Нейросети взламывают пароли, предсказывая поведение человека

«Взлом паролей часто воспринимается как удел скрипт-кидди, но настоящие атаки сегодня идут не на ваши буквы и цифры, а на саму модель их создания. Нейросеть не бьётся о стену, она просто воспроизводит её архитектуру изнутри».

От брутфорса к предсказательной модели

Классический перебор, это тупая сила. Он работает с огромными словарями паролей или пытает все комбинации символов. Эффективность таких методов падает с ростом длины пароля и сложности правил. Нейросети подходят к задаче иначе: они не подбирают, а генерируют вероятные кандидаты. Если словарь даёт статичный список «password123» и «qwerty», то обученная модель способна создавать новые связки, которые люди вероятнее всего используют, но которых ещё нет в базах. Она выявляет скрытые паттерны.

Нейронные сети, в частности рекуррентные (RNN) и особенно модели на основе трансформеров, отлично работают с последовательностями — текстами, кодом, музыкальными нотами. Пароль — тоже последовательность символов. Обучив такую сеть на утекшей базе настоящих паролей, атакующий получает генератор, который усвоил правила человеческой «парольной грамматики»: как часто после «alex» идёт «1987», как люди заменяют буквы цифрами («@» на «a», «3» на «e»), в каком порядке обычно добавляют спецсимволы.

Что модель видит в базе утекших паролей

Обучение происходит на открытых или слитых в даркнете коллекциях. Для модели это просто текст, где каждая строка — пример «правильного» с точки зрения человека пароля. Чем больше данных, тем точнее модель улавливает:

• Локальные контексты: В разных языках преобладают разные паттерны. База российских сливов будет содержать множество паролей, основанных на кириллических раскладках (например, «yflt;f» для «позор»), имен, популярных в регионе, и местных дат.
• Зависимости от сервиса: Пароли для игровых аккаунтов часто проще, чем для почты или банка. Модель может уловить, что для домена «mail.ru» люди чаще используют простые числовые комбинации, а для «steam» — более сложные.
• Эволюцию правил: Модель видит, как с годами менялась «мода» на пароли: от простых слов к словам с заменой букв, затем к обязательным заглавным буквам и цифрам в конце. Это позволяет ей генерировать варианты, соответствующие современным требованиям систем.

Генерация по контексту: атака, которую не заметить

Самая опасная версия такой атаки — таргетированная генерация. Здесь нейросеть кормят не общей базой, а контекстом о конкретной жертве.

Как это работает

Собрав из открытых источников (соцсети, форумы) информацию о человеке — имя, год рождения, кличку питомца, название любимой команды, — атакующий создаёт промпт для модели: «Сгенерируй 10 000 вероятных паролей на основе этих данных». Модель, обученная на общих закономерностях, комбинирует эти данные, применяя усвоенные паттерны: делает первую букву заглавной, добавляет в конце год или «!», заменяет буквы цифрами. На выходе получается компактный, но смертоносный словарь, идеально заточенный под одного человека. Классический брутфорс с его миллиардами комбинаций здесь бесполезно медлителен, а такой персонализированный словарь взломает слабый пароль за минуты.

[КОД: Пример условного вызова GPT-подобной модели для генерации паролей: `model.generate(prompt=»Имя:Алексей, Год:1987, Питомец:Барсик», num_samples=10000)`]

Почему политика сложности не спасает

Многие системы требуют пароли с большой буквы, цифрой и спецсимволом. Человек, следуя правилу, создаёт шаблон: берёт основу (слово или имя) и механически добавляет требуемые элементы в предсказуемых местах. Именно этот шаблон нейросеть и выучивает. Требование «минимум 8 символов» порождает пароли вида «ИмяГод!» или «Слово123#». Для модели это не сложный барьер, а просто ещё один паттерн, который нужно воспроизвести.

Парадоксально, но жёсткие политики сложности, не подкреплённые запретом на использование персональных данных, лишь сужают пространство поиска для нейросети, делая поведение пользователя более предсказуемым.

Нейросети в защите: гонка вооружений

Те же технологии используются и для обороны. Системы анализа событий безопасности и антифрод-платформы применяют нейронные сети для выявления аномальных попыток подбора.

• Обнаружение паттернов атаки: Сеть анализирует поток запросов на аутентификацию и ищет нечеловеческие паттерны — слишком равномерную скорость, последовательности запросов, характерные для работы генератора, а не живого пользователя.
• Прогнозирование угроз: Модели могут предсказывать, какие аккаунты с наиболее вероятными паролями станут следующей мишенью, основываясь на текущей активности.
• Генерация «приманок»: Для создания honeypot-аккаунтов с паролями, которые выглядят сверхпривлекательно для автономных генераторов, но не используются реальными сотрудниками.

Однако защита всегда отстаёт, потому что для обучения ей нужны данные об уже произошедших атаках, в то время как злоумышленники постоянно совершенствуют свои генеративные модели.

Что делать, когда нейросеть знает все ваши шаблоны

Единственный выход — выйти за рамки шаблонов, которые может воспроизвести модель. Ключевая идея — сделать пароль по-настоящему случайным для стороннего наблюдателя.

Важно понять: задача теперь не в том, чтобы придумать пароль, который вы сможете запомнить, а в том, чтобы создать такой, который нейросеть не сможет правдоподобно сгенерировать, исходя из любых известных о вас данных. Настоящая случайность — ваш главный союзник.