerned with evaluating methods for the automated creation of password modification rules. A configurable tool has been designed and implemented to perform experiments. It allows each method to be tested, statistics to be collected on computational requirements (time, memory, CPU). And the effectiveness of the generated rules to be evaluated. The work also includes an analysis of publicly available password dictionaries, focusing on entropy, structure and overlap. The experiments compared Rulefinder, PACK and RuleForge with AP, HAC, DBSCAN and MDBSCAN methods. The MDBSCAN method achieved the best results with efficiency comparable to the best community rule sets. The results show that rule effectiveness is significantly affected not only by the chosen method, but also by the parameter settings of the tested tools and the training dictionary used.