kaonashi-passwords/kaonashiKuratierte Wortlisten, Hashcat-Regeln und Masken aus Milliarden echter Passwörter, mit statistischer Analyse und Forschungsfolien von der RootedCON 2019 zur Verbesserung von Passwortknacktechniken.
Dieses Repository enthält mehrere Verzeichnisse:
Ein Klon ist möglicherweise nicht erforderlich, um die benötigten Dateien zu erhalten.
Wenn ein Benutzer ein Passwort wählen muss, neigt er dazu, es auf die gleiche Weise zu erstellen, unter Verwendung derselben persönlichen Informationen und derselben Ideen zur Komplexität.
In dieser Studie haben wir mehrere Milliarden realer Passwörter verarbeitet, um eine groß angelegte Analyse dieser häufigen Verhaltensweisen durchzuführen, und Schlussfolgerungen gezogen, die es uns ermöglichen, spezifische Verfahren und Werkzeuge zu entwickeln, um die derzeitigen Techniken zum Knacken von Passwörtern zu verbessern.
Wir verwendeten verschiedene Methoden wie Verhaltens- und statistische Analysen, neuronale Netze und andere fortgeschrittene Techniken, um Muster und relevante Informationen zu erhalten, die es uns ermöglichen, Hashes zu knacken, deren Widerstandsfähigkeit normalerweise recht hoch ist.
Diese Wortlisten wurden aus realen Passwort-Leaks extrahiert und nach der Anzahl der Vorkommen sortiert. Dadurch können Benutzer die TOP n Zeilen/Passwörter extrahieren und benutzerdefinierte Wortlisten basierend auf ihren Bedürfnissen erstellen.
Sie können die folgenden Mega-Links verwenden, um komprimierte (7z) Wortlisten herunterzuladen:
Sie können auch .torrent-Dateien im Verzeichnis wordlists/ finden
Die Autoren haben diese Passwörter nicht gestohlen, gephisht, getäuscht oder auf irgendeine Weise gehackt. Alle Zeilen in diesen Dateien wurden auf frei verfügbare Weise beschafft.
Das Ziel dieses Projekts ist es, Informationen über unsichere Passwörter bereitzustellen, um die allgemeine Passwortsicherheit zu erhöhen. Die Listen zeigen Ihnen, welche Passwörter am häufigsten vorkommen, welche Muster am häufigsten sind und was Sie bei der Erstellung eigener Passwörter vermeiden sollten.
Dieses Werk ist lizenziert unter einer GNU General Public License v3.
