随着科学技术的不断发展,信息系统在日常生活中逐步扮演起不可或缺的角色,各种身份认证技术也得到了广泛的应用。基于用户名-口令对的身份认证技术由于简单易用等特点成为信息系统中最广泛的认证方式,对保障信息系统安全的重要意义不言而喻。与之相关的口令研究,得到越来越多研究人员的重视。尽管如此,口令在使用中的安全性仍然常常被人们忽视。从历年来各大安全厂商公布的弱口令榜单,到各大网站中用户的口令重用问题,无一不揭露了口令安全的严峻形势。因此,口令安全研究一直是该领域的热点课题。口令猜测攻击算法作为口令安全研究中的不可替代的重要组成部分,对分析口令组成规律、评价用户口令强度有着十分重要的作用。口令猜测攻击算法从早期构造独特的字典、设计特殊的猜测顺序到依靠统计学的基于概率上下文无关方法、基于马尔可夫链的方法、基于自然语言处理技术的方法,经历了相当长的时间。这些方法在实际的口令猜测攻击中取得了不错的效果,但每当有新的口令集出现时,使用这些方法进行猜测攻击依然需要人为地参与,重复进行繁琐的分析修改工作,导致研究受到很大的局限。针对以上问题,先对以往的口令猜测攻击算法进行分析,结合当前热门的深度学习框架――生成对抗网络,吸取现有的口令猜测攻击算法的经验,利用循环神经网络记忆功能在序列识别建模的优势和卷积神经网络对识别目标任务的结构的优势,以原有的序列数据生成模型为基础,通过以口令为研究对象对其加以改进,从而提出了两种基于生成对抗网络模型的口令猜测攻击算法。1.基于Text GAN的口令猜测攻击算法分别将循环神经网络和卷积神经网络作为生成对抗网络的生成模型和判别模型,通过利用近似函数来解决口令这一离散数据带来的梯度离散问题。2.基于Seq GAN的口令猜测算法使用循环神经网络作为生成对抗网络的生成模型和判别模型,并将强化学习引入到生成对抗网络中,利用蒙特卡洛树搜索,实现对不完全序列的评估,从而更好地指导口令的生成。两种算法都使用了生成对抗网络作为模型框架,采用了不同的方法解决序列数据带来的离散问题,并在实验中对比了两种算法的口令破解效果。通过在多种口令集上,与现有的口令猜测攻击算法的一系列对比实验,一方面证明了基于Seq GAN的口令猜测攻击算法在口令破解方面的有效性,同时相比于其他基于生成对抗网络的口令猜测攻击算法,更好地弥补了基于概率模型的口令猜测攻击算法的不足;另一方面通过基于Text GAN的口令猜测攻击算法的表现,也揭露了文本生成模型在口令猜测领域的局限性,对口令猜测攻击算法的研究具有一定的指导意义。