Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
PassGAN — Un approccio di Deep Learning per la stima delle password (https://arxiv.org/abs/1709.00440) | Kitploit
Strumenti/GitHubGitHub/brannondorsey/passgan
Password CrackingAttacchi alle PasswordMachine LearningPaper e RicercaApprendimento e Formazione
GitHubbrannondorsey/passgan

PassGAN

Un approccio di Deep Learning per la stima delle password (https://arxiv.org/abs/1709.00440)

Vedi Repository
2.0k397518 anni faRevisionato da Kitploit
Condividi

PassGAN

Questo repository contiene il codice per l'articolo PassGAN: A Deep Learning Approach for Password Guessing.

Il modello di PassGAN è tratto dall'articolo Improved Training of Wasserstein GANs e si presume che gli autori di PassGAN abbiano utilizzato l'implementazione TensorFlow di improved_wgan_training nel loro lavoro. Per questo motivo, ho modificato quell'implementazione di riferimento in questo repository per renderla facile da addestrare (train.py) e da campionare (sample.py). Questo repository contribuisce con:

  • Un'interfaccia a riga di comando
  • Un modello PassGAN pre-addestrato sul dataset RockYou

Per Iniziare

# requires CUDA 8 to be pre-installed
pip install -r requirements.txt

Generazione di campioni di password

Usa il modello pre-addestrato per generare 1.000.000 di password, salvandole in gen_passwords.txt.

python sample.py \
	--input-dir pretrained \
	--checkpoint pretrained/checkpoints/195000.ckpt \
	--output gen_passwords.txt \
	--batch-size 1024 \
	--num-samples 1000000

Addestrare i propri modelli

Addestrare un modello su un dataset di grandi dimensioni (100MB+) può richiedere diverse ore su una GTX 1080.

# download the rockyou training data
# contains 80% of the full rockyou passwords (with repeats)
# that are 10 characters or less
curl -L -o data/train.txt https://github.com/brannondorsey/PassGAN/releases/download/data/rockyou-train.txt

# train for 200000 iterations, saving checkpoints every 5000
# uses the default hyperparameters from the paper
python train.py --output-dir output --training-data data/train.txt

Sei incoraggiato ad addestrare utilizzando le tue fughe di password e dataset. Alcuni ottimi posti per trovarli includono:

  • Fuga di LinkedIn (1.7GB compresso, download diretto. Mirror da Hashes.org)
  • Torrent di Exploit.in (10GB+, 800 milioni di account. Infame!)
  • Hashes.org: Fantastico sito di recupero password condiviso. Considera di donare se hai le risorse ;)

Risultati

Non ho ancora effettuato un'analisi esaustiva del mio tentativo di riprodurre i risultati dell'articolo PassGAN. Tuttavia, utilizzando il modello RockYou pre-addestrato per generare 10⁸ campioni di password, sono riuscito a corrispondere 630,347 (23.97%) password uniche nei dati di test, utilizzando una suddivisione 80%/20% training/test.

In generale, sono un po' sorpreso (e deluso) che gli autori di PassGAN abbiano citato lavori precedenti nel dominio della generazione di password tramite ML ma non abbiano confrontato i loro risultati con quella ricerca. La mia esperienza iniziale con PassGAN mi porta a credere che potrebbe essere significativamente inferiore sia agli approcci basati su RNN che a quelli basati su Markov menzionati in quell'articolo, e spero che non sia per questo motivo che gli autori abbiano scelto di non confrontare i risultati.

Attribuzione e Licenza

Questo codice è rilasciato sotto una Licenza MIT. Sei libero di utilizzarlo, modificarlo, distribuirlo o venderlo secondo i termini di tale licenza.

La maggior parte del merito per il codice in questo repository va a @igul222 per il suo lavoro su improved_wgan_training. Ho semplicemente modularizzato un po' il suo codice, aggiunto un'interfaccia a riga di comando e specializzato per l'articolo PassGAN.

La ricerca e l'articolo di PassGAN sono stati pubblicati da Briland Hitaj, Paolo Gasti, Giuseppe Ateniese, Fernando Perez-Cruz.

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    717
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    504
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    402
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    260
  • 6

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    259

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →