密碼仍然係防止未經授權訪問嘅主要防線，但用戶行為往往將易記性置於安全性之上。傳統嘅密碼強度檢查器依賴靜態語法規則（例如長度、字符種類），未能考慮用戶選擇嘅語義背景。用戶經常從個人信息（姓名、生日、愛好）中衍生密碼，而呢啲信息好多而家喺社交媒體平台上公開可得。
本文介紹SODA ADVANCE，呢個係一個數據重建工具，擴展咗一個模組，用於透過利用公開可得嘅社交網絡數據來評估密碼強度。此外，本文探討大型語言模型嘅雙刃劍角色：作為生成強大、個性化密碼同評估安全性嘅潛在資產，以及如果被濫用於密碼破解時嘅重大威脅。
本研究由三個關鍵問題引導：大型語言模型能否基於公開數據生成複雜但易記嘅密碼？佢哋能否有效考慮個人信息來評估密碼強度？以及數據喺多個網絡中嘅傳播點樣影響呢啲能力？
SODA ADVANCE 係 SODA 工具嘅演進版，專門設計用於透過從公開來源重建用戶嘅數碼足跡來評估密碼脆弱性。
如 PDF 中圖 1 所示，該框架嘅架構涉及幾個集成模組：
圖表描述（圖 1 概述）：該圖展示咗一個流程，從社交網絡嘅數據收集開始，導向合併模組。重建嘅檔案同輸入密碼進入一個聚合模組，計算指標並輸出一個強度分數，用一個傾向於「係」或「否」嘅天秤可視化。
SODA ADVANCE 採用並擴展咗幾個已建立嘅指標：
本文引入咗一個新嘅累積密碼強度指標，將上述方法嘅分數聚合為一個單一、全面嘅強度指標。
本研究認為，像 GPT-4 咁樣嘅大型語言模型代表咗一個範式轉變，既係防禦嘅強大工具，亦係攻擊嘅有力武器。
當被提示用戶嘅公開檔案數據時，大型語言模型可以生成以下密碼：
呢個能力肯定咗第一個研究問題，但亦突顯咗威脅：攻擊者可以使用相同技術生成高度可能嘅密碼猜測。
除咗生成之外，可以提示大型語言模型根據用戶檔案評估給定密碼。佢哋可以進行語義推理，識別非明顯嘅關聯。呢種情境評估超越咗傳統基於規則嘅檢查器，正面回應咗第二個研究問題。
該研究涉及100 名真實用戶。研究人員從社交網絡重建咗佢哋嘅公開檔案。測試咗兩個主要流程：
將呢啲同 SODA ADVANCE 基於指標嘅模組嘅評估進行比較。
高
大型語言模型持續生成既強大又為用戶情境個性化嘅密碼。
有情境時更優越
當提供用戶檔案數據時，大型語言模型喺識別語義弱密碼方面超越咗傳統指標。
顯著
跨越多個平台數據嘅豐富性同冗餘性，極大提高咗 SODA ADVANCE 重建嘅準確性同基於大型語言模型嘅生成/評估嘅有效性。
實驗表明，個人信息嘅公開可得性，對於防禦工具同使用類似人工智能驅動方法嘅潛在攻擊者而言，都係一個力量倍增器。
新嘅累積密碼強度指標被概念化為來自各個指標嘅標準化分數嘅加權聚合。雖然摘錄中未完全詳細說明確切公式，但可以推斷為：
$CPS = 1 - \frac{1}{N} \sum_{i=1}^{N} w_i \cdot S_i$
其中：
$\ell(P) = \frac{\text{密碼中應用咗 leet 替換嘅字符數量}}{\text{密碼長度}}$
高 $\ell(P)$ 表明密碼可能只係字典詞嘅簡單混淆。
案例研究：評估 "GeorgeCali1023"
輸入：
框架應用：
結論：雖然傳統熵值表明中等強度，但情境指標同大型語言模型評估將其標記為極度脆弱，因為佢同公開個人數據有高度語義相關性。呢個例證咗本文嘅核心論點。
核心見解：本文成功強調咗一個可怕且不可避免嘅事實：喺情境真空中評估密碼嘅時代已經結束。你嘅「強大」密碼只等同於你公開數碼足跡中最薄弱嘅一環。SODA ADVANCE 將呢個威脅形式化，但真正改變遊戲規則嘅係展示咗大型語言模型唔單止自動化破解——佢哋理解破解。呢個將攻擊面從暴力計算轉移到語義推理，係一個更有效率同危險嘅範式。
邏輯流程：論點令人信服：1) 個人數據係公開嘅，2) 密碼源自個人數據，3) 因此，公開數據可以破解密碼，4) 大型語言模型極擅長處理同生成語言，包括個人數據同密碼模式，5) 所以，大型語言模型係呢個領域嘅終極雙重用途技術。研究用實證數據清晰地驗證咗呢個流程。
優點與缺點：
可行建議：
呢項研究嘅影響遠遠超出學術興趣：
公開來源情報工具、數據重建技術同生成式人工智能嘅融合，標誌住安全領域嘅新前沿。未來唔在於創造更複雜嘅密碼，而在於開發智能系統，理解並防禦我哋不可避免地喺網上洩漏嘅語義關聯。