本文提出了一种名为 CoT-DPG 的基于协同训练（Co-training）的动态密码猜测方法。传统密码猜测方法通常依赖静态规则或预训练模型，难以适应真实场景下密码分布的动态变化。CoT-DPG 通过引入协同训练框架，利用两个不同视角的基分类器（分别基于结构特征和语义特征），在未标记的密码样本上相互迭代训练，从而提取更丰富的特征表示。该方法还设计了一个动态调整策略，能够在猜测过程中根据当前命中率自适应地切换攻击模式（如从基于规则的猜测转向基于神经网络生成的猜测）。实验在多个真实密码数据集上进行，结果表明 CoT-DPG 在猜测率（例如在 10^10 次猜测内）和效率上均显著优于现有的规则方法和纯神经网络方法，尤其是在针对新兴密码模式时表现突出。该工作为密码安全性评估和策略制定提供了更有效的工具。