DeepPass

Dockerisierte Anwendung, die Dokumente auf Passwortkandidaten analysiert.

Der Blogbeitrag "DeepPass — Finding Passwords With Deep Learning" gibt weitere Details zum Ansatz und zur Entwicklung des Modells.

Zum Ausführen: docker-compose up

Dadurch wird http://localhost:5000 bereitgestellt, wo Dokumente hochgeladen werden können.

Die API kann manuell unter http://localhost:5000/api/passwords verwendet werden:

C:\Users\harmj0y\Documents\GitHub\DeepPass>curl -F "file=@test_doc.docx" http://localhost:5000/api/passwords
[{"file_name": "test_doc.docx", "model_password_candidates": [{"left_context": ["for", "the", "production", "server", "is:"], "password": "P@ssword123!", "right_context": ["Please", "dont", "tell", "anyone", "on"]}, {"left_context": ["that", "the", "other", "password", "is"], "password": "LiverPool1", "right_context": [".", "This", "is", "our", "backup."]}], "regex_password_candidates": [{"left_context": ["for", "the", "production", "server", "is:"], "password": "P@ssword123!", "right_context": ["Please", "dont", "tell", "anyone", "on"]}], "custom_regex_matches": null}]

Apache Tika wird verwendet, um Daten aus verschiedenen Dokumentformaten zu extrahieren. Tensorflow Serving wird zum Bereitstellen des Modells verwendet.

Das neuronale Netz ist ein bidirektionales LSTM:

embedding_dimension = 20
dropout = 0.5
cells = 200

model = Sequential()
model.add(Embedding(total_chars, embedding_dimension, input_length=32, mask_zero=True))
model.add(Bidirectional(LSTM(cells)))
model.add(Dropout(dropout))
model.add(Dense(1, activation='sigmoid'))

Es wurde mit 2.000.000 zufällig ausgewählten Passwörtern aus dieser geleakten Passwortliste und 2.000.000 extrahierten Begriffen aus verschiedenen per Google Dorking gefundenen Dokumenten trainiert. Die Statistiken für den 0,1-Testdatensatz lauten:

------------------
loss       :  0.04804224148392677
tn         :  199446.0
fp         :  731.0
fn         :  3281.0
tp         :  196542.0
------------------
accuracy   :  0.9899700284004211
precision  :  0.9962944984436035
recall     :  0.983580470085144
------------------
F1 score.     :  0.9898966618590025
------------------

Das Trainingsnotebook für das Modell befindet sich in ./notebooks/password_model_bilstm.ipynb