论文填补了传统统计方法（如 PCFG、Markov）与深度学习方法（如 LSTM、GAN）之间的研究空白，提出基于随机森林的口令猜测框架 RFGuess，覆盖三种核心猜测场景，为口令安全研究提供了全新技术路线。
一、研究背景
口令面临的核心威胁是猜测攻击。目前猜测攻击存在局限：传统方法存在过拟合和数据稀疏的问题；而深度学习需要大规模训练数据，训练时间长，调参复杂等问题。
二、本文研究
可概括为 “1 条技术路线 + 3 个模型 + 1 套优化算法 + 大规模验证”
技术路线：通过口令字符的多维度重新编码，将机器学习应用于口令猜测
三个模型：
①RFGuess：针对 “漫步猜测”（无目标信息，追求破解数量）；
② RFGuess-PII：针对 “基于个人信息（PII）的定向猜测”（利用姓名、生日等，快速破解指定用户）；
③RFGuess-Reuse：针对 “基于口令重用的定向猜测”（利用用户旧口令，破解新口令）
一套算法：近似最优 PII 匹配算法：改进传统 “左最长匹配” （优先匹配左侧最长 PII 片段）的局限，通过信息熵最小化选择全局最优 PII 表示，提升定向猜测成功率 7%~13%。
大规模验证：基于 13 个真实口令数据集（共 2.41 亿条口令，含中 / 英文、普通用户 / 安全意识较高用户），验证模型在不同场景下的有效性。
三、具体实现
3.1 口令字符的多维度编码（特征工程）
设计6 阶前缀 + 26 维特征向量（4×6+2）
单字符 4 维特征：字符类型，类型内序号，键盘行号，键盘列号。
额外2维长度特征：字符在整个口令中的位置，字符在当前字段的位置
3.2 场景一：漫步猜测模型：RFGuess
核心逻辑：将口令生成视为 “多分类问题”
输入：6 阶前缀的 26 维特征向量；输出：下一个字符的类别；模型：随机森林（由 30 棵 CART 决策树组成，通过 “特征随机选择 + 样本随机抽样” 避免过拟合）
步骤：
1.训练阶段：将训练集中的每个口令拆分为 “6 阶前缀 - 下一个字符” 对（Bs作为开始符）；用前缀的 26 维特征向量作为输入，下一个字符的序号作为标签，训练随机森林。
2.生成阶段：从初始前缀（Bs×6）开始，通过随机森林预测下一个字符的概率分布；对未获投票的字符采用 “add-δ 平滑”（δ=0.001），避免概率为 0；按概率降序生成猜测，直至生成终止符 Es 或达到预设猜测数。
优势：
- 解决 Markov 模型的数据稀疏问题：决策树会将 “相似特征的前缀” 归为同一叶节点，即使前缀未在训练集中出现，也能通过相似样本预测；
- 自动特征筛选：随机森林通过 “Gini impurity” 选择重要特征（如字符序号、键盘列号更重要），剔除冗余特征（如键盘行号），提升训练效率。
3.3 场景2：基于PII的定向猜测模型 RFGuess-PII
本文提出通过 “信息熵最小化” 选择全局最优 PII
步骤：
1. PII 标签数字化：将 PII 类型（姓名、生日、用户名等）用数字标签表示
2.枚举所有可能表示：对每个口令，列出所有可能的 PII 标签组合
3.按频次排序与迭代选择：按表示的频次降序排序，用 R₁表示所有可匹配的口令，剩余表示的频次减 1；重复上述步骤，直至所有表示频次≤1，未匹配口令用 “最短结构” 表示；
4.理论验证：该算法能最小化口令集的信息熵
RFGuess-PII模型
特征适配：PII 标签用（PII 类型、PII 序号、0、0）编码
训练：用含 PII 标签的口令集训练随机森林；
生成：将生成的含 PII 标签的猜测，替换为目标用户的真实 PII
3.4 场景 3：基于口令重用的定向猜测模型 RFGuess-Reuse
核心逻辑：用户重用口令时，通常会进行 “结构级”和 “字段级”修改
结构级变换：统计训练集中口令对的结构转换概率（如 “尾部插入 D₃” 的概率）；
字段级变换：用随机森林预测字段内的原子修改（插入、删除、替换）概率。
eg：旧口令 “password!!”（结构 L₈S₂）生成新口令 “p@sswor123”（结构 L₇D₃）
四、实验验证
4.1数据集
基础数据集：13 个真实数据集（8 个英文、5 个中文），共 2.41 亿条口令
PII 数据集：6 个含个人信息的数据集
口令重用数据集：8 个跨平台口令对数据集
4.2 对比方法
漫步猜测：PCFG、3/4 阶 Markov、FLA（LSTM）、Min-auto（理想攻击，取各方法最优结果）
定向 PII 猜测：TarGuess-I（PCFG-based）、Targeted-Markov（Markov-based）、FLA-PII（改进 FLA）
口令重用猜测：TarGuess-II（PCFG-based）、Pass2Path（Seq2Seq-based）
通过实验证明RFGuess 框架在三种核心场景下均表现优异。