[发明专利]一种基于集成学习的口令强度评估模型

权利要求书

1.本发明公开了一种基于集成学习的口令强度评估模型。

2.其特征包括以下步骤：

步骤一：使用真实的口令训练集训练现有的基于黑名单口令集的口令评估模型作为子模型一；

步骤二：使用真实的口令训练集训练现有的基于启发式口令评估模型作为子模型二；

步骤三：使用真实的口令训练集训练现有的基于马尔可夫链口令评估模型作为子模型三；

步骤四：使用真实的口令训练集训练现有的基于概率上下文无关文法口令评估模型作为子模型四；

步骤五：将四个经过训练的子模型作为基学习器进行集成学习，采用偏弱项投票法的结合策略实现各个子模型的优势集成，实现一个以高准确性为前提的通用口令评估模型。

3.根据权利要求1所述的基于黑名单口令集的口令评估基学习器，其特征在于：采用基于黑名单口令集的口令评估方法，并对该方法进行了改良，采用了待测口令与参考集合中的口令计算文本相似度；采用Levenshtien相似度算法；采用不同来源的口令集合进行子模型参数训练，在不同标记的数据训练集合下通过训练得出判定阈值。

4.根据权利要求1所述的基于启发式口令评估基学习器，其特征在于：采用启发式口令评估方法，结合美国国家标准技术研究所的建议与实际口令评估训练提出合理的专家规则；采用不同来源的口令集合进行子模型参数训练，在不同数据训练集合下制定不同判定阈值。

5.根据权利要求1所述的基于马尔可夫链口令评估基学习器，其特征在于：构建n-gram的口令概率矩阵；采用于4阶马尔可夫模型，使用口令出现的概率来描述口令强度；采用了Laplace平滑技术消除数据集中过拟合(Overfitting)问题；采用不同来源的口令集合进行子模型参数训练，对准确率和计算代价进行折中考虑，在不同数据训练集合下制定不同判定阈值。

6.根据权利要求1所述的基于概率上下文无关文法口令评估基学习器，其特征在于：采用的是基于概率上下文无关文法口令评估方法；使用不同来源的口令训练集对PCFG子模型进行训练，在不同数据训练集合下制定不同判定阈值。

7.根据权利要求1所述的偏弱项投票法的结合策略，其特征在于：采用Bagging方法；在结合策略方面，采用基学习器自带判定器策略和基学习器间的偏弱项相对投票的结合策略，对相对多数投票法进行了改进，使投票结果偏向于弱项，当出现票数相当的两个选项时，选择低强度作为输出，即：偏弱项投票。