ghostpack/deeppassChasser les mots de passe avec l'apprentissage profond
Application dockerisée qui analyse des documents à la recherche de candidats de mots de passe.
Le billet de blog "DeepPass — Trouver des mots de passe avec le Deep Learning" donne plus de détails sur l'approche et le développement du modèle.
Pour lancer: docker-compose up
Cela exposera http://localhost:5000 où les documents peuvent être téléversés.
L'API peut être utilisée manuellement à http://localhost:5000/api/passwords :
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 est utilisé pour extraire les données de divers formats de documents. Tensorflow Serving est utilisé pour servir le modèle.
Le réseau de neurones est un LSTM bidirectionnel:
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'))
Il a été entraîné sur 2,000,000 de mots de passe sélectionnés aléatoirement à partir de cette liste de mots de passe divulgués et 2,000,000 de termes extraits de divers documents Google dorked. Les statistiques pour l'ensemble de test .1 sont:
------------------
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
------------------
Le notebook d'entraînement du modèle se trouve dans ./notebooks/password_model_bilstm.ipynb