El nuevo estudio apuntaba a acelerar esto aplicando\u00a0un aprendizaje profundo<\/a>\u00a0, un enfoque inspirado en el cerebro en la vanguardia de la IA.\u00a0Los investigadores del Stevens Institute of Technology en Hoboken, Nueva Jersey, comenzaron con una llamada red generativa de confrontaci\u00f3n, o GAN, que comprende dos\u00a0redes neuronales<\/a>\u00a0artificiales\u00a0.\u00a0Un “generador” intenta producir salidas artificiales (como im\u00e1genes) que se asemejan a ejemplos reales (fotos reales), mientras que un “discriminador” trata de detectar real de falso.\u00a0Ayudan a perfeccionarse entre s\u00ed hasta que el generador se convierte en un falsificador experto.<\/p>\n Giuseppe Ateniese, un inform\u00e1tico de Stevens y coautor de papel, compara el generador y el discriminador con un dibujante policial y un testigo ocular, respectivamente;\u00a0el artista del bosquejo est\u00e1 intentando producir algo que puede pasar como retrato exacto del criminal.\u00a0Los GAN se han utilizado para hacer im\u00e1genes realistas, pero no se han aplicado mucho al texto.<\/p>\n El equipo de Stevens cre\u00f3 un GAN llamado PassGAN y lo compar\u00f3 con dos versiones de hashCat y una versi\u00f3n de John the Ripper.\u00a0Los cient\u00edficos alimentaron cada herramienta decenas de millones de contrase\u00f1as filtradas de un sitio de juego llamado RockYou, y les pidieron que generaran cientos de millones de nuevas contrase\u00f1as por su cuenta.\u00a0Luego, contaron cu\u00e1ntas de estas nuevas contrase\u00f1as coincid\u00edan con un conjunto de contrase\u00f1as filtradas de LinkedIn, como una medida del \u00e9xito que tendr\u00edan en romperlas.<\/p>\n Por su cuenta, PassGAN gener\u00f3 el 12% de las contrase\u00f1as en el conjunto de LinkedIn, mientras que sus tres competidores generaron entre 6% y 23%.\u00a0Pero el mejor rendimiento provino de combinar PassGAN y hashCat.\u00a0Juntos,\u00a0fueron capaces de romper el 27% de las contrase\u00f1as en el conjunto de LinkedIn<\/a>\u00a0, informaron los investigadores este mes en un borrador publicado en arXiv.\u00a0Incluso las contrase\u00f1as fallidas de PassGAN parec\u00edan bastante realistas: saddracula, santazone, coolarse18.<\/p>\n Usar GAN para ayudar a adivinar las contrase\u00f1as es “novedoso”, dice Martin Arjovsky, un inform\u00e1tico que estudia la tecnolog\u00eda en la Universidad de Nueva York en la ciudad de Nueva York.\u00a0El documento “confirma que hay problemas claros e importantes en los que la aplicaci\u00f3n de soluciones sencillas de aprendizaje de m\u00e1quinas puede traer una ventaja crucial”, dice.<\/p>\n Sin embargo, Ristenpart dice que “no est\u00e1 claro para m\u00ed si uno necesita la maquinaria pesada de GANs para lograr tales ganancias.” Tal vez incluso las t\u00e9cnicas m\u00e1s simples de aprendizaje de la m\u00e1quina podr\u00eda haber asistido hashCat tanto, dice.\u00a0(Arjovsky coincide.) De hecho, una eficiente red neural producida por la Universidad Carnegie Mellon en Pittsburgh, Pensilvania,\u00a0mostr\u00f3 recientemente promesa<\/a>\u00a0, y Ateniese planea compararla directamente con PassGAN antes de presentar su trabajo para su revisi\u00f3n por pares.<\/p>\n Ateniese dice que aunque en esta demostraci\u00f3n piloto PassGAN le dio una ayuda a hashCat, est\u00e1 “seguro” de que las iteraciones futuras podr\u00edan superar hashCat.\u00a0Esto se debe en parte a que hashCat utiliza reglas fijas y no pudo producir m\u00e1s de 650 millones de contrase\u00f1as por s\u00ed solo.\u00a0PassGan, que inventa sus propias reglas, puede crear contrase\u00f1as indefinidamente.\u00a0“Est\u00e1 generando millones de contrase\u00f1as mientras hablamos”, dice.\u00a0Ateniese tambi\u00e9n dice que PassGAN mejorar\u00e1 con m\u00e1s capas en las redes neuronales y entrenando en muchas m\u00e1s contrase\u00f1as filtradas.<\/p>\n \u00c9l compara PassGAN a\u00a0AlphaGo<\/a>\u00a0, el programa de Google DeepMind que recientemente venci\u00f3 a un campe\u00f3n humano en el juego de mesa Vaya usando algoritmos de aprendizaje profundo.\u00a0“AlphaGo estaba ideando nuevas estrategias que los expertos nunca hab\u00edan visto antes”, dice Ateniese.\u00a0“As\u00ed que personalmente creo que si usted da suficientes datos a PassGAN, ser\u00e1 capaz de llegar a las reglas que los seres humanos no pueden pensar.”<\/p>\n Y si le preocupa su propia seguridad, los expertos sugieren formas de\u00a0crear contrase\u00f1as seguras<\/a>\u00a0, como hacerlas\u00a0largas (pero a\u00fan as\u00ed f\u00e1ciles de recordar)<\/a>\u00a0y usar la\u00a0autenticaci\u00f3n en dos pasos<\/a>\u00a0.<\/p>\n<\/div>\n