Fonti scientifiche

Time2Crack si basa sulla ricerca accademica in crittografia, sicurezza informatica e stima della forza password. Questa pagina elenca le fonti scientifiche che convalidano i nostri algoritmi, metodi di valutazione e tarature.

Valutazione della forza della password

Wheeler, D.L. (2016). zxcvbn: stima della forza della password a basso costo. In Atti del 25o Simposio di Sicurezza USENIX (pp. 157–173). USE associazione nazionale. https://www.usenix.org/system/files/conference/usenixsecurity16/sec16 paper wheeler.pdf
Rilevanza: Metodologia di fondazione per la stima realistica della forza password. Wheeler (2016) afferma che i metri a base di entropia (NIST, OWASP) sopravvalutano significativamente la sicurezza. Time2Crack segue questo approccio: stima il costo dell'attacco più conosciuto, non entropia teorica.
Pasquini, D., Cianfriglia, M., Ateniese, G., & Bernaschi, M. (2021). Reducing Bias in Modeling Real-world Password Strength via Deep Learning and Dynamic Dictionaries. In Proceedings of the 30th USENIX Security Symposium (pp. 821–838). USENIX Association. https://www.usenix.org/system/files/sec21-pasquini.pdf
Rilevanza: Mostra che la configurazione degli attacchi a dizionario (lista di parole e regole) distorce fortemente le stime di robustezza, e propone attacchi adattivi che imitano gli attaccanti esperti. Giustifica la modellazione di un attaccante ben configurato anziché di un'unica lista di parole.

Metodi di valutazione

Wang, D., & Ding, S. (2023). Nessun singolo proiettile d'argento: misurare l'accuratezza dei metri di forza della password. In Procedimenti del 32o Simposio di Sicurezza USENIX (pp. 2575–2592). USE associazione nazionale. https://www.usenix.org/system/files/sec23fall-prepub-291 wang-ding.pdf
Rilevanza: Maggiore studio comparativo (USENIX 2023) di 12 contatori di forza password su 14 set di dati reali. Determina che:
  • Correlazione di Spearman ponderata è la metrica standard per valutare la precisione
  • Obiettivo scientifico: > 0,85 per una buona calibrazione
  • Nessun metro esiste senza compromessi (zxcvbn: ρ=0.76, Hive Systems: ρ=0.68)
Time2Crack punta > > 0,80.
Golla, M., & Dürmuth, M. (2018). Sull'accuratezza dei metri di forza della password. In Proceedings of the 25th ACM Conference on Computer and Communications Security (pp. 1567-1580). ACM. https://maximiliangolla.com/files/2018/papers/ccsf285-finalv3.pdf
Rilevanza: Quadro di valutazione sistemico per i contatori di forza password (2018). Raccomandare: Correlazione Spearman + Divergenza Kullback-Leibler per attacchi offline. Time2Crack incorpora queste due metriche.
Castelluccia, C., Durmuth, M., & Perito, D. (2017). Adaptive Password-Strength Metri da modelli Markov. In Atti del Simposio NDSS. Internet Society. https://www.ndss-symposium.org/wp-content/uploads/2017/09/06 3.pdf
Rilevanza: Presenta la metrica α-Guesswork (Gα) : percentuale di password incrinate con tentativi G. Valutare la sicurezza pratica del modello.

Modelli di attacco

Ma, J., Yang, W., Luo, M., & Li, N. (2014). Uno studio di modelli di password probabilistic. In Atti del 35o Simposio IEEE sulla Sicurezza e sulla Privacy (pp. 689–704). IEEE. https://www.ieee-security.org/TC/SP2014/papers/A%20Study%20of%20Probabilistic%20Password%20Models.pdf
Rilevanza: Confronto dei modelli probabilistici (Markov, PCFG, neurale). Determina che gli attacchi per combinazione di parole sono sottovalutati da formule ingenue (row moltiplicacation = false ipotesi di indipendenza). Time2Crack corregge questo con rockyou calibrazione empirica.
Hashcat Project (2024). Toggle Attack with Rules. Hashcat Wiki. https://hashcat.net/wiki/doku.php?id=toggle_attack_with_rules
Rilevanza: Documenta il modello di attacco toggle-case in hashcat: i file di regole toggle[1–5].rule elencano tutte le combinazioni di 1 a 5 inversioni di maiuscole/minuscole per posizione. Conferma che l'attaccante testa prima le inversioni a posizione singola (costo più basso), poi combinazioni più ampie — giustificando un modello di costo combinatorio C(n,k) per le varianti di capitalizzazione.
Hashcat Project (2026). Rule-based Attack. Hashcat Wiki. https://hashcat.net/wiki/doku.php?id=rule_based_attack
Rilevanza: Le regole sono un piccolo linguaggio che modifica un candidato alla volta: cambiare, rimuovere o aggiungere caratteri. Il modello ibrido di Time2Crack segue questa definizione: una parola del dizionario più una breve trasformazione.
Hashcat Project (2026). Hybrid Attack. Hashcat Wiki. https://hashcat.net/wiki/doku.php?id=hybrid_attack
Rilevanza: Un attacco ibrido unisce una parola del dizionario a una maschera (modalità 6, 7 e 12), ad esempio un anno o alcune cifre. Il suo costo è il rango della parola moltiplicato per la dimensione della maschera: Time2Crack applica questo costo alle decorazioni più lunghe di 5 caratteri.
Hashcat Project (2026). Combinator Attack. Hashcat Wiki. https://hashcat.net/wiki/doku.php?id=combinator_attack
Rilevanza: Combina due dizionari: ogni parola di una lista viene aggiunta a ogni parola dell'altra. Le password formate da più parole rientrano in questo attacco, non nell'attacco ibrido.
Ur, B., Segreti, S. M., Bauer, L., Christin, N., Cranor, L. F., Komanduri, S., Kurilova, D., Mazurek, M. L., Melicher, W., & Shay, R. (2015). Measuring Real-World Accuracies and Biases in Modeling Password Guessability. In Proceedings of the 24th USENIX Security Symposium. USENIX Association. https://www.usenix.org/conference/usenixsecurity15/technical-sessions/presentation/ur
Rilevanza: Confronta gli strumenti automatici (modelli di Markov, PCFG, John the Ripper e Hashcat con regole di trasformazione) con professionisti del cracking. Negli attacchi a dizionario con regole ogni parola viene trasformata singolarmente; le configurazioni predefinite sottostimano la vulnerabilità reale.
Rao, A., Jha, B., & Kini, G. (2013). Effect of Grammar on Security of Long Passwords. In Proceedings of the 3rd ACM Conference on Data and Application Security and Privacy (CODASPY '13) (pp. 317–324). ACM. https://doi.org/10.1145/2435349.2435395
Rilevanza: La struttura grammaticale riduce lo spazio di ricerca delle password lunghe composte da più parole (di oltre il 50% nel loro modello); un attacco basato sulla grammatica ha violato il 10% di un insieme di password lunghe che gli altri strumenti non trovavano. La sola lunghezza non garantisce la robustezza.
Bonneau, J., & Shutova, E. (2012). Linguistic Properties of Multi-word Passphrases. In Financial Cryptography and Data Security — Workshop on Usable Security (USEC '12), LNCS 7398 (pp. 1–12). Springer. https://www.cl.cam.ac.uk/~jcb82/doc/BS12-USEC-passphrase_linguistics.pdf
Rilevanza: Studio del sistema di passphrase di Amazon: elenchi facilmente disponibili (titoli di film e libri…) sono efficaci per indovinare le frasi, e gli utenti preferiscono semplici coppie di sostantivi. Le password composte da più parole restano vulnerabili agli attacchi a dizionario.
Gommans, L. (2018). Probabilistic Passphrase Cracking. Research project report, System and Network Engineering (OS3), University of Amsterdam. https://www.os3.nl/_media/2017-2018/courses/rp1/p86_report.pdf
Rilevanza: Confronta catene di Markov, n-grammi e un attacco ibrido a dizionario sulle passphrase con hashcat; il dizionario di frasi con regole si è rivelato il più efficace. L'unità di base è una frase intera, non una singola parola.
Dürmuth, M., Brostoff, S., & Oprea, A. (2015). Il successo delle applicazioni Web nonostante la difficoltà delle regole di creazione di password. In Atti del 22o Simposio NDSS. Internet Society. https://www.ndss-symposium.org/wp-content/uploads/2017/09/nds2015 09-4 durhmuth paper.pdf
Ur, B., Alfayez, P. G., Bhamasamy, S. M., & ... Cranor, L. F. (2015). Progettazione e valutazione di un Data-Driven Password Meter. In Atti della Conferenza ACM SIGCHI sui fattori umani nei sistemi di calcolo (pp. 3775–3786). ACM. https://www.usenix.org/system/files/conference/usenixsecurity15/sec15-paper-ur.pdf

Modelli Markov e PCFG

Weir, M., Aggarwal, S., de Medeiros, B., & Glodek, B. (2009). Password Cracking Using Probabilistic Context-Free Grammars. In Proceedings of the 30th IEEE Symposium on Security and Privacy (pp. 391–405). IEEE. https://doi.org/10.1109/SP.2009.8
Rilevanza: Articolo fondativo della PCFG: una password viene scomposta in strutture di base (ad es. S1L3D2) i cui segmenti vengono indovinati separatamente, in ordine di probabilità decrescente. Le password a più segmenti, come D1L4S1L3S1L3S1D1, rientrano in questo modello.
Weir, M., Aggarwal, S., Collins, M., & Stern, H. (2009). Testing Metrics per le politiche di creazione di password attraverso l'assunzione di grandi set di password rivelate. In Atti della XVII Conferenza ACM sulla sicurezza informatica e delle comunicazioni (pp. 162–175). ACM. https://www.researchgate.net/publication/221614956
Rilevanza: Metodologia di fondazione di PCFG (Probabilistic Context-Free Grammar). Istituito:
  • Ripartizione della struttura (L=letter, D=digit, S=symbol)
  • Scheletrico soglia 20-50 per catturare strutture reali
  • Convalida sui set di dati reali (LinkedIn, Yahoo, RockYou)
Time2Crack utilizza SKELETON THRESHOLD=100 (revisione da diminuire a 30-50).
Dürmuth, M., Freeman, D., & Yazan, B. (2014). Password Indovinando con reti neurali. In Atti del 25o Simposio di Sicurezza USENIX. USE associazione nazionale. https://courses.csail.mit.edu/6.857/2017/project/13.pdf
Houshmand, S., & Aggarwal, S. (2015). Successivo Gen PCFG Password Cracking. In Transazioni IEEE sulla forense dell'informazione e sulla sicurezza, 10(8), 1776–91. IEEE. https://ieeexplore.ieeee.org/document/7098389
Rilevanza: Prossima espansione PCFG con miglioramenti delle prestazioni e precisione. Approccio valido PCFG su milioni di password.
Narayanan, A., & Shmatikov, V. (2005). Attacco rapido del dizionario sulle password utilizzando Time-Space Tradeoff. In Atti della 12a Conferenza ACM sulla sicurezza informatica e delle comunicazioni (pp. 364–372). ACM. https://www.usenix.org/legacy/event/sec05/tech/full papers/narayanan/narayanan.pdf
Rilevanza: Fondamenti di attacchi da tabelle di dizionario e scanalatura. Imposta che dizionario + mutazioni copre ~95% di password in pratica.

Calibrazione e dataset

Zhang, Y., Monrose, F., & Reiter, M. K. (2010). La sicurezza della moderna scadenza delle password: un quadro algoritmico e uno studio empirico. In Atti della XVII Conferenza ACM sulla sicurezza informatica e delle comunicazioni (pp. 176-186). ACM. https://users.cs.jmu.edu/reiter/papers/10ccs.pdf
Istituto nazionale di standard e tecnologia (NIST) (2024). SP 800-132: Funzione di rimozione chiave basata su password (PBKDF2). Dipartimento del Commercio degli Stati Uniti https://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistsspecialpublication800-132.pdf
Istituto nazionale di standard e tecnologia (NIST) (2024). SP 800-63-3: Linee guida per l'identità digitale - Gestione dell'autenticità e del ciclo di vita. Dipartimento del Commercio degli Stati Uniti https://pages.nist.gov/800-63-3/sp800-63b.html
Rilevanza: Raccomandazioni NIST per la selezione di password e algoritmi hash. Istituito:
  • bcrypt, scrypt, PBKDF2, Argon2 come algoritmi accettabili
  • MD5, SHA-1 non salsa non sono accettabili (tavoli di rainbow)
  • dizionari di 100k+ parole consigliate per attacchi
Sistemi di sollevamento (2025). Hive Systems Password Table 2025. https://www.hivesystems.io/password-table
Rilevanza: Riferimento di riferimento industriale con 12× RTX 5090 GPU. Time2Crack utilizza questo profilo come "attaccante esperto" (12 cluster GPU).
Sprengers, Mr. (2011). Cracking password basato su GPU (Tesi del Maestro) Radboud University Nijmegen. https://www.ru.nl/
Rilevanza: Studio di velocità GPU per l'hash cracking. per MD5, SHA-1, NTLM, bcrypt con GPU moderna.

Velocità e benchmark

Progetto Hashcat (2025). Hashcat - Advanced Password Recovery (Official Benchmarks v6.2.6). https://hashcat.net/hashcat/
Rilevanza: Hashcat Benchmarks ufficiale su RTX 5090 per tutti gli algoritmi hash. Time2Crack utilizza questi numeri come velocità GPU singola e li moltiplica per 12 per il profilo esperto.
Gosney, J. (2016). 8x Nvidia GTX 1080 Benchmarks Hashcat. GitHub Gist. https://gist.github.com/epixoip/
Rilevanza: Primo sistema per superare 330 GH/s NTLM (8 cluster GPU). Validato dall'industria come riferimento multi-GPU.
Servizi web Amazon (2024). Amazon EC2 P4d Proceedings - GPU Computing. https://aws.amazon.com/ec2/e istanze/p4/
Rilevanza: Infrastruttura GPU commerciale disponibile (100-1000 cluster GPU). Time2Crack utilizza per la profilazione professionale (~100 GPU).

Riferimenti complementari

Oechsle, D., Bauer, L., Grupe, J., & ... Durmuth, M. (2021). Verso un'analisi statistica rigorosa del Dataset di password empirica. arXiv prestampa arXiv:2105.14170. https://arxiv.org/abs/2105.14170
Klebanov, S., & Malone, D. (2012). Investigare la distribuzione delle scelte di password. In Atti della XXI Conferenza Internazionale Mondiale Ampia Web (pp. 569-578). ACM. https://www.maths.tcd.ie/~dwmalone/p/www2012.pdf
Castelluccia, C., Durmuth, M., & Perito, D. (2015). Password Indovinando tramite la Modellazione di Lingua Neurale. In Transazioni IEEE sulla forense dell'informazione e sulla sicurezza, 10(6), 1285-1296. IEEE. http://link.springer.com/chapter/10.1007/978-3-030-30619-9 7
Asgharpour, F., Bardas, A. G., & Liu, D. (2017). Confrontare e combinare metodi di analisi dei sentimenti. In Atti del COLING (pp. 1637-1648). ACL.

Aggiornamento: 17 ottobre 2026

← Torna a strumento