Woordenboekaanval Uitgebreide operatie

Projectreferentiedocument Time2Crack

Ontvangers: ontwikkelaars, security onderzoekers, geavanceerde gebruikers

Inhoud

1. Overzicht

Dictionary attack is de oudste wachtwoord kraken methode, de eenvoudigste conceptueel, en statistisch meest effectief op de meerderheid van de echte menselijke wachtwoorden. Het principe is om te testen, in afnemende volgorde van waarschijnlijkheid, een vooraf samengestelde lijst van kandidaten

In Time2Crack, de woordenboek aanval modellen twee verschillende maar complementaire mechanismen:

Deze twee detecties zijn onafhankelijk en complementair: HiBP dekt de exacte compromisgegevens, de wordlist dekt de gemeenschappelijke woorden die nog niet gelekt zijn.

2. Historische en academische achtergrond

2.1 Oorsprong

De woordenboekaanval gaat vooraf aan het moderne tijdperk van computerbeveiliging. De eerste Unix systemen opgeslagen wachtwoorden in gewone taal in /etc/passwd, maakt elke woordenboek aanval triviaal zodra het bestand toegankelijk was.

2.2 Oprichtingslekken

Sommige lekken hebben het landschap van de aanval door woordenboek veranderd door de feitelijke verspreiding van menselijke wachtwoorden te onthullen:

• Wachtwoord #1 ("123456") vertegenwoordigde 290.731 rekeningen (2%)

2.3 Referentiebenchmarks voor woordenboekaanval

Een woordenlijst van 200.000 inzendingen getest met de snelheid van een RTX 4090:

De woordenboekaanval is daarom bijna onmiddellijk voor MD5, SHA-1 en NTLM en blijft zeer snel zelfs voor bcrypt op kleine lijsten.

3. Conceptuele fundamenten: waarom woordenboeken werken

3.1 De machtswet van menselijke wachtwoorden

Alle empirische studies komen samen in de richting van dezelfde observatie: de verdeling van menselijke wachtwoorden is niet uniform machtsrecht Sommige wachtwoorden concentreren een onevenredige fractie van keuzes.

Directe gevolgen: 10 meest voorkomende wachtwoorden Een aanvaller die slechts 10 kandidaten al een kans in 20 om te slagen statistisch, het is enorm voor de hoeveelheid lawaai gegenereerd.

3.2 Cognitieve Bias in Wachtwoordcreatie

Mensen kiezen niet willekeurig. Ze passen systematisch heuristiek toe die hun wachtwoorden voorspelbaar maken:

3.3 Het begrip "password al in de lijsten"

Een wachtwoord kan in een aanvalslijst staan om twee verschillende redenen:

Deze twee gevallen komen overeen met aanvallen van een andere aard, met verschillende snelheden en dit is precies wat Time2Crack modellen.

4. Architectuur van een moderne woordenboek aanval

4.1 Algemene pijpleiding

Een moderne woordenboek aanval vindt plaats in verschillende fasen:

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)
Fase 2: Woordenlijst Voorverwerking
- Sorteer op frequentie (meest waarschijnlijk eerst)
- - Deduplicatie (niet tweemaal dezelfde kandidaat)
- - Lengtefiltratie (doellengte + ±2)
- Normalisatie (lagere case, Unicode NFC)
Fase 3: Berekening van kandidaat Hashs
Voor elke kandidaat w in de woordenlijst:
│ hashkandidaat = hashalgo(w)
Promotional │ if hashkandidaat== hashDoel: Gevonden
- Snelheid: 168 GH/s voor MD5 op RTX 4090
Fase 4: Analyse van de resultaten
Rapport van gekraakte wachtwoorden, dekkingsstatistieken

4.2 Hardwareoptimalisatie

Moderne woordenboek aanvallen worden massaal parallel op GPU:

Voor een woordenlijst van 14 miljard inzendingen (HBP-grootte) op 12× RTX 4090:

Dit verschil van ~9 orden van grootte tussen MD5 en bcrypt verklaart waarom de keuze van de hash algoritme is cruciaal.

4.3 Testvolgorde van de kandidaten

De woordenlijst is niet in alfabetische volgorde getest. gesorteerd op afnemende waarschijnlijkheid :

Dit soort zorgt ervoor dat als het wachtwoord "laag" is, het zal worden gevonden in de eerste milliseconden

5. Het corpus van echte wachtwoorden

5.1 Hebben ik geploegd (HIBP)

HiBP is de wereldwijde referentie omdat:

Een aanvaller met de complete HIPP dump kan eerst de ~14 miljard kandidaten in dalende volgorde van frequentie testen. Voor niet-gezouten algoritmen (MD5, SHA-1), deze lijst dekt in de orde van 50-70% van alle echte online wachtwoorden.

5.2 RockYou (2009)

5.3 Verzamelingen van gespecialiseerde woordenlijsten

Deze corpuses zijn publiekelijk downloadbaar en hun bestaan is een vaststaand feit van offensieve veiligheid.

6. K-Anonimity Verificatie HIPB: Een echte-tijd aanval

6.1 Protocol k- anonimiteit

Time2Crack bevat een real-time HIPP check die precies reproduceert wat een aanvaller zou doen met de HIPP database

Het k-anonimiteitsprotocol werkt als volgt:

1. Calculer SHA-1(password)      → par exemple "CBFDAC6008F9CAB4083784CBD1874F76618D2A97"
Stuur alleen de eerste 5 tekens naar de HIPP API: "CBFDA"
De API geeft ALL SHA-1 achtervoegsels terug die beginnen met "CBFDA" (ongeveer 400-600 hashes)
Zoek lokaal als de rest van de hash ("C6008F9CAB4083784CBD1874F76618D2A97") in de lijst staat
Indien gevonden: wachtwoord is aangetast (HIBP geeft ook het aantal lekken)

6.2 Implementatie in Time2Crack (app.js)

De HIPP check is asynchroon en niet-blokkerend. Het wachtwoord wordt onmiddellijk geanalyseerd door lokale methoden, en de HIPP check vult het resultaat aan:

// 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 respons = wacht fetch(
    https://api.pwnedpasswords.com/range/${prefix}
  );
const regels = wacht op respons.text();
voor (cont lijn van lijnen.split('\n')) {
const [hashSuffix, count] = line.split(':");
indien (hashSuffix.toLowerCase() = suffix.toLowerCase()) {
return parseInt(count); // aantal lekken
}
}
teruggeven 0; // niet gevonden
}

6.3 Interpretatie van graaf HIPP

De door HiBP geretourneerde telling geeft het aantal keren aan dat dit exacte wachtwoord verscheen in geïndexeerde lekken:

Zelfs een telling van 1 (het wachtwoord verscheen slechts een keer in een lek) geeft een kwetsbaarheid aan: als een aanvaller dit account specifiek richt en heeft de lijst van referenties van het lek in kwestie, zal hij het vinden.

7. Time2Crack Taal Wordlists

7.1 Waarom taalwoordenlijsten naast HIPP

HiBP heeft betrekking op de exacte compromis criminaliteiten

De taalwoordenlijst van Time2Crack dekt deze kloof:

7.2 Luie belasting

Wordlists zijn niet opgenomen in de code

// app.js - loadDictionary()
async function loadDictionary(lang) {
  if (DICTLang & DICTWORDS) return;  // Déjà chargé
  if (DICTLADING) {
DICTPENDINGLANG = lang; // Wachtbestand
terugkeer;
}
DICTLOADING = true;
const res = wacht op fetch(data/wordlists/${lang}.txt);
const tekst = wacht res.text();
// Converteren naar Set<string> voor O(1) opzoeken
DICTVERMELDING = nieuwe verzameling(
text.split("\n")
.map(w => w.normalize("NFC").trim().toLowerCase())
.filter(w => w.lengte >= 4)
);
DICTLANG = Lang;
DICTLOADING = vals;
}

Wachtrij wordt geladen

De DICTHUNGLANG Vermijdt raceomstandigheden tijdens snelle taalveranderingen:

Scénario : l'utilisateur switche rapidement EN → FR → DE
├── EN demandé : DICTLOADING = vals → start van de fetch NL
FR gevraagd tijdens ophalen NL : DICTLOADING = true → DICTHUNGLANG = "fr"
├── DE demandé pendant fetch EN : DICTLOADING = True → DICTPENDINGLANG = "de" (crash "fr")
- Einden ophalen: DICTLANG = "en", puis lance loadDictionary("de")
└── Résultat : seule la dernière langue demandée est chargée

Dit gedrag is opzettelijk: de meest recent gevraagde taal wordt geladen, niet alle tussenliggende talen.

8. Dictionary Detection in Time2Crack: isDictWord()

8.1. Opsporing

De functie isDictWord(pw) bepaalt of een wachtwoord is of is afgeleid van een huidige woordenboekwoord:

// app.js - ligne 2181
function isDictWord(pw) {
  if (!DICT(Stemmen) return false;
// Normalisatie: NFC + Kleine letters
const l = pw.normalize("NFC").toLowerCase();
// Directe controle
indien (DICT)WORDS.has(l) || DICTVERMELDING.has(deLeet(pw)) return true;
// Morfologische variaties
const deleetWord = deLeet(pw);
const variaties = getMorphVariations(deleetWord);
voor (cont variatie van variaties) {
indien (DICT)WORDS.has(variation)) return true;
  }
Foutief retourneren;
}

8.2 Unicodenormalisatie (NFC)

Normalisatie normalize("NFC") zorgt ervoor dat geaccentueerde tekens consequent worden behandeld:

Deze normalisatie wordt toegepast zowel bij het aanmaken van het woordenboek als bij het controleren van de juiste correspondentie voor accenttalen (FR, ES, DE, PT, enz.).

8.3 Effect op geconstateerde kwetsbaarheid

Wanneer isDictWord() Ga terug. trueverschillende aanvallen worden van toepassing:

9. Ontleeting: hoe de aanvaller substituties decodeert

9.1 Leetspeak en zijn beperkingen als bescherming

De leetspeak (of "1337 speech") is een praktijk om letters te vervangen door visueel vergelijkbare getallen of symbolen: a→@, e→3, i→1 of !, o→0, s→$. Gebruikers gebruiken het om gemeenschappelijke woorden te "versterken."

De realiteit: deze substituties zijn de eerste toegepaste regels Ze vormen geen echte verdediging tegen een bekwame aanvaller.

9.2 Uitvoering deLeet() in Time2Crack

// app.js - ligne 3622
const LEETBASE =
a: ["@," "4"],
e: ["3"],
o: ["0"],
s: ["$," "5"],
t: ["+," "7"],
h: ["#"],
g: ["9"],
};
functie vanLeetWith(pw, oneMap) {
laat r = pw.normalize("NFC").toLowerCase();
voor (const [ch, reps] of Object.entrys(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;
}
functie vanLeet(pw) {
// Ambiguïteit: "1" mag "i" of "l" zijn
samen metI = deLeetWith(pw, { i: "1!", l: "" });
const withL = deLeetWith(pw, {l: "1," i: "!" });
// Als het woordenboek geladen is, geef dan de voorkeur aan de variant die overeenkomt met
indien (DICT)VERMELDING) {
indien (DICT)VERMELDING.has(withL)) return withL;
indien (DICT)VERMELDING. has(withI) return withI;
}
// Anders: verkies de variant met de minst overgebleven nummers
const samenvattingenI = (metI.match(/\d/g)
const samenvattingenL = (metL.match(/\d/g)
Return digit L <= cijfer I ? met L: metI;
}

9.3 Ambiguïteitsbeheer "1" → "i" of "l"

De vervanging "1" is dubbelzinnig: "1" kan "i" vertegenwoordigen (zoals in "1nfo" → "info") of "l" (zoals in "p1ayer" → "speler"). Time2Crack lost deze dubbelzinnigheid op door:

9.4 Niet onder de richtlijn vallende instellingen (bedoeld)

Time2Crack heeft geen betrekking op zeldzame of dubbelzinnige vervangingen die verder gaan dan LEETBASE patronen. Het is een ontwerpkeuze: het bestrijken van te veel gevallen zou de valse positieven verhogen (een wachtwoord als "huidig woord" detecteren, terwijl het dat niet is). De meegeleverde patronen dekken >95% van de werkelijke Leetifications waargenomen in het corpus.

10. Berekening van de kraaktijd: addDictionaryAttacks()

Rekenlogica

// 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
const note = zwak ? t("nWeakPassword")
: gemeenschappelijk ? t("nInLeaks")
: dictWord ? t(nDictHit)
: t(nAbsentLeaks);
rows.push({atk: t("aDict"), hash: a.name, milt: a.rate, sec, note, cat: "dict" });
}
}

10.2 Drie kwetsbaarheidsniveaus

10.3 Waarom deze nummers (100, 10.000, 200.000)?

Deze waarden worden gekalibreerd op feitelijke gegevens:

10.4 Volledig numeriek voorbeeld

Voor het "zon" wachtwoord (huidig Frans woord, gedetecteerd als dictWord) :

Zelfs voor Argon2id is 250 seconden minder dan 5 minuten voor een simpel woord uit het Franse woordenboek.

11. Kalibratie van hoge trouw: applyHighFidelityCalibration()

11.1 Waarom extra kalibratie?

Brutoberekening addDictionaryAttacks() geeft een schatting van de "worst case" gerangschikt naar waarschijnlijkheid : de meest voorkomende wachtwoorden komen eerst.

Hoge betrouwbaarheidskalibratie past een correctieve multiplier toe op basis van empirische waarnemingen:

// 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.vaak ? 0,15: context.dictWord ? 0,5: 1,0;
Break;

11.2 Academische Kalibratiebronnen

12. Waarschijnlijkheid van toepasbaarheid en betrouwbaarheid score

12.1 Scoresysteem

Time2Crack rekent niet alleen een tijd uit, maar evalueert ook de kans dat de woordenboekaanval de snelste aanval is, via een multifactor scoresysteem:

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

12.2 Bewijsscore

Parallel met de toepasbaarheidsscore registreert een "bewijs" score de waargenomen signalen:

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

Een bewijsscore van 2 (woord in zowel HIPP als het taalwoordenboek) verhoogt het uiteindelijke vertrouwen van 0,08 (2 × 0,04).

12.3 Definitieve betrouwbaarheidsscore

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
row.confidence = Math.max(0, Math.min(1,
Wiskunde.max(toepasselijkheid, basis) + bewijsBoost - specifieke straf
));

Voor een wachtwoord common met dictWord ook gedetecteerd:

Maximale betrouwbaarheid: De woordenboek aanval is de primaire aanval ondubbelzinnig.

13. Bloom filter RockYou: lokale detectie van wijdverbreide wachtwoorden

13.1 Achtergrond

Naast de HIPP verificatie (die een netwerkoproep vereist), bevat Time2Crack een Bloomfilter Een bloom filter is een probabilistische data structuur die u toelaat om te testen behoren tot een set met een waarschijnlijkheid van valse positieven (~1%), zonder het opslaan van de elementen zelf.

13.2 Voordelen van het bloeifilter

13.3 Werking van dubbele hashing

// app.js - ligne 1962
function bloomHas(filter, word) {
  if (!filter) return false;
  const { bitArray, m, k } = filter;
  const w = word.toLowerCase();
// Dubbele hashing: h1 en h2 zijn twee onafhankelijke hash functies
const h1 = fnv1a32(w, 2166136261); // FNV1a met standaardzaad
const h2 = fnv1a32(w, 0x811c9dc5); // FNV1a met alternatief zaad
voor (let i = 0; i < k; i++) {
const pos = (h1 + (i  (h2) >>> (0)) % m; //k posities in de bitarray
const byteIdx = Math.floor(pos / 8);
const bitIdx = pos % 8;
# If a bit is 0: the word is DEFINITIEFly absent
if ((bitArray[byteIdx] & (1 < < bitIdx)) = 0) return false;
}
// Alle bits zijn op 1 : het woord is waarschijnlijk aanwezig (met 1% van FP)
return true;
}

De FNV1a double-hashing zorgt voor een uniforme verdeling van de posities in de bit array, het minimaliseren van botsingen en het houden van de vals positieven tarief dicht bij 1%.

13.4 Laden en binair formaat

Het bloeifilter wordt opgeslagen in data/rockyou.bloom Een binair bestand met:

De belasting wordt handmatig geactiveerd door de gebruiker (knop in de UI), niet automatisch bij het laden van de pagina om de eerste prestaties te behouden.

14. Vergelijking met afgeleide aanvallen

De "zuivere" woordenboek aanval is de eerste van een familie van aanvallen die allemaal een gemeenschappelijke wortel delen: een lexicale woordenlijst. Time2Crack implementeert 7 offline kraken modellen (bruto kracht, woordenboek, hybride, masker, PCFG, Markov, combinator), elk aanvallen van het wachtwoord vanuit een andere hoek.

14.1 Woordenboek vs Hybride

De hybride aanval begint waar het pure woordenboek stopt: het neemt elk woord uit de wordlist en past systematische mutatieregels (hashcat "best64.rule" in gedachten).

14.2 Woordenboek vs PCFG

Een wachtwoord als "Password123" kan onopgemerkt blijven in een woordenboek (het exacte woord "Password123" kan niet worden vermeld) maar zal zeer snel worden gekraakt door PCFG die de structuur herkent [Majuscule][minuscules][cijfers].

14.3 Woordenboek vs Markov

Markov behandelt gevallen waarin het wachtwoord eruit ziet als een menselijk woord zonder in een lijst te staan.

14.4 Woordenboek vs Credential Stuffing

Credential vulling valt een hash niet aan, het probeert direct inloggen/wachtwoordparen op remote services. Het is conceptueel anders dan kraken, maar deelt dezelfde databron (HIBP/fail).

15. Beperkingen van aanval woordenboek

15.1 Intrinsieke grenswaarden

15.2 Wat Time2Crack's berekening niet Model

16. Doeltreffende verdediging

16.1 Wat beschermt tegen woordenboekaanval

Het verschil van 10+ orden van grootte tussen MD5 en Argon2id maakt het woordenboek wachtwoord "zon" immuun in de praktijk als beschermd door Argon2id

16.2 Wat beschermt niet

16.3 Praktische aanbevelingen

17. Referenties

Primaire bronnen (academische studies)