本文针对密码猜测任务中现有数据驱动模型对密码结构差异忽略导致训练偏差的问题，提出了一种混合密码专家框架（MoPE）。研究背景指出，当前密码强度评估方法通常将密码视为统一数据，忽视了不同密码的结构模式（如固定长度数字串、字母数字混合等），导致模型偏向于常见结构，降低了在非典型结构密码上的猜测性能。MoPE框架的核心思想是：首先，基于密码在潜在空间中的密度聚类现象，设计了一种结构感知的专家模型生成方法，将具有相似结构模式的密码分派给专门的子模型处理；其次，引入轻量级门控机制，根据输入密码的结构特征动态选择合适的专家模型输出可靠猜测，以匹配密码猜测任务的高计算频率需求。实验部分在多个真实密码数据集上评估了MoPE在离线与在线猜测场景下的表现，结果显示，相比当前最先进基线模型，MoPE在离线破解率上提升了最高38.80%，在线猜测率提升了9.27%。此外，作者基于离线MoPE实现了实时密码强度计（PSM），可在毫秒级响应延迟内帮助用户选择更强密码。该研究为密码猜测领域提供了一种结构感知的混合专家范式，显著提升了猜测效率和泛化能力。

本文针对生成式模型在密码猜测领域的应用所面临的评估不一致和方法论缺陷问题，提出了一个统一的、可定制的、即插即用的基准测试框架MAYA。该框架旨在系统地表征和评估针对拖网攻击（trawling attacks）的生成式密码猜测模型。研究团队重新实现并适配了六种最先进的方法，确保标准化评估；基于八个真实世界密码数据集，开展了超过15,000计算小时的全面测试，覆盖高级测试场景。实验结果表明，生成式模型能有效捕捉人类密码分布的不同方面，展现出强大的泛化能力，但在长密码和复杂密码上效果差异显著；序列模型一致优于其他生成架构和传统密码猜测工具，具有生成准确且复杂猜测的独特能力；不同模型学习的多样化密码分布使得多模型攻击表现优于最佳单一模型。MAYA框架已开源，旨在为社区提供一致、可靠的基准测试工具。

该论文提出了一种基于对抗性排序的密码猜测框架 RankGuess，将密码猜测问题建模为马尔可夫决策过程（MDP）。作者将密码创建过程视为序列决策轨迹，假设攻击者训练一个智能体，其当前状态为已生成的密码序列，动作为生成下一个字符，由排序器给出的评估分数作为奖励信号。通过对抗性排序技术，RankGuess 能够适用于多种猜测场景：拖网式猜测、基于个人可识别信息（PII）的目标猜测以及条件密码猜测。实验使用了12个大型密码数据集和6个PII数据集，结果表明：RankGuess在所有场景下均超越当前最先进的模型，在基于GAN的方法上平均提升34.80%；在已知受害者PII的目标猜测中，RankGuess-PII在10^12次猜测内可猜中58.21%~91.95%的常见用户，比最先进方法提升6.32%~17.09%；在部分密码已知（如 d****1*02*）的条件猜测中，RankGuess-Mask在10^7次猜测内将破解成功率提升7.70%~14.85%。该工作为密码猜测领域提供了新的技术路径。

密码猜测是对在线账户安全的主要威胁之一。现有基于概率上下文无关文法（PCFG）、马尔可夫链、神经网络等模型的猜测方法虽然在密码破解方面取得了一定进展，但通常需要复杂的训练过程和大量计算资源。本文提出一种新颖且极其简单的“掩码密码猜测”方法，其核心思想是：通过仅改变一个字符的掩码类型（例如，将数字改为字母，或将小写字母改为大写字母），即可使密码猜测的成功率翻倍甚至更高。具体而言，该方法首先根据密码中每个位置的字符类型（即掩码，如数字、大写字母、小写字母、符号等）将密码转换为掩码序列，然后统计真实密码中掩码序列的频率分布，并基于该分布生成最可能的掩码序列，最后在掩码约束下填充具体字符。在四个真实泄露密码数据集（包括RockYou、LinkedIn、MySpace等）上的实验结果表明，该方法在相同猜测次数下（如10^6次猜测）的成功率是现有最佳方法（如PCFG、神经网络模型）的2.1倍至3.7倍，且计算开销极低。该工作的主要贡献在于：揭示了掩码结构在密码猜测中的巨大潜力，提供了一种轻量级且效果显著的攻击思路，对密码强度评估和安全策略设计具有重要启示。

本文提出一种基于 k 近邻（k-NN）的目标密码猜测方法。传统密码猜测方法通常利用通用密码列表或 Markov 模型，但忽视了用户个人特征。作者利用用户公开的个人信息（如姓名、出生日期等）作为特征，通过 k-NN 算法在已泄露的密码数据集上寻找与目标用户最相似的邻居，然后从邻居的密码中生成候选密码。实验使用多个真实密码数据集（如 RockYou、CSDN 等）评估，结果表明该方法在目标密码猜测场景下相比基线方法（如 Markov 模型、Probabilistic Context-Free Grammar）具有更高的猜测成功率，尤其在少量猜测次数内效果显著。该方法可应用于安全评估和账户恢复测试，但也揭示了个人信息在密码中的安全隐患。论文还讨论了防御措施，如使用密码管理器或增强密码复杂度。