密码管理服务商Dashlane近日详细说明了一起针对其大量用户的协同黑客攻击事件。攻击者试图尽可能多地下载加密密码库,但在Dashlane介入并关闭该攻击行动之前,不到20个个人用户的密码库遭到下载。
攻击手法与过程
此次攻击于上周日启动,身份不明的攻击者利用了Dashlane允许用户向账户添加新设备(如电脑或手机)的功能机制。他们通过滥用Dashlane的设备注册编程接口,向大量现有用户的注册邮箱发送请求。Dashlane在周四发布的更新公告中写道:
"攻击者针对设备注册API端点发起了暴力破解攻击,向这些端点发送了大量自动化请求。"
对此,Dashlane的自动安全系统按预定机制运作,对受攻击账户触发了自动锁定保护措施。但在攻击被完全阻断之前,攻击者已成功暴力破解并生成了不到20个个人用户账户的有效Token,从而得以在这些账户上注册新设备并下载用户加密密码库的副本。
设备注册流程说明
当用户在新设备上安装Dashlane应用并尝试将其加入现有账户时,Dashlane首先会验证账户持有人的身份。验证方式是向用户的注册邮箱发送一个一次性六位数Token(对于已启用双因素认证的用户,则需验证其认证应用生成的六位数验证码)。
注册成功的前提是用户必须在Dashlane应用中输入该验证码。验证通过后,Dashlane才会批准注册并将加密密码库的副本发送至该设备。在用户输入作为解密密钥的主密码之前,密码库内容始终处于不可读状态。Dashlane在其安全文档中明确说明,一次性密码必须在新注册设备上输入,注册才能成功。
攻击者如何提高破解成功率
针对单个账户的一次性验证码进行暴力破解——即逐一尝试所有可能的组合直到输入正确为止——即便在验证码有效的三小时窗口内,成功率也极低,几乎毫无意义。由于共有100万种可能的有效验证码,攻击者必须在此期间穷举其中相当大的比例,而且账户的请求频率限制机制也会在超出一定次数后将账户锁定。
为了提高成功概率,攻击者同时向大量账户发送新设备注册请求,然后对每个账户同步输入一次性验证码。从理论上讲,同时攻击两个账户,每次尝试的成功概率提升至五十万分之一;攻击1000个账户时,成功概率则提升至千分之一,以此类推。目标账户越多,至少命中其中一个账户的概率就越高。这与"密码喷洒"攻击的逻辑如出一辙。该技术还能削弱频率限制机制的效果,因为大量尝试被分散到众多账户中,单个账户受到的攻击次数得以降低。
最终,根据Dashlane的说法,此次双因素认证喷洒攻击在被阻断之前,共有不到20个用户账户遭到成功破解。该公司表示已联系所有受影响用户,未收到通知的用户均未受到波及。
加密保护仍是最后防线
即便攻击者获取了这些账户的加密密码库副本,要想获取其中的明文内容,仍需破解用户的主密码。Dashlane采用了一种名为Argon2的算法,大幅增加了将明文主密码转换为加密哈希值的时间和计算成本。这意味着即使攻击者使用GPU或专用硬件进行破解,大规模密码猜测尝试也需要消耗极大量的时间和计算资源。
Q&A
Q1:Dashlane这次遭受的是什么类型的攻击?攻击者是怎么下载密码库的?
A:攻击者利用了Dashlane的设备注册机制,通过滥用设备注册API端点,向大量用户账户同时发送一次性验证码暴力破解请求,这种方式被称为双因素认证喷洒攻击。通过将尝试分散到众多账户中,攻击者成功提高了破解概率,最终在不到20个账户上完成了新设备注册,并下载了对应的加密密码库副本。
Q2:Dashlane加密密码库被下载后,用户的密码是否已经泄露?
A:不一定。攻击者虽然下载了加密密码库的副本,但库中内容在用户主密码输入之前始终处于加密状态,无法直接读取。此外,Dashlane采用了Argon2算法对主密码进行保护,该算法极大增加了暴力破解主密码所需的时间和计算资源,即便使用GPU或专用硬件也难以快速破解,用户数据整体风险可控。
Q3:Dashlane的双因素认证为什么没能完全阻止此次攻击?
A:双因素认证本身并非无懈可击,其防护效果取决于验证码的有效窗口期和频率限制机制。攻击者通过同时向大量账户发起请求,将暴力破解尝试分散到众多账户中,既提高了单次尝试命中某个账户的统计概率,又有效规避了单账户的请求频率限制。这种"喷洒"策略正是此次攻击能够突破防线的关键原因。
好文章,需要你的鼓励
今天讲的出海案例是明阳电气,这家输配电设备公司在马来西亚投产首个海外生产基地,并以 250 万林吉特子公司承接本地制造。
阿里巴巴通义实验室与北京大学联合提出ESPO方法,让语言模型强化学习训练时能在推理走偏时及时截断,节省超20%计算资源,同步提升数学推理准确率。
Canva正式发布适用于Perplexity Computer平台的连接器,允许Perplexity桌面智能代理自主将数据和提示词转化为可编辑的Canva设计资产。用户只需通过连接器页面接入Canva,描述需求,Perplexity便可结合会议记录、业务数据及实时网络内容,自动生成演示文稿、社交媒体素材、信息图表或品牌视觉套件。该功能目前面向Perplexity Pro、Max及企业版用户开放。
NITP是上海交通大学等机构提出的大语言模型预训练新目标,通过让模型预测下一词的浅层语义表示,解决标准训练中内部表示退化问题,仅增加约2%训练开销即可提升下游任务表现。