Angriff auf das Wörterbuch — Umfassende Operation

Referenzdokument des ProjektsTime2Crack

Empfänger: Entwickler, Sicherheitswissenschaftler, Fortgeschrittene

Inhalt

1. Überblick

Der Angriff auf das Wörterbuch ist die älteste Passwort-Cracking-Methode, die einfachste konzeptionell und statistisch am effektivsten auf die Mehrheit der realen menschlichen Passwörter. Sein Prinzip ist, in absteigender Reihenfolge der Wahrscheinlichkeit eine vorkompilierte Liste der Kandidaten zu testen — das "diktionäre" — anstatt alle möglichen Kombinationen, wie die Rohkraft tut, vollständig aufzuzählen.

InTime2CrackDer Wörterbuchangriff modelliert zwei verschiedene, aber komplementäre Mechanismen:

Diese beiden Erkennungen sind unabhängig und komplementär: HiBP deckt die genauen Kompromiss-Anmeldeinformationen ab, die Wordlist deckt die gemeinsamen Wörter noch nicht aus.

2. Historischer und akademischer Hintergrund

2.1 Ursprung

Die ersten Unix-Systeme haben Passwörter in der Sprache in der Sprache gespeichert /etc/passwd, so dass jedes Wörterbuch-Angriff trivial, sobald die Datei zugänglich war.

2.2 Gründung von Lecks

Einige Lecks haben die Landschaft des Angriffs durch Wörterbuch verändert, indem sie die tatsächliche Verteilung der menschlichen Passwörter zeigen:

• Passwort #1 ("123456") repräsentiert 290,731 Konten (2%)

2.3 Referenz Benchmarks für Wörterbuch-Angriff

Eine Wortliste von 200.000 Einträgen, die mit der Geschwindigkeit eines RTX 4090 getestet wurden:

Der Wörterbuch-Angriff ist daher für MD5, SHA-1 und NTLM fast augenblicklich – und bleibt auch für Bcrypt auf kleinen Listen sehr schnell.

3. Konzeptionelle Grundlagen: warum Wörterbücher funktionieren

3.1 Das Machtrecht der menschlichen Passwörter

Alle empirischen Studien konvergieren sich zur gleichen Beobachtung: die Verteilung menschlicher Passwörter ist nicht gleichförmig — es folgt einer Gesetz der Macht (Zipf). Einige Passwörter konzentrieren sich auf einen unverhältnismäßigen Teil der Wahlen.

Direkte Folge: 10 häufigste Passwörter Ein Angreifer, der nur 10 Kandidaten testet, hat bereits in 20 Jahren die Chance, erfolgreich zu sein – statistisch gesehen ist es riesig für die Menge an Lärm erzeugt.

3.2 Kognitive Bias in der Passwort-Erstellung

Menschen wählen nicht zufällig aus. Sie verwenden systematisch Heuristiken, die ihre Passwörter vorhersehbar machen:

3.3 Das Konzept des "Passworts bereits in den Listen"

Ein Passwort kann aus zwei verschiedenen Gründen in einer Angriffsliste sein:

Diese beiden Fälle entsprechen den Angriffen anderer Natur, mit unterschiedlichen Geschwindigkeiten — und das ist, wasTime2CrackModelle genau.

4. Architektur eines modernen Wörterbuch-Angriffs

4.1 Allgemeine Pipeline

Ein moderner Wörterbuchangriff findet in mehreren Phasen statt:

Phase 1 : Constitution de la wordlist
    ├── Mots de passe fuités (HIBP, RockYou, Collections)
    ├── Wordlists linguistiques (dictionnaires, prénoms, lieux)
    ├── Wordlists thématiques (sport, pop culture, tech, religion)
    └── Wordlists contextuelles (domaine de l'entreprise cible, noms d'employés)
Phase 2: Wordlist Vorverarbeitung
- Sortieren nach Häufigkeit (meist wahrscheinlich zuerst)
- Deduplizierung (nicht zweimal der gleiche Kandidat)
- - Längenfiltration (Ziellänge + ±2)
- Standardisierung (kleiner, Unicode NFC)
Phase 3: Berechnung der Kandidat Hashs
Für jeden Kandidaten w in der Wortliste:
Ψ hashBewerber = HashAlgo(w)
WerbeartikelBewerber = hashZiel : FINDED
- Geschwindigkeit: 168 GH/s für MD5 auf RTX 4090
Phase 4: Analyse der Ergebnisse
Bericht über geknackte Passwörter, Berichterstattungsstatistik

4.2 Hardwareoptimierungen

Moderne Wörterbuch-Angriffe sind massiv parallel zu GPU:

Für eine Wortliste von 14 Milliarden Einträgen (HIBP-Größe) auf 12× RTX 4090:

Dieser Unterschied von ~9 Größenordnungen zwischen MD5 und bcrypt erklärt, warum die Wahl des Hash-Algorithmus kritisch ist.

4.3 Prüfauftrag der Kandidaten

Die Wortliste wird nicht in alphabetischer Reihenfolge geprüft — sie ist sortiert nach abnehmender Wahrscheinlichkeit :

Diese Art sorgt dafür, dass, wenn das Passwort "low" ist, es in den ersten Millisekunden gefunden wird - was auch immer die Hash-Geschwindigkeit.

5. Die Korpus der echten Passwörter

5.1 Habe ich Pwned (HIBP)

HiBP ist die globale Referenz, weil:

Ein Angreifer mit dem kompletten HIBP-Dump kann zunächst die ~14 Milliarden Kandidaten in absteigender Reihenfolge der Frequenz testen. Für nicht gesaltete Algorithmen (MD5, SHA-1), umfasst diese Liste in der Größenordnung von 50-70% aller realen Online-Passwörter.

5.2 RockYou (2009) — Gründung corpus

5.3 Sammlungen von spezialisierten Wortlisten

Diese Korpusen sind öffentlich herunterladbar — ihre Existenz ist eine etablierte Tatsache der Offensive Sicherheit.

6. K-Anonymität Verification HIBP: Ein Echtzeit-Angriff

6.1 Protokoll k-Anonymität

Time2Crackintegriert einen Echtzeit-HIBP-Check, der genau das reproduziert, was ein Angreifer mit der HIBP-Datenbank tun würde – aber niemals das Passwort in der einfachen Sprache oder in der vollen Hash übertragen würde.

Das k-Anonymitätsprotokoll funktioniert wie folgt:

1. Calculer SHA-1(password)      → par exemple "CBFDAC6008F9CAB4083784CBD1874F76618D2A97"
Senden Sie nur die ersten 5 Zeichen an die HIBP API: "CBFDA"
Die API liefert ALLE SHA-1 Suffixes ab "CBFDA" (etwa 400-600 Hashes)
Suchen Sie lokal, ob der Rest der Hash ("C6008F9CAB4083784CBD1874F76618D2A97") in der Liste
Wenn gefunden: Passwort wurde beeinträchtigt (HIBP gibt auch die Anzahl der Lecks zurück)

6.2 Implementierung inTime2Crack(app.js)

Die HIBP-Überprüfung ist asynchron und nicht blockierend. Das Passwort wird sofort nach lokalen Methoden analysiert und die HIBP-Überprüfung beendet das Ergebnis:

// Pseudo-code simplifié
async function checkHIBP(password) {
  const sha1 = await sha1Hash(password);
  const prefix = sha1.substring(0, 5);   // 5 premiers chars
  const suffix = sha1.substring(5);       // reste du hash
const response = Warteruf(
    https://api.pwnedpasswords.com/range/${prefix}
  ;
const lines = Antwort erwarten.text();
für (const line of lines.split('\n') {
const [hashSuffix, count] = line.split(':');
wenn (hashSuffix.toLowerCase() = suffix.toLowerCase())
zurück parseInt(count); // Anzahl der Lecks
}
}
zurück 0; // nicht gefunden
}

6.3 Interpretation des Zählers HIBP

Die von HiBP zurückgegebene Anzahl gibt an, wie oft dieses genaue Passwort in indexierten Lecks erschien:

Auch eine Anzahl von 1 (das Passwort erschien nur einmal in einem Leck) zeigt eine Schwachstelle: Wenn ein Angreifer dieses Konto gezielt anspricht und die Liste der Anmeldeinformationen des betreffenden Lecks hat, wird er es finden.

7. SprachwörterlistenTime2Crack

7.1 Warum Sprachwortlisten zusätzlich zu HIBP

HiBP deckt die genauen Kompromissberechtigungen ab – aber nicht die gemeinsamen Wörter laufen noch nie weg. Ein Francophone-Nutzer, der "ephemeral" als Passwort wählt, kann nicht in HiBP sein (das Wort ist unwahrscheinlich in anglophone Anmeldeinformationen), aber es ist in der französischen Wortliste eines Angreifers, der ein Francophonsystem anstrebt.

Sprachwörterlisten vonTime2Crackdiese Lücke abdecken:

7.2 Lazy Belastung

Wordlisten sind nicht im Code enthalten — sie werden auf Anfrage beim Wechsel der Sprache geladen, um den Netzbudget zu erfüllen:

// app.js - loadDictionary()
async function loadDictionary(lang) {
  if (DICTLang & DICTWORDS) return;  // Déjà chargé
  if (DICT(LACHT)
DIKTPENDINGLANG = lang; // Wartedatei
zurück;
}
DIKTLOADING = true;
const res = Warteruf(data/wordlists/${lang}.txt;
const text = warten res.text();
// Konvertieren in Set<string> für O(1) Lookup
DIKTWORDS = neues Set(
Text.split("\n")
.map(w => w.normalize("NFC").trim().toLowerCase())
.filter(w = >= >= 4)
;
DIKTLANG = Lang;
DIKTLOADING = falsch;
}

Warteschlange laden

Die DICTÄNDERUNGLANG vermeidet Rassebedingungen bei schnellen Sprachänderungen:

Scénario : l'utilisateur switche rapidement EN → FR → DE
├── EN demandé : DICTLOADING = falsch → Beginn des Ficks EN
FR beantragt während des Ficks EN : DICTLOADING = true → DICTÄNDERUNGLANG = "fr"
├── DE demandé pendant fetch EN : DICTLOADING = true → DICTPENDINGLANG = "de" (crash "fr")
- Federende: DICTLANG = "en", puis lance loadDictionary("de")
└── Résultat : seule la dernière langue demandée est chargée

Dieses Verhalten ist absichtlich: Die zuletzt geforderte Sprache wird geladen, nicht alle Zwischensprachen.

8. Wörterbuch Erkennung inTime2Crack: isDictWord()

8.1. Erkennungsoperation

Die Funktion isDictWord(pw) bestimmt, ob ein Passwort aus einem aktuellen Wörterbuchwort abgeleitet ist oder wird:

// app.js - ligne 2181
function isDictWord(pw) {
  if (!DICT(WORDS) Rückgabe falsch;
// Standardisierung: NFC + Unterkoffer
const l = pw.normalize("NFC").toLowerCase();
// Direkte Verifikation
wenn (DICT)WORDS.has(l) || DICTWORDS.has(deLeet(pw))
// Morphologische Variationen
const deleetWord = deLeet(pw)
const Variationen = getMorphVariations(deleetWord);
für (Konst. Variationen) {
wenn (DICT)WORDS.has(variation)) return true;
  }
Rückgabe falsch;
}

8.2 Unicode Standardisierung (NFC)

Standardisierung normalize("NFC") sorgt dafür, dass akzentuierte Zeichen konsequent behandelt werden:

Diese Standardisierung wird sowohl bei der Erstellung des Wörterbuchs als auch bei der Überprüfung angewendet, um eine korrekte Korrespondenz für Akzentsprachen (FR, ES, DE, PT, etc.) zu gewährleisten.

8.3 Auswirkungen auf die Schwachstelle erkannt

Wann isDictWord() Zurück truemehrere Angriffe gelten:

9. De-leetification: wie der Angreifer Substitutionen dekodiert

9.1 Leetspeak und seine Einschränkungen als Schutz

Der Leetspeak (oder "1337 Sprache") ist eine Praxis, Briefe durch visuell ähnliche Zahlen oder Symbole zu ersetzen: a→@, e→3, i→1 oder !, o→0, s→$. Benutzer verwenden es, um "strengthen" gemeinsame Wörter.

Die Realität: diese Substitutionen sind die ersten geltenden Regeln Sie stellen keine echte Verteidigung gegen einen kompetenten Angreifer dar.

9.2 Implementierung deLeet() inTime2Crack

// app.js - ligne 3622
const LEETBASE =
a: ["@", "4"],
e: ["3"],
o: ["0"]
s: ["$", "5"],
t: ["+", "7"],
h: ["#"]
g: ["9"],
};
Funktion vonLeetWith(pw, oneMap) {
r = pw.normalize("NFC").toLowerCase();
für (const [ch, reps] of Object.entries(LEET)BASE))
    for (const c of reps) r = r.split(c).join(ch);
  // Appliquer la résolution ambiguë (i ou l) en dernier
  for (const [ch, reps] of Object.entries(oneMap))
    for (const c of reps) r = r.split(c).join(ch);
  return r;
}
Funktion vonLeet(pw) {
// Mehrdeutigkeit: "1" kann "i" oder "l" sein
const withI = deLeetWith(pw, { i: "1!", l: "" });
const mitL = deLeetWith(pw, { l: "1", i: "!" });
// Wenn das Wörterbuch geladen wird, bevorzugen Sie die Variante, die passt
wenn (DICT)WORDS {
wenn (DICT)WORDS.has(withL) mit L zurück;
wenn (DICT)WORDS.has(mitI) mit I zurück;
}
// Andernfalls: bevorzugen Sie die Variante mit den am wenigsten verbleibenden Zahlen
const digsI = (mit I.match(/\d/g)
const digsL = (mit L.match(/\d/g)
Zahl L < = Zahl I? mitL: mitI;
}

9.3 Mehrdeutigkeitsmanagement "1" → "i" oder "l"

Die Substitution "1" ist mehrdeutig: "1" kann "i" (wie in "1nfo" → "info") oder "l" (wie in "p1ayer" → "player") darstellen.Time2Cracklöst diese Mehrdeutigkeit durch:

9.4 Nicht erfasste Substitutionen (absichtlich)

Time2Crackdie seltenen oder mehrdeutigen Substitutionen nicht über LEETBASE-Muster hinaus. Dies ist eine Design-Auswahl: zu viele Fälle würden falsche Positive erhöhen (die Erkennung eines Passworts als "aktuelles Wort", während es nicht ist).

10. Berechnung der Rißzeit: addDictionaryAttacks()

Rechenlogik

// app.js - ligne 3848
function addDictionaryAttacks(rows, common, weak, dictWord) {
  for (const a of ALGOS) {
    let sec;
    if (weak)     sec = 100 / a.rate;     // Top ~100 entrées
    else if (common) sec = 10000 / a.rate; // HIBP priority list ~10k
    else if (dictWord) sec = 200000 / a.rate; // Scan wordlist complète ~200k mots
    else sec = null;                        // Non applicable
konstnote = schwach ? t("nWeakPassword")
: häufig ? t("nInLeaks")
: dictWord ? t(nDictHit)
: t(nAbsentLeaks);
Zeilen.push({ atk: t("aDict"), hash: a.name, spleen: a.rate, sec, note, cat: "dict" });
}
}

10.2 Drei Ebenen der Sicherheitslücke

10.3 Warum diese Zahlen (100, 10.000, 200.000)?

Diese Werte werden auf aktuelle Daten kalibriert:

10.4 Vollständiges numerisches Beispiel

Für das "Sun"-Passwort (aktuelles französisches Wort, erkannt als dictWord)

Selbst für Argon2id, 250 Sekunden ist weniger als 5 Minuten - für ein einfaches Wort aus dem Französisch Wörterbuch.

11. Hohe Treuekalibrierung: applyHighFidelityCalibration()

11.1 Warum zusätzliche Kalibrierung?

Bruttoberechnung addDictionaryAttacks() gibt eine Schätzung des "wurst case" — als ob der Angreifer die gesamte Wortliste gleichmäßig testen würde. geordnet nach Wahrscheinlichkeit : Die häufigsten Passwörter kommen zuerst an.

Hohe Treuekalibrierung gilt für einen Korrekturmultiplikator basierend auf empirischen Beobachtungen:

// app.js - ligne 4442
case "dict":
  // Ur et al. 2012 : mots communs trouvés dans les 100-10k premiers essais
  // Weir 2009 : mots dict trouvés dans les 200k premiers essais (scan ordonné)
  m = context.common ? 0.15: context.dictWord ? 0.5: 1.0;
Bruch

11.2 Akademische Quellen der Kalibrierung

12. Wahrscheinlichkeit der Anwendbarkeit und des Vertrauens

12.1 Scoring-System

Time2Cracknicht nur eine Zeit berechnen – sie wertet auch die Wahrscheinlichkeit aus, dass der Wörterbuchangriff tatsächlich der schnellste Angriff ist, über ein Multi-Faktor-Scoring-System:

// Score d'applicabilité (0-1)
case "dict":
  return context.common ? 0.99 : context.dictWord ? 0.85 : 0;

12.2 Evidenzwert

Parallel zum Applicability-Score erfasst ein "Evidence" die beobachteten Signale:

case "dict":
  return Number(!!context.common) + Number(!!context.dictWord);
  // 0 : aucun signal
  // 1 : un signal (common OU dictWord)
  // 2 : deux signaux (common ET dictWord)

Ein Beweiswert von 2 (Wort sowohl im HIBP als auch im sprachlichen Wörterbuch) erhöht das endgültige Vertrauen von 0,08 (2 × 0,04).

12.3 Final Confidence Score

const base = confidenceBase["dict"] || 0.6;  // confiance de base
const evidenceBoost = Math.min(0.12, row.evidenceScore  0.04);
const speculativePenalty = speculativeCats.has("dict") ? 0.08 : 0;  // dict n'est pas spéculatif
Zeile.confidence = Math.max(0, Math.min(1,
Math.max(Anwendbarkeit, Basis) + evidenzBoost - spezifischPenalty
),

Für ein Passwort common mit dictWord auch erkannt:

Maximales Vertrauen: Der Wörterbuch-Angriff ist der primäre Angriff eindeutig.

13. Bloom filter RockYou: lokale Erkennung von weit verbreiteten Passwörtern

13.1 Hintergrund

Neben der HIBP-Verifikation (die einen Netzwerkanruf erfordert),Time2Crackintegriert ein bloom filter Ein Blütenfilter ist eine probabilistische Datenstruktur, die es Ihnen erlaubt, die Zugehörigkeit zu einem Satz mit einer Wahrscheinlichkeit von falschen Positiven zu testen (~1%), ohne die Elemente selbst zu speichern.

13.2 Vorteile des Blütenfilters

13.3 Betrieb des Doppelhaspels

// app.js - ligne 1962
function bloomHas(filter, word) {
  if (!filter) return false;
  const { bitArray, m, k } = filter;
  const w = word.toLowerCase();
// Double-Hashing: h1 und h2 sind zwei unabhängige Hash-Funktionen
const h1 = fnv1a32(w, 2166136261); // FNV1a mit Standardsaat
const h2 = fnv1a32(w, 0x811c9dc5); // FNV1a mit alternativem Saatgut
für (let i = 0; i < k; i++) {
= (h1 + (i)  (h2) >>> (0)) % m; // k Positionen im Bit-Array
const byteIdx = Math.floor(pos / 8);
const bitIdx = pos % 8;
// Wenn ein bisschen 0 ist: das Wort ist DEFINITLY abwesend
wenn ((bitArray[byteIdx] & (1 << bitIdx)) = 0) falsch zurückgeben;
}
// Alle Bits sind bei 1 : das Wort ist PROBABLY vorhanden (mit 1% von FP)
Rückkehr wahr;
}

Das Doppelhashing FNV1a sorgt für eine gleichmäßige Verteilung von Positionen im Bit-Array, minimiert Kollisionen und hält die falsche Positivrate nahe 1%.

13.4 Lade- und Binärformat

Der Blütefilter wird in data/rockyou.bloom — eine binäre Datei mit

Die Last wird vom Benutzer manuell ausgelöst (Taste in der UI), nicht automatisch bei der Seitenbelastung – um die Ausgangsleistung zu erhalten.

14. Vergleich mit abgeleiteten Angriffen

Der "reine" Wörterbuch-Angriff ist die erste von einer Familie von Angriffen, die alle eine gemeinsame Wurzel teilen: eine lexische Wortliste.Time2Crackimplementiert 7 Offline-Cracking-Modelle (Brutskraft, Wörterbuch, Hybrid, Maske,PCFG,Markov, Kombinator), jeder angreift das Passwort aus einem anderen Winkel.

14.1 Wörterbuch vs.Hybride)

Der Hybridangriff beginnt, wo das reine Wörterbuch aufhört: es nimmt jedes Wort von der Wortliste und wendet systematische Mutationsregeln an (hashcat "best64.rule" im Kopf).

14.2 Wörterbuch vs.PCFG

Ein Passwort wie "Password123" kann unbemerkt in einem Wörterbuch gehen (das genaue Wort "Password123" darf nicht aufgeführt werden) aber wird sehr schnell vonPCFGdie die Struktur [Majuscule][minuscules][figuren] erkennt.

14.3 Wörterbuch vs.Markov

DieMarkovdeckt Fälle ab, in denen das Passwort wie ein menschliches Wort aussieht, ohne in irgendeiner Liste zu sein.

14.4 Wörterbuch vs Credential Stuffing

Credential stuffing attackiert keine Hash – es versucht direkt Login/Passwort-Paare auf Remote-Dienste. Es ist konzeptuell anders als Cracking, aber teilt die gleiche Datenquelle (HIBP/fail).

15. Einschränkungen des Angriffswörterbuchs

15.1 Eigene Grenzen

15.2 Was die BerechnungTime2Cracknicht model

16. Wirksame Verteidigung

16.1 Was schützt vor Wörterbuch-Angriff

Der Unterschied von 10 + Größenordnungen zwischen MD5 und Argon2id macht das Wörterbuch-Passwort "sun" in der Praxis immun, wenn durch Argon2id geschützt - auch wenn der Angreifer weiß, dass es ein französisches Wort ist.

16.2 Was nicht schützt

16.3 Praktische Empfehlungen

17. Referenzen

Primärquellen (Akademische Studien)