افزایش امنیت گذرواژه دیجیتالی با استفاده از یادگیری ماشین: تحلیلی مقایسه ای بر الگوریتم های طبقه بندی

در عصر دیجیتال، رمز های عبور هم چنان یکی از رایج ترین و حیاتی ترین روش های احراز هویت در سامانه های اطلاعاتی به شمار می آیند. با این حال، انتخاب و استفاده از رمزهای عبور ضعیف و غیرایمن، هم چون رمزعبورهای ساده، کوتاه یا تکراری، تهدیدی جدی برای امنیت سایبری محسوب می شود. این پژوهش با هدف بهبود دقت در ارزیابی سطح امنیت رمز های عبور، چارچوبی مبتنی بر یادگیری ماشین ارائه می دهد. روش پیشنهادی شامل سه مرحله ی اصلی پیش پردازش، استخراج ویژگی های جدید و طبقه بندی رمز های عبور است. در این پژوهش، مجموعه ای شامل ۶۶۹۸۸۰ رمز عبور مورد تحلیل قرار گرفته است. ابتدا در مرحله پیش پردازش مراحلی مانند حذف داده های گم شده، کدگذاری متن به عدد و متعادل سازی داده های کلاس ها با استفاده از الگوریتم SMOTE انجام شده است. بعد از اینکه داده ها تمیز شدند از هر رمز عبور ده ویژگی ساختاری جدید استخراج شده است. در نهایت داده ها به دو دسته آموزش و آزمایش تقسیم شده و دسته بندی سطح امنیتی رمز های عبور در سه کلاس ضعیف، متوسط و قوی با استفاده از الگوریتم های یادگیری ماشین مانند درخت تصمیم، جنگل تصادفی، XGBoost و رگرسیون لجستیک و غیره صورت گرفته است. نتایج تجربی نشان داد که الگوریتم جنگل تصادفی و روش XGBoost با معیار F۱ به ترتیب با مقدار ۹۹.۶۶۵% و ۹۹.۶۴۲% درصد عملکرد برتری نسبت به سایر مدل ها داشته اند. دستاورد این تحقیق، ارائه مدلی کارآمد و مقیاس پذیر برای شناسایی نقاط ضعف رمزهای عبور و ارتقاء سیاست های امنیتی در سامانه های دیجیتال است که می تواند به شکل موثری در طراحی رمز های عبور مقاوم، کاهش ریسک نفوذ، و ارتقاء سطح امنیت سایبری نقش آفرینی کند.

کلیدواژه ها:

یادگیری ماشین ، امنیت سایبری ، قدرت رمزعبور ، جنگل تصادفی