Filtraggio di flatness per la generazione di honeyword

Abstract

Gli schemi a honeyword proteggono i database di password dagli attacchi offline memorizzando password esca (sweetword) accanto a quella reale, così che un file di hash rubato non sia sfruttabile senza rischio di rilevamento. La loro sicurezza dipende dalla flatness: la password reale deve essere indistinguibile dalle esche. Dani et al. [Dan+24] hanno mostrato che un classificatore di deep learning riesce a individuarla, violando la flatness dei generatori attuali. Questa tesi usa quel classificatore come difesa: un oracolo CNN valuta ogni insieme di sweetword e scarta quelli in cui la password reale è riconoscibile, rigenerandoli fino all'accettazione o a un limite massimo. Confronto dieci metodi di generazione su RockYou (chaffing a regole, varianti di HoneyGen e una GAN, con 2000, 5000 e 10000 esempi di addestramento) contro tre attaccanti: una CNN ottimizzata su HoneyGen, una CNN su corpus misto e un classificatore a frequenza. La metrica è l'ASR@t, la frazione di account compromessi entro t tentativi su k = 20 sweetword; il caso casuale vale t/k. Senza filtro, i generatori raggiungono ASR@1/5/10 di 0,28–0,35, 0,68–0,76 e 0,86–0,91, contro 0,05, 0,25 e 0,50 del caso casuale. Il filtraggio basato sul rapporto è la difesa applicabile più efficace: riduce i valori a 0,05–0,07, 0,29–0,34 e 0,58–0,63, purché il tasso di accettazione sia trattato come requisito di deployment. La GAN richiede cautela: un attaccante CNN ingenuo misura un successo quasi nullo, ma l'ASR@5 è 0,87, perché la password reale è in fondo alla classifica (Frank ≈ 0,92) e invertendo la classifica la si trova quasi sempre. La GAN produce distinguibilità invertita, non flatness.

Honeyword schemes protect password databases against offline attacks by storing decoy passwords (sweetwords) alongside the real one, so a stolen hash file cannot be used without risking detection. Their security depends on flatness: the real password must be indistinguishable from its decoys. Dani et al. [Dan+24] showed that a deep-learning classifier can identify the real password, which breaks flatness for current honeyword generators. This thesis uses that classifier as a defence. A CNN flatness oracle scores each candidate sweetword set and rejects any set in which the real password stands out. Rejected sets are regenerated until one passes or a cap is reached. I benchmark ten generation methods on RockYou: rule-based chaffing, HoneyGen variants, and a self-trained GAN, at training sizes of 2000, 5000 and 10000. Each is tested against three attackers: a HoneyGen-tuned CNN, a mixed-corpus CNN, and a frequency ranker. The metric is ASR@t, the fraction of accounts compromised within t guesses among k = 20 sweetwords. Random guessing gives t/k. Unfiltered generators are easily broken. They reach ASR@1/5/10 of 0.28–0.35, 0.68–0.76 and 0.86–0.91, against random baselines of 0.05, 0.25 and 0.50. Ratio-based filtering is the strongest deployable defence. It reduces these figures to 0.05–0.07, 0.29–0.34 and 0.58–0.63 and leaves the real password near the middle of the attacker's ranking. This result holds only if the acceptance rate is treated as a deployment requirement rather than a diagnostic. The GAN needs a warning. A naive CNN attacker measures near-zero success against it, but its ASR@5 is 0.87. The difference arises because the real password sits at the bottom of the ranking (Frank ≈ 0.92), so an attacker who inverts the ranking recovers it almost every time. A mixed-corpus attacker pushes success close to 1. What the GAN achieves is inverted distinguishability, not flatness.