模型训练方法、口令破解方法、装置及电子设备与流程

1.本技术涉及人工智能技术领域，具体而言，涉及一种模型训练方法、口令破解方法、装置及电子设备。


背景技术：

2.在用户在使用各种网站或软件时，通常是使用明文口令进行用户验证，而用户使用的明文口令通常具有一定的规律。现有的口令破解方法大部分是暴力破解方法或是字典破解方法，暴力破解方法需要耗费大量的时间和资源；字典破解方法是基于明文口令的统计特性，能够节省大量的时间和资源，但是也只是不断地尝试字典的排列组合，无法真正地学习到用户设置密码的模式，导致口令破解的效率较低。


技术实现要素：

3.有鉴于此，本技术实施例的目的在于提供一种模型训练方法、口令破解方法、装置及电子设备，以改善现有技术中存在的口令破解的效率较低的问题。
4.为了解决上述问题，第一方面，本技术提供了一种模型训练方法，包括：对获取的初始口令集进行特征统计，得到口令结构特征；
5.基于所述口令结构特征对所述初始口令集进行处理，得到模型口令集；
6.根据所述模型口令集对口令破解的初始模型进行训练，得到目标模型。
7.在上述实现方式中，通过对获取的初始口令集的特征进行统计，能够对初始口令集的弱局部性特点进行统计，得到初始口令集中口令分布的口令结构特征。并结合口令结构特征对初始口令集进行处理，能够得到适用于模型训练的模型口令集，通过模型口令集对口令破解的初始模型进行训练，得到训练后优化的目标模型，能够提高目标模型的增强能力，从而提升了目标模型的破解性能。
8.可选地，所述口令结构特征包括口令字符特征和口令频次特征；所述对获取的初始口令集进行特征统计，得到口令结构特征，包括：
9.获取所述初始口令集；
10.根据预设的口令长度条件对所述初始口令集进行筛选，得到多个长度口令数据；
11.对多个所述长度口令数据中的目标符号进行统计，得到所述口令字符特征；
12.对所述长度口令数据中的口令词频进行统计，得到所述口令频次特征。
13.在上述实现方式中，获取的能够表示初始口令集的分布特性的口令结构特征中包括口令字符特征和口令频次特征，在进行获取时，先获取对应的初始口令集，在初始口令集的基础上，根据预设的口令长度条件进行筛选和统计，能够统计得到对应的口令字符特征，并对初始口令集中的口令词频进行统计，得到对应的口令频次特征，从而从口令的长度、字符和词频频率等多个方面对口令分布的结构特征进行获取，提高了口令结构特征的准确性和多样性。
14.可选地，所述模型口令集包括训练口令集和测试口令集；所述基于所述口令结构
特征对所述初始口令集进行处理，得到模型口令集，包括：
15.基于所述口令结构特征对所述初始口令集进行修正，得到初始训练集和初始测试集；
16.对所述初始训练集和所述初始测试集进行平滑处理，得到所述训练口令集和所述测试口令集。
17.在上述实现方式中，在根据口令结构特征对初始口令集进行处理时，可以通过口令结构特征中的口令字符特征对初始口令集进行筛选，通过口令频次特征对筛选后的数据进行非线性修正，从而得到修正后的数据集，并将修正后的数据集划分为初始训练集和初始测试集，并对初始训练集和初始测试集中的口令字符串进行平滑处理，以对初始训练集和初始测试集中的特征分布进行归一化，得到对应的训练口令集和测试口令集，提高了训练口令集和测试口令集的准确性和有效性。
18.可选地，所述根据所述模型口令集对口令破解的初始模型进行训练，得到目标模型，包括：
19.将所述训练口令集代入口令破解的所述初始模型中的生成器和判别器中分别进行迭代训练；
20.在迭代训练中对所述初始模型进行调整，得到调整模型，其中，所述调整模型中包括调整生成器和调整判别器；
21.将所述测试口令集代入所述调整模型中进行测试，得到所述目标模型，其中，所述目标模型中包括目标生成器和目标判别器。
22.在上述实现方式中，在对口令破解的对抗网络的初始模型进行训练时，先根据训练口令集对初始模型中的生成器和判别器分别进行迭代地对抗训练，在迭代训练的过程中对初始模型中的生成器和判别器不断地进行调整，以对生成器和判别器进行优化和学习，得到较稳定的调整生成器和调整判别器组成的调整模型。再通过测试口令集对调整模型进行测试，以对调整模型的性能进行测试，测试成功后得到稳定的目标模型。能够对生成器和判别器分别进行不断地迭代训练，基于迭代训练使初始模型不断地进行深度学习和调整，有效地提高了训练得到的目标模型的性能和增强能力。
23.可选地，所述在迭代训练中对所述初始模型进行调整，得到调整模型，包括：
24.获取所述生成器在迭代训练时生成的口令分布的反馈信息；
25.基于所述反馈信息对所述初始模型中的模型参数进行调整；
26.在所述初始模型的迭代训练达到预设条件时，根据确定的调整模型参数对所述生成器和所述判别器进行调整，得到所述调整生成器和所述调整判别器。
27.在上述实现方式中，为了减小口令的潜在分布陷入潜在空间的一个小区域内，在对初始模型进行迭代训练时，可以采用先验潜在分布的方式进行训练，在训练过程中获取生成器生成的口令分布情况的反馈信息，结合反馈信息对初始模型的模型参数进行调整，在初始模型的迭代训练达到预设条件时，停止调整，能够得到优化的更适用于破解口令的调整模型参数，并根据调整模型参数对生成器和判别器的参数进行调整，得到调整生成器和调整判别器。能够重新衡量潜在分布并动态地模仿口令的分布情况，提升了生成器和判别器的性能。
28.可选地，所述根据所述模型口令集对初始模型进行训练，得到目标模型之前，所述
方法还包括：
29.基于深度残差网络进行批归一化处理，得到目标残差块；
30.基于目标残差块构建所述初始模型，所述初始模型中包括生成器和判别器；
31.以第一时间更新规则对所述判别器进行训练，确定所述判别器的第一学习速率；
32.以第二时间更新规则对所述生成器进行训练，确定所述生成器的第二学习速率；
33.确定所述判别器基于所述第一学习速率进行训练时的判别器参数；
34.确定所述生成器基于所述第二学习速率进行训练时的生成器参数，以所述判别器参数和所述生成器参数作为所述初始模型的模型参数。
35.在上述实现方式中，在对初始模型进行训练前，还可以构建对抗网络的初始模型。初始模型中的生成器能够利用噪声分布生成用于破解的目标口令，判别器用于判别目标口令和真实口令的来源。通过采用两种不同的时间更新规则分别对初始模型中的生成器和判别器进行训练，能够使生成器和判别器分别采用不同的学习速率进行训练，优化初始模型在每轮迭代训练中生成器和判别器的更新次数比例。确定判别器和生成器分别以不同的学习速率进行训练时的判别器参数和生成器参数，以判别器参数和生成器参数作为初始模型的模型参数，生成由判别器和生成器组成的初始模型。通过在构建模型的过程中设定不同的学习速率，能够优化初始模型的更新次数比例，减少了初始模型进行训练的时间，提升了初始模型的模型性能。
36.第二方面，本技术还提供了一种口令破解方法，包括：
37.获取对应的破解需求，其中，所述破解需求中包括口令长度需求和口令数量需求；
38.将所述破解需求代入如模型训练方法中任意一项所述的目标模型中，基于所述目标模型生成满足所述口令长度需求和所述口令数量需求的多个目标口令，以多个所述目标口令作为破解的目标口令集。
39.在上述实现方式中，在模型训练方法得到的目标模型的基础上，通过获取破解时的破解需求，并将破解需求代入目标模型中进行计算，得到满足破解的口令长度需求和口令数量需求的多个目标口令，从而得到用于破解的目标口令集。能够根据用户的需求或实际情况的需求在目标模型中生成满足需求的目标口令集，适用于多种应用场景，提升了用户的使用体验。
40.第三方面，本技术还提供了一种模型训练装置，所述装置包括：
41.特征模块，用于对获取的初始口令集进行特征统计，得到口令结构特征；
42.处理模块，用于基于所述口令结构特征对所述初始口令集进行处理，得到模型口令集；
43.训练模块，用于根据所述模型口令集对口令破解的初始模型进行训练，得到目标模型。
44.在上述实现方式中，通过特征模块对获取的初始口令集的特征进行统计，能够对初始口令集的弱局部性特点进行统计，得到初始口令集中口令分布的口令结构特征。通过处理模块结合口令结构特征对初始口令集进行处理，能够得到适用于模型训练的模型口令集。通过训练模块根据模型口令集对口令破解的初始模型进行训练，得到训练后优化的目标模型，能够提高目标模型的增强能力，从而提升了目标模型的破解性能。
45.第四方面，本技术还提供了一种口令破解装置，所述装置包括：
46.需求模块，用于获取对应的破解需求，其中，所述破解需求中包括口令长度需求和口令数量需求；
47.破解模块，用于将所述破解需求代入如模型训练方法中任意一项所述的目标模型中，基于所述目标模型生成满足所述口令长度需求和所述口令数量需求的多个目标口令，以多个所述目标口令作为破解的目标口令集。
48.在上述实现方式中，通过需求模块获取破解时的破解需求，以对口令的长度和数量进行限定；通过破解模块将破解需求代入模型训练方法得到的目标模型中进行计算，得到满足破解的口令长度需求和口令数量需求的多个目标口令，从而得到用于破解的目标口令集。能够根据用户的需求或实际情况的需求在目标模型中生成满足需求的目标口令集，适用于多种应用场景，提升了用户的使用体验。
49.第五方面，本技术还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述模型训练方法和口令破解方法中任一实现方式中的步骤。
50.第六方面，本技术还提供了一种计算机可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述模型训练方法和口令破解方法中任一实现方式中的步骤。
51.综上所述，本技术提供了一种模型训练方法、口令破解方法、装置及电子设备，能够结合口令的结构分布特征对构建的口令破解模型进行训练，提高了模型的破解性能，根据训练的模型获取破解的目标口令集，提高了获取的效率和目标口令集的质量，有效地提高了口令破解的效率。
附图说明
52.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
53.图1为本技术实施例提供的一种电子设备的方框示意图；
54.图2为本技术实施例提供的一种模型训练方法的流程示意图；
55.图3为本技术实施例提供的一种步骤s200的详细流程示意图；
56.图4为本技术实施例提供的一种步骤s300的详细流程示意图；
57.图5为本技术实施例提供的一种步骤s400的详细流程示意图；
58.图6为本技术实施例提供的一种步骤s420的详细流程示意图；
59.图7为本技术实施例提供的另一种模型训练方法的流程示意图；
60.图8为本技术实施例提供的一种口令破解方法的流程示意图；
61.图9为本技术实施例提供的一种模型训练装置的结构示意图；
62.图10为本技术实施例提供的一种口令破解装置的结构示意图。
63.图标：100-电子设备；111-存储器；112-存储控制器；113-处理器；114-外设接口；115-输入输出单元；116-显示单元；700-模型训练装置；710-特征模块；720-处理模块；730-训练模块；800-口令破解装置；810-需求模块；820-破解模块。
具体实施方式
64.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术实施例的一部分实施例，而不是全部的实施例。基于本技术实施例的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
65.现有技术中，为了对用户使用的口令进行破解，可以采用不同的破解方式，例如暴力破解方法、字典破解方法等，但是暴力破解方法需要耗费大量的时间和资源；字典破解方法是基于明文口令的统计特性，能够节省大量的时间和资源，但是也只是不断地尝试字典的排列组合，无法真正地学习到用户设置密码的模式。在此基础上，可以采用人工智能技术构建机器学习模型，以对口令的分布模式进行学习，实现密码口令的破解。
66.但是目前基于机器学习模型进行口令破解的方式中，构建的机器学习模型的性能较差，生成的猜测口令与真实口令之间的差距较大，口令破解时的时间较长，准确性较低，导致口令破解的效率较低，无法满足目前的口令破解需求。
67.为了解决上述问题，本技术实施例提供了一种模型训练方法和口令破解方法，应用于电子设备，电子设备可以为服务器、个人电脑(personal computer，pc)、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)等具有逻辑计算功能的电子设备，能够结合口令的结构特征对口令破解的模型进行训练，提升了模型的破解性能，在此基础上生成对应的口令集进行破解，提高了口令破解的效率。
68.可选地，请参阅图1，图1为本技术实施例提供的一种电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
69.上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
70.其中，存储器111可以是，但不限于，随机存取存储器(random access memory，简称ram)，只读存储器(read only memory，简称rom)，可编程只读存储器(programmable read-only memory，简称prom)，可擦除只读存储器(erasable programmable read-only memory，简称eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称eeprom)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本技术实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
71.上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
72.上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
73.上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
74.上述的显示单元116在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。在本技术实施例中，显示单元116可以显示目标模型中生成的目标口令集中的多个目标口令等。
75.本实施例中的电子设备可以用于执行本技术实施例提供的各个模型训练方法或口令破解方法中的各个步骤。下面通过几个实施例详细描述模型训练方法或口令破解方法的实现过程。
76.请参阅图2，图2为本技术实施例提供的一种模型训练方法的流程示意图，该方法可以包括一下步骤：
77.步骤s200，对获取的初始口令集进行特征统计，得到口令结构特征。
78.其中，由于获取的初始口令集中的口令分布具有一定的特性和属性，这部分特性和属性可以作为口令的弱局部性特征，例如口令的平均长度、口令的结构、口令中字符的分布等特性。通过对口令的弱局部性特征进行统计，能够得到一个或多个初始口令集的口令结构特征，以对初始口令集中的特点进行获取。
79.步骤s300，基于所述口令结构特征对所述初始口令集进行处理，得到模型口令集。
80.其中，可以根据统计得到的口令结构特征对初始口令集进行对应地处理，对初始口令集中多种不符合训练场景和实际需求的口令进行筛选和修正，以得到能够适用于模型训练的模型口令集。
81.步骤s400，根据所述模型口令集对口令破解的初始模型进行训练，得到目标模型。
82.其中，在根据模型口令集对口令破解的初始模型进行迭代训练，能够得到训练后稳定的目标模型，使目标模型能够准确地模拟目标口令的分布状态，能够从初始口令集的弱局部性特征中快速、准确、有效地泛化出猜测的用于破解的目标口令，提高了目标模型的增强能力和性能。
83.在图2所示的实施例中，能够结合口令集中的结构特征对模型进行训练，从而提高训练得到的目标模型的增强能力和破解性能。
84.可选地，请参阅图3，图3为本技术实施例提供的一种步骤s200的详细流程示意图，步骤s200中还可以包括步骤s210-s240。
85.步骤s210，获取所述初始口令集。
86.其中，可以通过多种方式对初始口令集进行获取。示例地，从设置的口令数据库中
调用相应的初始口令集，例如在数据库中调用国内的口令作为初始口令集，或者在数据库中调用国外的口令作为初始口令集等。或者从目标对象中对泄露的多个口令进行采集，组成初始口令集等，目标对象可以为进行采集的一个或多个网站、应用程序等。
87.步骤s220，根据预设的口令长度条件对所述初始口令集进行筛选，得到多个长度口令数据。
88.其中，初始口令集中的多个口令可以为字符串的形式，由于初始口令集中的多个口令的口令长度、字符种类等都不相同，为了提高口令集的有效性，可以通过编码设置预设的口令长度条件，对口令的最小长度和最大长度进行限定，例如，口令的最小长度设为6位数，口令的最大长度设为16位数，则口令长度条件为6-16位数，根据此口令长度条件对初始口令集中的所有口令进行筛选，对口令长度少于6位数和口令长度大于16位数的多个不符合长度要求的口令进行过滤，以筛选出口令长度满足6-16位数的多个口令组成的长度口令数据。
89.可选地，口令长度条件可以根据初始口令集中口令长度的分布情况和实际需求进行设置和修改。
90.步骤s230，对多个所述长度口令数据中的目标符号进行统计，得到所述口令字符特征。
91.其中，在筛选得到的多个口令组成的长度口令数据中，继续对其中的多个目标符号的出现情况进行统计，目标符号为多种在长度口令数据中出现的数字、字母或标点等符号，对每个出现的目标符号的出现频率和位置进行统计，生成初始口令集中的满足长度条件的口令字典，以口令字典作为初始口令集的口令字符特征。
92.步骤s240，对所述长度口令数据中的口令词频进行统计，得到所述口令频次特征。
93.其中，对满足口令长度条件的长度口令数据中的多个口令的重复情况继续统计，统计每一个口令出现的次数，作为口令词频，以对多个口令中重复出现的口令词频进行统计，得到对应的口令频次数据，口令频次数据中包括每一条口令和其对应的口令词频。
94.可选地，对口令字符特征和口令频次特征进行统计时，可以同时进行统计。
95.在图3所示的实施例中，能够从口令的长度、字符和词频频率等多个方面对口令分布的结构特征进行提取，提高了口令结构特征的准确性和多样性。
96.可选地，请参阅图4，图4为本技术实施例提供的一种步骤s300的详细流程示意图，步骤s300中还可以包括步骤s310-s320。
97.步骤s310，基于所述口令结构特征对所述初始口令集进行修正，得到初始训练集和初始测试集。
98.其中，为了增加进行训练时的口令集的有效性和准确性，可以根据获取的结构特征对初始口令集进行修正，修正的方式可以为基于口令频次特征设定每一条口令与其对应的口令词频，对口令的频次进行非线性地修正，以对一些过高的口令频次进行修正，例如对密码口令中经常出现的123456这一类口令的口令词频进行修正。修正的方式还可以包括根据口令字符特征中的长度条件和字符条件对初始数据集进行筛选等。
99.可选地，可以对修正过后的修正数据集进行划分，以8:2或者7:3的划分比例将修正数据集划分为初始训练集和初始测试集。
100.步骤s320，对所述初始训练集和所述初始测试集进行平滑处理，得到所述训练口
令集和所述测试口令集。
101.其中，为了提高初始训练集和初始测试集中的口令的有效性，还可以对初始训练集和初始测试集中的多个口令的字符串进行平滑处理，平滑处理可以为采用的随机平滑操作，在每个字符的单热编码表示上应用一个小幅度的附加噪声来对字符串数据进行平滑，并利用超参数进行控制，超参数y可以设为0.05，以对噪声幅度的界限进行定义，再对初始训练姐和初始测试集中口令的分布特征进行重新归一化，生成对应的训练口令集和测试口令集，以训练口令集和测试口令集作为模型口令集。
102.在图4所示的实施例中，通过对初始口令集进行对应地处理，能够得到适用于模型训练的模型口令集。
103.可选地，请参阅图5，图5为本技术实施例提供的一种步骤s400的详细流程示意图，步骤s400中还可以包括步骤s410-s430。
104.步骤s410，将所述训练口令集代入口令破解的所述初始模型中的生成器和判别器中分别进行迭代训练。
105.其中，口令破解的初始模型可以为生成时对抗网络(gan,generative adversarial networks)的深度学习模块，初始模型中包括生成器，即生成模型(generative model)和判别器，即判别模型(discriminative model)，通过生成器和判别器的互相博弈学习进行对抗训练，产生良好的输出。通过将训练口令集代入初始模型的生成器和判别器中分别进行迭代的对抗训练，由于训练口令集结合了口令的结构特点，因此通过训练口令集对初始模型进行训练，能够有效地提高初始模型的增强能力。
106.可选地，在进行迭代的对抗训练时，为了防止口令的潜在分布陷入潜在空间的一个小区域内，我们先使用先验潜在分布对生成器和判别器不断地进行迭代训练。
107.步骤s420，在迭代训练中对所述初始模型进行调整，得到调整模型，其中，所述调整模型中包括调整生成器和调整判别器。
108.其中，在初始模型的迭代的训练过程中，通过训练对初始模型中的生成器和判别器进行不断地调整，以对生成器和判别器进行优化和学习，得到较稳定的调整生成器和调整判别器组成的调整模型。
109.步骤s430，将所述测试口令集代入所述调整模型中进行测试，得到所述目标模型。
110.其中，通过测试口令集对较稳定的调整模型进行测试，以对调整模型中的性能进行测试，在测试成功时，得到稳定的目标模型，目标模型中包括目标生成器和目标判别器。
111.可选地，在测试失败时，可以继续对调整模型进行调整，直到测试成功。
112.在图5所示的实施例中，能够对生成器和判别器分别进行不断地迭代训练，基于迭代训练使初始模型不断地进行深度学习和调整，有效地提高了训练得到的目标模型的性能和增强能力。
113.可选地，请参阅图6，图6为本技术实施例提供的一种步骤s420的详细流程示意图，步骤s420中还可以包括步骤s421-s423。
114.步骤s421，获取所述生成器在迭代训练时生成的口令分布的反馈信息。
115.其中，在初始模型的迭代训练过程中，可以设置对应的猜测阈值，猜测阈值表示迭代训练中生成器生成的猜测口令经由判别器判定后正确的次数，在到达猜测阈值时，生成器能够根据当前的生成情况，生成反应当前口令分布情况的反馈信息，从而在训练过程中
对口令分布情况进行反馈。
116.步骤s422，基于所述反馈信息对所述初始模型中的模型参数进行调整。
117.可选地，在迭代训练过程中，将生成器生成的反馈信息与高斯分布进行结合，得到对应的条件潜在分布情况，作为生成器的噪声采样分布，以重新衡量潜在分布，建立新的口令分布情况，从而根据潜在分布和口令分布情况对初始模型中的模型参数进行调整，能够动态地调整估计的口令分布去匹配被攻击的口令集的分布。
118.值得说明的是，在破解时，由于无法对攻击的口令集的分布进行了解，因此在破解第一个口令时，就可以对被攻击的口令的分布进行观察和建立，通过多次成功的猜测来提高攻击质量。在对初始模型继续调整时，可以通过移动目标生成器中生成的新的猜测口令的潜在空间区域内的分布密度来改变潜在分布，增加来自目标的口令分布可能覆盖区域的概率。也就是说，能够基于与被攻击的口令集的交互中生成的反馈信息重新权衡潜在分布并模仿目标的口令分布，即可以动态调整估计的口令分布去匹配被攻击口令集的分布，从而使预先训练的模型建立一个更接近目标的口令分布。
119.步骤s423，在所述初始模型的迭代训练达到预设条件时，根据确定的调整模型参数对所述生成器和所述判别器进行调整，得到所述调整生成器和所述调整判别器。
120.其中，在迭代训练达到预设条件时，可以根据调整得到的调整模型参数对生成器和判别器进行调整，得到包括调整生成器和调整判别器的调整模型。能够使调整模型能够更接近破解的目标的口令分布，可以通过不断地调整潜在分布，增加目标的口令分布的口令可能覆盖区域的概率，实现动态地口令猜测，提高了调整模型的增强能力和破解性能。
121.可选地，迭代训练达到预设条件时，可以为在迭代训练达到预设次数时，或者是在生成器中猜测的口令的正确率达到预设概率时等。
122.在图6所示的实施例中，通过对初始模型进行动态地调整，能够提升生成器和判别器的性能。
123.可选地，请参阅图7，图7为本技术实施例提供的另一种模型训练方法的流程示意图，在步骤s400之前，该方法还可以包括步骤s500-s530。
124.步骤s500，基于深度残差网络进行批归一化处理，得到目标残差块。
125.其中，在对初始模型进行构建时，可以根据深度残差网络进行设计，在每一层深度残差网络中都进行批归一化处理，将批归一化处理的结果与初始输入进行线性操作，作为深度残差网络的输出，得到三层或多层卷积层构成的深度残差块，作为目标残差块。
126.步骤s510，基于目标残差块构建所述初始模型，所述初始模型中包括生成器和判别器。
127.其中，根据目标残差块对初始模型进行构建，构建方式可以包括：在目标残差块的每一层卷积层中采用relu激活函数，最后将残差块训练得到的结果按规定比例与原输入相加作为输出。基于目标残差块设计的生成器先采用1层全连接层来提取数据的全局特征，然后扩维后经过4层残差块的训练，其中，每层残差块中的每层卷积层均采用批归一化处理，以此加快初始模型的收敛速度。判别器的网络结构采用生成器网络结构的逆操作，先经过1层卷积层训练，然后经过4层残差块，其中，由于惩罚项要求判别器的一个输入对应一个输出，而批归一化处理是一批输入对应一批输出，批归一化处理会将一个批次中的样本进行归一化，因而用批归一化处理后无法正确求出判别器对于每个输入样本的梯度，因此判别
器的每层残差块均不采用批归一化操作。最后降维再经过1层全连接层来拟合数据，减少特征信息的损失，得到初始模型。初始模型中的生成器用于利用噪声分布生成猜测口令，判别器用于判别猜测口令和真实口令的来源。
128.可选地，在对初始模型中的损失函数进行设计时，可以以wgan-lp为基础，在损失函数中加入带有软约束惩罚项。
129.步骤s520，以第一时间更新规则对所述判别器进行训练，确定所述判别器的第一学习速率；以第二时间更新规则对所述生成器进行训练，确定所述生成器的第二学习速率。
130.其中，由于一般情况下，设定的判别器的判别能力比当前的生成器的生成能力更强，这样判别器才能指导生成器朝更好的方向进行学习。通常先更新判别器的参数一次或者多次，然后再更新生成器的参数，这样会导致更新的效率较低。因此我们在先训练判别器，再训练生成器时，可以采用不同的时间更新规则分别对判别器和生成器进行训练，从而使判别器和生成器分别采用不同的学习速率进行训练。
131.可选地，判别器采用的第一学习速率大于生成器采用的第二学习速率，以使判别器能够以更快地收敛速度进行收敛，还能够对初始模型在每轮迭代训练中生成器和判别器的更新次数比例进行优化，例如，将生成器和判别器的更新次数比例从现有的1:10的比例优化为1:1的比例，有效地提高了初始模型的训练速度。
132.步骤s530，确定所述判别器基于所述第一学习速率进行训练时的判别器参数；确定所述生成器基于所述第二学习速率进行训练时的生成器参数。
133.其中，分别获取判别器和生成器以不同的学习速率进行训练时的判别器参数和生成器参数，以判别器参数和生成器参数作为所述初始模型的模型参数，模型参数可以包括模型的惩罚项、梯度、停止项等多种模型的基本参数。
134.可选地，在对初始模型的损失函数进行设计时，还可以采用一种较弱的正则化项来执行lipschitz限制，将硬约束变成软约束，将参数与限制联系起来，为最优化问题提供一个约束，从而使函数优化更高效且更稳定。
135.在图7所示的实施例中，能够对初始模型进行构建，减少了初始模型进行训练的时间，提升了初始模型的模型性能。
136.请参阅图8，图8为本技术实施例提供的一种口令破解方法的流程示意图，该方法可以包括以下步骤：
137.步骤s600，获取对应的破解需求，其中，所述破解需求中包括口令长度需求和口令数量需求。
138.其中，由于口令破解时具有不同的破解需求，可以对口令的长度进行限定或者对口令的数量进行限定，示例地，破解需求可以为：100个长度为8-10位数的口令集合等多种需求，能够根据用户的需求或实际情况进行设置和修改。
139.步骤s610，将所述破解需求代入目标模型中，基于所述目标模型生成满足所述口令长度需求和所述口令数量需求的多个目标口令。
140.其中，将破解需求代入到目标模型中进行计算，能够根据目标模型的目标生成器中基于口令的弱局部性特征生成的多个猜测口令中筛选出满足口令长度需求和口令数量需求的多个目标口令，以多个目标口令作为破解的目标口令集。
141.在图8所示的实施例中，能够根据用户的需求或实际情况的需求在目标模型中生
成满足需求的目标口令集，适用于多种应用场景，提升了用户的使用体验。
142.请参阅图9，图9为本技术实施例提供的一种模型训练装置的结构示意图，模型训练装置700中可以包括：
143.特征模块710，用于对获取的初始口令集进行特征统计，得到口令结构特征；
144.处理模块720，用于基于所述口令结构特征对所述初始口令集进行处理，得到模型口令集；
145.训练模块730，用于根据所述模型口令集对口令破解的初始模型进行训练，得到目标模型。
146.在一可选的实施方式中，特征模块710中还可以包括获取子模块、筛选子模块、第一统计子模块和第二统计子模块；
147.获取子模块，用于获取所述初始口令集；
148.筛选子模块，用于根据预设的口令长度条件对所述初始口令集进行筛选，得到多个长度口令数据；
149.第一统计子模块，用于对多个所述长度口令数据中的目标符号进行统计，得到所述口令字符特征；
150.第二统计子模块，用于对所述长度口令数据中的口令词频进行统计，得到所述口令频次特征。
151.在一可选的实施方式中，处理模块720中还可以包括修正子模块和平滑子模块；
152.修正子模块，用于基于所述口令结构特征对所述初始口令集进行修正，得到初始训练集和初始测试集；
153.平滑子模块，用于对所述初始训练集和所述初始测试集进行平滑处理，得到所述训练口令集和所述测试口令集。
154.在一可选的实施方式中，训练模块730中还可以包括迭代训练子模块、调整子模块和测试子模块；
155.迭代训练子模块，用于将所述训练口令集代入口令破解的所述初始模型中的生成器和判别器中分别进行迭代训练；
156.调整子模块，用于在迭代训练中对所述初始模型进行调整，得到调整模型，其中，所述调整模型中包括调整生成器和调整判别器；
157.测试子模块，用于将所述测试口令集代入所述调整模型中进行测试，得到所述目标模型，其中，所述目标模型中包括目标生成器和目标判别器。
158.在一可选的实施方式中，调整子模块中还可以包括反馈单元、参数调整单元和确定单元；
159.反馈单元，用于获取所述生成器在迭代训练时生成的口令分布的反馈信息；
160.参数调整单元，用于基于所述反馈信息对所述初始模型中的模型参数进行调整；
161.确定单元，用于在所述初始模型的迭代训练达到预设条件时，根据确定的调整模型参数对所述生成器和所述判别器进行调整，得到所述调整生成器和所述调整判别器。
162.在一可选的实施方式中，模型训练装置700中还可以包括构建模块，用于基于深度残差网络进行批归一化处理，得到目标残差块；基于目标残差块构建所述初始模型，所述初始模型中包括生成器和判别器；以第一时间更新规则对所述判别器进行训练，确定所述判
别器的第一学习速率；以第二时间更新规则对所述生成器进行训练，确定所述生成器的第二学习速率；确定所述判别器基于所述第一学习速率进行训练时的判别器参数；确定所述生成器基于所述第二学习速率进行训练时的生成器参数，以所述判别器参数和所述生成器参数作为所述初始模型的模型参数。
163.由于本技术实施例中的模型训练装置700解决问题的原理与前述的模型训练方法的实施例相似，因此本实施例中的模型训练装置700的实施可以参见上述模型训练方法的实施例中的描述，重复之处不再赘述。
164.请参阅图10，图10为本技术实施例提供的一种口令破解装置的结构示意图，口令破解装置800中可以包括：
165.需求模块810，用于获取对应的破解需求，其中，所述破解需求中包括口令长度需求和口令数量需求；
166.破解模块820，用于将所述破解需求代入目标模型中，基于所述目标模型生成满足所述口令长度需求和所述口令数量需求的多个目标口令，以多个所述目标口令作为破解的目标口令集。
167.由于本技术实施例中的口令破解装置800解决问题的原理与前述的口令破解方法的实施例相似，因此本实施例中的口令破解装置800的实施可以参见上述口令破解方法的实施例中的描述，重复之处不再赘述。
168.本技术实施例还提供了一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行本实施例提供的模型训练方法和口令破解方法中任一项所述方法中的步骤。
169.应当理解是，该电子设备可以是个人电脑(personal computer，pc)、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)等具有逻辑计算功能的电子设备。
170.本技术实施例还提供了一种计算机可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本实施例提供的模型训练方法和口令破解方法中任一项所述方法中的步骤。
171.综上所述，本技术实施例提供了一种模型训练方法、口令破解方法、装置及电子设备，能够结合口令的结构分布特征对构建的口令破解模型进行训练，提高了模型的破解性能，根据训练的模型获取破解的目标口令集，提高了获取的效率和目标口令集的质量，有效地提高了口令破解的效率。
172.在本技术所提供的几个实施例中，应该理解到，所揭露的设备，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的框图显示了根据本技术的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图中的每个方框、以及框图的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
173.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
174.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
175.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
176.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。
177.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。