梦想还是要有的, 万一实现了呢?

大数据分析300万样本中的弱密码规律:你的密码安全吗?

MongoDB 拈花古佛 1462℃
大数据分析300万样本中的弱密码规律
近日,乌云漏洞报告平台宣布网易邮箱漏洞过亿数据泄漏,我去,据说有亿级别的用户密码流出..现在网易官方还在和乌云互掐,真相估计还要时间,但小编反问,你的密码设计合理吗?2011年起有一系列重大网站密码泄露,csdn社区、人人网、多玩网、微博的部分密码数据都被挂到了网上(数据请自行google,本文讨论思路,展示结果,不泄露信息)。我们以当时微博的3315156条用户名密码数据,开始分析之旅。

工具

(可以选择略过这段!)

而我们下载到的文件类似于csv(逗号分隔) 或tsv格式(空格分隔)数据,如下:

大数据分析300万样本中的弱密码规律

数据很大,需要的查询可能很复杂,纯脚本处理很难胜任,我们需要数据库, 本文用MongoDB。

我们可以在命令行里使用mongoimport命令导入数据,也可以使用脚本(我用node.js)导入,脚本更灵活。导完后,可以直接在命令行(如mac的terminal)查询:

大数据分析300万样本中的弱密码规律
以上,括号里面的叫查询条件,这在本文中很重要,我们可以在查询条件里插入正则表达式(网上资料大大的),让查询变得更复杂:

大数据分析300万样本中的弱密码规律

最后,有时候我们要统计,比如密码以a、b、c、d..,各有多少,这时我们需要用mapreduce进行累加。

嘿嘿,工具只是手段,白猫黑猫,能抓老鼠的就是好猫。

让我们启程!

密码top100

首先跑出重复率前100的密码, 以下是前20:

大数据分析300万样本中的弱密码规律

很容易发现规律,俺将密码主人分五大派系:

  • 极懒派
  • 手势派
  • 规律派
  • 手机派
  • 生日派
  • 情感派
极懒派

这3万多同学真是懒的令人发指,也刷新了哥的常识,喝喝…

大数据分析300万样本中的弱密码规律

  1. 那时候微博竟然能通过一个字的密码。
  2. password也是老外的高频词,我不知道是不是某些网站输入框里password提示词,或是很多设备默认密码是这个。
  3. 单字重复型,如 11111,让我们深入发掘下。
  4. 最有意思的是163.com和@qq.com出现的频率,而这1000多用户,密码=用户名后半部分… 醉了

极懒派:一字重复n次

统计形如 ‘aa’, ‘11111’, ‘ssssssss’这类若干个相同单字的密码总数:

大数据分析300万样本中的弱密码规律
我统计了 1、2、3、4、5、6、7、8、9、0、q、a、z、w、s、d的频率分布,其中用’11111’型的用户最多 这些密码总计6w多人 占2%。

大数据分析300万样本中的弱密码规律

极懒派:用户名=密码

上述统计不包含用户名和密码相同的密码,这部分密码共有多少呢?

以abcd@qq.com 为例,我们统计这3种模式的数量之和:

  1. abcd@qq.com
  2. abcd
  3. @qq.com

99671个人,有点意外,整整占了3%呢!

手势派

密码太长,能在键盘上排成一种形状,记忆成本就大大压缩,在密码排行榜上,和图形有关的密码是哪些? 123456云云者,勉强算吧,在数字键盘划一字。同理qwerty开头的也是这个原理。

大数据分析300万样本中的弱密码规律
对此,我看到一位老外很牛逼地总结了20种模式:

大数据分析300万样本中的弱密码规律

这个模式很牛逼,图上是键盘密码。但11年已经有很多人用手机上微博了。有不少这种手机键盘:

大数据分析300万样本中的弱密码规律
因此很多密码的原理就迎刃而解了:

大数据分析300万样本中的弱密码规律

规律派

记住一串数字的规律,我们就可以把一串简单的数字演绎成复杂密码,而你记住规则就好。

很勉强,123456就是个等差数列 fn = n 而 13579是 fn = 2*n-1

很多人会用叠词 如123123,112233,或叠加后对称 123321 。

高分密码有这些:

大数据分析300万样本中的弱密码规律

可以引申下,同样是数列,用了中学知识就不一样啦,假设我们让 fn = n^2, 我们就可以构造一个数列了:

1 2 3 4 5 6 -> 1 4 9 16 25 36…

我查询了含有1491625的所有密码,共找到30几个,真是海内存知己(因为曾经我也是这么设计的)

同理 1 8 27 64 125 的只有3个人,高手啊

如果你拿12345开根号、取三角函数、取对数,忘记密码,在手机计算机里算一遍(别忘了公式)。

海内无知己,天涯只有你,你赢了!

手机派

使用自己和亲人的生日、电话、手机做密码,已是我对普通密码的印象了,这部分人究竟多不多?

用手机做密码,一开始我设置了11位的数字的条件,但是有很多错误的结果。好在网上有对手机号码检测的正则表达式,包含了2013年前所有的手机字段:

  • 移动:139 138 137 136 135 134 147 150 151 152 157 158 159 178 182 183 184 187 188
  • 联通: 130 131 132 155 156 185 186 145 176
  • 电信: 133 153 177 180 181 189
  • 虚拟运营商:170

因此大哥整理了一个可以查询手机号的正则表达式:

大数据分析300万样本中的弱密码规律

亲测有效哦,出来的密码几乎都是手机号, 172418个同学用手机号做密码 占比5%。

生日/纪念日派

我们查询所有包含年份的密码,这些年份都以19和20开头,且有4位连续数字, 考虑到5201314(我爱你一生一世)也是高频密码,且密码数据的时间为2011年,此时2013不该出现,所以排除2011年以后的年份,我们得到如下结果:

大数据分析300万样本中的弱密码规律

543559个密码使用了年份,占总量的18%。 真不是小数字,但数据还是很复杂,有大量年份和字母,符号混合的,也不一定就是年份。那我们缩小范围,如果包含生日的有多少人?

月份比较复杂,1月1日出生的,也许写11,也许写0101,也有1.1、1-1的。但后者其实比较少,且在在一篇分析人人和csdn密码的文章里看到YYMMDD型的生日是最多的:

大数据分析300万样本中的弱密码规律

那我们的查询如下:

大数据分析300万样本中的弱密码规律

318022个密码符合条件 占总量的10%。

这批密码还是颇为复杂,因为很多人在字母和其他数字后加入生日的,仅以生日作为密码的人会有多少?

大数据分析300万样本中的弱密码规律

答案是137697, 4%的人用自己生日做密码,而其中,也有些奇葩的答案,如好几个’19190504’ 我去,这是xx团委的公众号么…

情感派

写一句有含义的密码,写什么重复率最高?
大数据分析300万样本中的弱密码规律

情感派:因为爱情

现实里压抑的我们难得一说我爱你,不论国内国外,都有很多人对着服务器许愿,说出 wo ai xx,这些我爱你型密码的总数让我非常震惊。

这份密码数据里,woaini 以2659次重复荣居意义型密码榜首,iloveyou则不到woaini的一半。 但事实上文字版的都弱爆了,位居第五名的5201314(我爱你一生一世)有15000个人同时使用,还有各种变体…其中第13名最缺爱 7758521(亲亲我吧爱我吧)

除了我爱你,我还爱谁? 让我们查询任何含有 woai(我爱)的密码,还是基本都是在各种爱你… 偶尔有woaiwojia woaishui woainima… 有意思的是我爱我家,这中介公司的名字取得真是合理。

大数据分析300万样本中的弱密码规律

如果我们查询含有 ‘wo’字的密码,也会发现我最喜欢做的事情就是爱xx… 除了爱你,我还爱谁呢,老公、老婆、妈妈、爸爸?…

woailaopo + laopowoai 的人数有291人 。

laogongwoai和woailaogong的人数有98人。

这些都是少数派密码了。

我们试试 我爱妈妈(201)和我爱爸爸(60)的比例,竟然也是3:1。

出于好奇,我又统计了密码里包含’laopo’的和包含’laogong’的比例:

老公: 454

老婆: 1118

包含老公的密码基本都是形如: ‘zuiailaogong’、 ‘qinaidelaogong’、 ‘pplaogong’,我擦看不下去了,真是一部show恩爱宝典…

爱老婆的数量还是完胜,可惜,这是一组良莠不齐的密码, 还是有不少形如laopo38、 laoposhizhu choulaopo laopocaolei sblaopo777 的密码…(总数还是不算多)

相反,骂人的人比例很少,fuck shit cao说的人都不算多。而这其中,也有些有趣的点:

鲁迅在杂文《论他妈的》中说他妈的是中国的国骂,但是时代变了,也许是受了上古十大神兽草泥马(当年暴走漫画王尼玛还没火吧),nima的频率2714次远高于tama 101次。也完胜 ‘fuck’、 ‘shit’、 ‘wocao’这些 400-500次之间的词。

用什么字做密码最安全?

我不是黑客,不知破解算法是怎么做的,但只要键入一个字,就让你的密码与众不同,你会怎么敲? 我们对密码里用到的所有字进行统计,得出下图

大数据分析300万样本中的弱密码规律

1是第一名,被300多万用户累计输入300多万次,1是一个很有趣的数字,超过60%的人密码会用到1,而30%的人会以1作为密码开头, 可以看到’.’ ‘@’ 等特殊字符,在符号里排名很靠前。曾经看到说用’_‘在密码里较为安全,因为比’-‘少,事实上也的确如此,但你何必按shift打_号呢,’,’的比例比前面所有的标点符号都少。

我们可以看到,数据下降非常快速,有规律可循吗?将柱状图的大小全部取对数,那么四大阵营的阶梯形一览无余: 1-9排在了所有的字母之前,几乎所有的字母排在了大写字母之前

大数据分析300万样本中的弱密码规律

最后,纠正一个数据错误,我们看到 ‘E’ 和 ‘+’ 的比例非常异常,他们理应没有那么多,为什么?

大数据分析300万样本中的弱密码规律

好,看到这里,你应该觉得很熟悉, 5201314,123456, 都是熟悉的密码,而E+13这种也很熟悉。excel里输入一个长度超过11位的纯数字,excel会自动将数字转化为这个样子的。这份数据应该是被谁用excel打开后又保存了,所以,大写字母最多的应该是 ‘A’,而 ‘+’的用量也排不到符号类的第二名。

你的密码安全吗?

回到2011年,我在微博上找一个邮箱,然后破解你的密码,哥成功的概率有多大?

前100名的密码,第一名的密码123456共165882条,占5%。前10名的密码有316085条,占10%,而前100条密码共442555条,占 15%

累计15%的人能被这100个密码破解。

用户名和密码匹配(包含之前提到的前缀相同,后缀相同和 后缀+@相同)共99671人。

累计计18%的用户都会在103次穷举后被破解。

近100年的生日有365*100个,如果我遍历那么多次,总有一个是对的,这样我可以破解4%的密码。

累计22%的人已经被破解。

倘若我知道你的手机号码,5%的人的密码会被破解,累计27%

如果我知道你的名字(这份数据无法分析你的名字和密码的关系) 这个比例会更高。

2011年,1/3的人密码是不安全的。

你觉得你的密码设计的科学吗?

参考
[ZIPF分布、PARETO分布和幂律分布](http://blog.csdn.net/arthur503/article/details/8513992)[CSDN及人人网的用户密码分析](https://program-think.blogspot.com/2011/12/csdn-renren-password-analysis.html#head-4)[最新手机号码验证正则表达式](http://blog.csdn.net/fengshi_sh/article/details/12085307)

转自微信:数据分析精选(sjfxjx),关注后每天收货干货。
版权声明:
本公众号的内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请联系我们。

转载请注明:拈花古佛 » 大数据分析300万样本中的弱密码规律:你的密码安全吗?

喜欢 (0)or分享 (0)