[发明专利]基于条件变分自编码的密码攻击评估方法

权利要求书

1.基于条件变分自编码的密码攻击评估方法，其特征在于：包括以下步骤：

步骤一：构建变分自编码模型

先基于标准自编码模型正则化后生成一个变分自编码模型，再将一个先验分布强加到隐变量上，并进行替换编码器；

步骤二：构建条件变分自编码模型

在上述步骤一中的变分自编码模型上加上生成条件，利用变分自编码模型构建出条件变分自编码模型，然后生成特定条件下的生成数据；

步骤三：构建密码攻击模型

采用一个两层双向GRU循环神经网络和CNN文本卷积神经网络组成密码攻击模型编码器，然后计算出密码攻击模型最后时刻输出状态，再将最后时刻输出状态经过两个全连接层生成μ和σ，然后从标准正态分布中采样出与μ同维度的随机向量，再经过重参数化后得到中间编码z′，然后根据用户个人信息生成条件编码向量，最后生成用户密码猜测序列；

步骤四：综合利用条件变分自编码模型与密码攻击模型

通过标准高斯先验分布生成的隐编码z生成密码序列，再利用密码攻击模型生成条件编码向量y，再将隐变量和条件编码向量y输入解码器，生成此用户的猜测密码序列。

2.根据权利要求1所述的基于条件变分自编码的密码攻击评估方法，其特征在于：所述步骤一中先验分布是规整的几何形式，取标准高斯分布，使得模型能够生成更接近原始数据分布的样本，先利用变分自编码模型将一个先验分布强加到隐变量上，再通过变分自编码模型将标准自编码中的编码器替换为学习得到的后验识别模型，采用神经网络作为编码器函数，参数化隐变量的后验分布使其逼近强加的先验分布，然后通过变分自编码模型最小化样本的重构损失、最小化编码隐变量和先验分布的KL散度。

3.根据权利要求2所述的基于条件变分自编码的密码攻击评估方法，其特征在于：所述步骤一中变分自编码模型的损失函数如公式(1)所示：

公式(1)中，表示的先验分布和模型编码器后验分布之间的KL散度，KL散度度量的是两个分布中的相似度，当两个分布越相似时KL散度越小；代表解码器对数据样本的重构损失。

4.根据权利要求1所述的基于条件变分自编码的密码攻击评估方法，其特征在于：所述步骤二中条件变分自编码模型的损失函数如公式(2)所示：

公式(2)中，y是条件变量，解码器会在条件y下生成特定的数据。

5.根据权利要求1所述的基于条件变分自编码的密码攻击评估方法，其特征在于：所述步骤二中生成条件为用户的个人信息，具体包括用户名、邮箱地址和电话号码。

6.根据权利要求1所述的基于条件变分自编码的密码攻击评估方法，其特征在于：所述步骤三中先采用一个两层双向GRU循环神经网络和CNN文本卷积神经网络组成密码攻击模型编码器，然后根据公式(3)计算出密码攻击模型最后时刻输出状态，再将最后时刻输出状态经过两个全连接层生成μ和σ，其中μ和σ表达式如公式(4)和公式(5)所示：

h_t＝BiGRU_e(h_t-1，x_t-₁) (3)

μ＝tanh(w_μh_t) (4)

σ＝tanh(w_σh_t) (5)

再根据公式(6)从标准正态分布中采样出与μ同维度的随机向量，经过重参数化后得到中间编码z′，然后把用户个人信息当作字符串串联起来，经过CNN文本卷积神经网络对其编码生成条件编码向量，所述编码向量的表达公式如公式(7)所示，然后再根据公式(8)将中间编码z′与条件编码拼接在一起形成最终隐编码，最后根据公式(9)生成用户密码猜测序列；

z′＝randn·μ+σ (6)

y＝CNN(g) (7)

z＝[z′，y] (8)

h_t，x′_t＝GRU_d([h_t-1，y，z]，x′_t-1) (9)