À ce jour, il existe peu de recherches sur les informations sémantiques des mots de passe, ce qui laisse un vide qui nous empêche de bien comprendre les caractéristiques et la sécurité des mots de passe. Nous proposons un nouveau modèle de probabilité de mot de passe pour les informations sémantiques basé sur la chaîne de Markov avec à la fois une généralisation et une précision, appelé WordMarkov, qui peut capturer l'essence sémantique des échantillons de mot de passe. En outre, nous évaluons notre conception via des attaques par devinettes de mots de passe, sur six ensembles de données du monde réel, et nous montrons que WordMarkov obtient une amélioration de 24,29 % à 67,37 % par rapport aux modèles de probabilité de mots de passe de pointe. Ce qui est encore plus surprenant, c'est que WordMarkov améliore de 75,35% à 96,34% les attaques sur les mots de passe « longs », ce qui indique l'importance des parties sémantiques dans les mots de passe longs.

Hasta la fecha hay pocas investigaciones sobre la información semántica de las contraseñas, lo que deja un vacío que nos impide comprender completamente las características y la seguridad de las contraseñas. Proponemos un nuevo modelo de probabilidad de contraseñas para información semántica basado en la Cadena de Markov con generalización y precisión, llamado WordMarkov, que puede capturar la esencia semántica de las muestras de contraseñas. Además, evaluamos nuestro diseño a través de ataques de adivinación de contraseñas, en seis conjuntos de datos del mundo real, y mostramos que WordMarkov obtiene una mejora del 24.29%–67.37% sobre los modelos de probabilidad de contraseñas de última generación. Aún más sorprendente es que WordMarkov logra una mejora del ataque del 75,35% -96,34% en contraseñas "largas", lo que indica la importancia de las partes semánticas en las contraseñas largas.

To date there are few researches on the semantic information of passwords, which leaves a gap preventing us from fully understanding the passwords characteristic and security. We propose a new password probability model for semantic information based on Markov Chain with both generalization and accuracy, called WordMarkov, that can capture the semantic essence of password samples. Further, we evaluate our design via password guessing attacks, on six real-world datasets, and we show that WordMarkov obtains 24.29%–67.37% improvement over the state-of-the-art password probability models. Even more surprising is that WordMarkov achieves 75.35%–96.34% attack improvement on "long" passwords, indicating the importance of semantic parts in long passwords.

حتى الآن، هناك عدد قليل من الأبحاث حول المعلومات الدلالية لكلمات المرور، مما يترك فجوة تمنعنا من فهم خصائص كلمات المرور وأمانها بشكل كامل. نقترح نموذجًا جديدًا لاحتمال كلمة المرور للمعلومات الدلالية استنادًا إلى سلسلة ماركوف مع كل من التعميم والدقة، يسمى WordMarkov، والذي يمكنه التقاط الجوهر الدلالي لعينات كلمة المرور. علاوة على ذلك، نقوم بتقييم تصميمنا عبر هجمات تخمين كلمة المرور، على ست مجموعات بيانات في العالم الحقيقي، ونظهر أن WordMarkov يحصل على تحسن بنسبة 24.29 ٪ -67.37 ٪ مقارنة بنماذج احتمالية كلمة المرور الحديثة. والأكثر إثارة للدهشة هو أن WordMarkov يحقق 75.35 ٪ -96.34 ٪ تحسين الهجوم على كلمات المرور "الطويلة"، مما يشير إلى أهمية الأجزاء الدلالية في كلمات المرور الطويلة.