类型a：学术研究报告
本文由 Coby Wang 和 Michael K. Reiter（均来自杜克大学/Duke University）合作完成，发表于 2024年网络与分布式系统安全研讨会（NDSS Symposium 2024），会议时间为2024年2月26日至3月1日。
科学领域：本文属于网络安全领域，聚焦于密码泄露检测技术。
研究动机：
- 现实问题：2021年美国Colonial Pipeline勒索软件攻击事件中，攻击者通过泄露的密码库获取了员工的VPN密码，导致严重后果。类似事件频发，凸显了密码泄露检测的紧迫性。
- 现有技术的不足：传统“蜜词”（honeywords）生成方法依赖启发式算法，存在两大缺陷：（1）蜜词难以与真实密码的“平坦性”（flatness，即攻击者无法区分蜜词与真实密码）；（2）无法量化“误报率”（false-alarm rate），即攻击者未入侵系统时误触发警报的概率。
研究目标：
提出一种基于伯努利过程（Bernoulli process）的蜜词生成方法——Bernoulli Honeywords，通过概率化选择蜜词，实现：
1. 蜜词的平坦性与真实密码相当；
2. 误报率可量化且极低；
3. 兼容现有密码泄露检测系统（如基于honeychecker的设计和Amnesia框架）。
核心思想：
Bernoulli Honeywords的核心是将蜜词选择建模为伯努利过程：对每个可能的密码（除用户真实密码外），以固定概率ph独立选择是否作为蜜词。
系统设计与实现：
研究分为两套系统的适配与验证：
（1）基于Honeychecker的系统（非对称设计）
- 流程：
1. 密码存储：为每个账户生成一个布隆过滤器（Bloom filter），存储密码哈希值。用户真实密码必然存入，其他密码以概率ph存入。
2. 登录检测：用户输入密码后，服务器检查其是否在布隆过滤器中。若存在，则向honeychecker（存储真实密码索引的独立组件）验证是否为真实密码。若为蜜词，则触发警报。
- 关键技术：
- 布隆过滤器的参数（如哈希函数数量k、位数b）需优化以满足ph的计算要求（ph=(b′/b)^k，其中b′为实际存储的位数）。
（2）Amnesia系统（对称设计）
- 流程：
1. 无密钥存储：系统不依赖honeychecker，而是通过标记（marking）机制记录密码使用历史。
2. 检测逻辑：若攻击者使用蜜词登录，真实密码的标记会被清除，后续用户登录时将触发警报。
- 改进：结合Bernoulli Honeywords后，Amnesia的远程监控功能（检测其他站点是否输入蜜词）性能显著提升。
实验方法与数据：
- 数据集：使用三组密码库评估攻击检测效果：
- Wang等提供的中国火车票务数据集（含129,303条密码）[40]；
- Carnegie Mellon大学（CMU）的25,000条密码[28]；
- Neopets网站的6700万条密码[43]。
- 评估指标：
- 误报率（FDP）：攻击者未入侵时触发警报的概率，需满足FDP(10^6,10)≤10^-1（即十年内误报少于一次）。
- 真阳性率（TDP）：攻击者入侵后被检测到的概率，实验显示对CMU数据集可达100%（攻击5%账户后）。
关键发现：
1. 误报率可控：通过调整ph和布隆过滤器参数，误报率可降至10^-5以下（即千年内误报少于一次）。
2. 检测效率高：
- 弱密码库（如火车票务数据）：攻击20.4%账户后检测概率达50%。
- 强密码库（如CMU数据）：攻击1个账户即可100%检测。
3. 抗知识优势攻击：即使攻击者掌握用户个人信息（如生日、姓名），Bernoulli Honeywords仍能维持高检测率。
逻辑链条：
- 伯努利过程的随机性保障了蜜词的不可预测性 → 攻击者无法优先猜测蜜词 → 系统误报率与攻击者知识无关 → 检测可靠性显著高于启发式方法。
科学价值：
1. 理论创新：首次将伯努利过程引入蜜词生成，提供可证明的安全边界（如误报率与真阳性率的解析推导）。
2. 方法论突破：摆脱了对启发式算法的依赖，解决了传统方法无法量化安全性的问题。
应用价值：
1. 实际部署：兼容现有系统（如honeychecker和Amnesia），只需替换蜜词生成模块。
2. 成本优化：远程监控功能的计算开销比Amnesia原设计降低一个数量级。
（注：原文中的数学推导、加密协议细节及实验参数因篇幅限制未完全展开，此处仅概括核心逻辑。若需进一步技术细节，建议参考原文第IV-V节。）