口令复用综述

本综述更偏向targeted guessing这一领域。

targeted password guessing / target guessing / personalized password guessing 定义为：攻击者或评估者在猜测某个具体用户口令时，利用该用户的 PII、用户名/邮箱、社交/人口属性、目标站点上下文、已泄露旧口令/姊妹口令、多个历史口令、部分已知字符或口令掩码 等辅助信息，目标是在很小猜测预算下提高命中率。

这个方向已经从早期的规则/概率模型，明显转向 Transformer、LLM、pointer/copy 机制、检索增强、排序优化、多泄露口令建模和目标感知 PSM。一个有用的宏观分类是：普通 trawling guessing 面向群体分布，而 targeted guessing 面向单个用户的条件分布；近年综述也将这两类作为 password guessing 研究的核心分支。(MDPI)

---

1. 研究脉络总览

第一阶段：PII + 概率规则。
代表是 TarGuess 系列：把名字、生日、用户名、邮箱、手机号等 PII 拆成片段，再用概率模型组合生成候选口令。这一阶段的关键贡献是把“目标用户信息”形式化为可建模特征。

第二阶段：姊妹口令 / credential tweaking。
Pass2Path 之后，大量工作不再只看 PII，而是把用户在其他站点泄露的旧口令当作更强 side information。现实中用户常复用或轻微修改口令，所以 “known old password → target password” 成为 targeted guessing 的重要分支。(康奈尔大学计算机科学系)

第三阶段：深度模型与 Transformer。
PassTrans、PassBERT、Pass2Edit、PointerGuess 等把问题建模成序列生成、编辑路径、序列标注或 copy/tweak 决策，逐步解决“简单编辑规则覆盖不了复杂修改”的问题。

第四阶段：LLM、RAG/kNN、多泄露、多模态 side information。
2024–2026 年的新趋势是：用 LLM/GLM、LoRA 微调、kNN 检索增强、多泄露历史口令、邮箱推断属性、target-system auxiliary data 等方式，把 targeted guessing 变成更一般的条件生成问题。PASSLLM、PassGLM、Pass2Pass-T、KNNGuess 都属于这一波。(USENIX)

---

2. 直接相关论文逐篇梳理

2.1 基础模型与早期 targeted guessing

年份	论文 / 模型	使用的目标信息	主要做了什么	评价
2016	Targeted Online Password Guessing / TarGuess	PII、人口属性、姊妹口令等	系统化定义 targeted online guessing 场景，构造 TarGuess-I 到 TarGuess-IV，覆盖多种攻击者已知信息假设；这是后续 PII-based TPG 的基础模型。(SciSpace)	奠基性强；局限是规则和概率特征较手工，面对复杂语义变体不足。
2018	TPGXNN: Targeted Password Guessing Based on Neural Network	用户个人信息	将神经网络用于 target guessing，验证 NN 可以结合 PII 学习更复杂的密码生成规律，并与 PCFG/Markov 等传统方法比较。(信息安全学报)	是从规则模型转向神经模型的重要过渡；但模型能力和数据规模相对后来 Transformer 较弱。
2019	Beyond Credential Stuffing: Password Similarity Models / Pass2Path	用户在其他站点的已泄露口令	把 credential tweaking 建模为从源口令到目标口令的编辑路径预测；论文使用大规模泄露邮箱-口令对，显示在少量猜测预算下 credential tweaking 的风险很高。(康奈尔大学计算机科学系)	把“已知旧口令”确立为比许多 PII 更强的 side information；后续 PassTrans、Pass2Edit、PointerGuess、KNNGuess 基本都沿着这条线推进。

2.2 2020–2022：PII 改进、side information 理论、pointer/Transformer

年份	论文 / 模型	使用的目标信息	主要做了什么	评价
2020	A New Targeted Password Guessing Model / TarGuess-I+	PII、邮箱/用户名、常见弱口令、特殊字符串	在 TarGuess-I 基础上改进 PII 片段解析，引入常见口令、top popular passwords 和特殊字符串，缓解原模型对流行弱口令和 PII 子串覆盖不足的问题。(ePrint)	是 TarGuess 系列的自然增强；贡献在工程覆盖率，模型表达能力仍偏规则化。
2020	Centralized vs Decentralized Targeted Brute-Force Attacks: Guessing with Side-Information	抽象 side information	从信息论/博弈角度研究多个攻击者各自拥有 side information 时，集中协调和去中心化猜测的差异。(arXiv)	不是具体口令模型，但对“side information 的价值”“多源信息协同”提供理论视角。
2022	PG-Pass: Targeted Online Password Guessing Model Based on Pointer Generator Network	PII / 目标上下文	把 directed/targeted password guessing 类比成摘要生成任务，用 pointer-generator 机制让模型既能生成常见字符，又能从输入 PII 中复制片段。(Researchr)	很关键：copy 机制天然适合名字、日期、用户名等 PII 片段进入口令。
2022	PassTrans: An Improved Password Reuse Model Based on Transformer	已泄露姊妹口令	用 Transformer 改进口令重用建模，面向 credential tweaking 场景，试图比编辑路径模型更好地捕获复杂变体。(TU Delft Research Portal)	从 RNN/seq2seq 向 Transformer 迁移；对后续 reuse-targeted 模型有启发。
2022	PII-PSM: A Targeted Password Strength Meter Based on Personal Information	PII	不是攻击模型，而是 defense/evaluation：构建考虑 PII 的 targeted password strength meter，指出传统 PSM 没有充分考虑个人信息带来的风险。(Springer)	对研究防御很重要：TPG 不只用于攻击评估，也能用于个性化强度提示。

2.3 2023：PassBERT、RFGuess、Pass2Edit、邮箱上下文

年份	论文 / 模型	使用的目标信息	主要做了什么	评价
2023	PassBERT: A Bert-Based Password Strength Meter	PII、目标上下文、口令本身	用双向 Transformer 预训练口令表示，并 fine-tune 到三类任务：common password guessing、targeted guessing with personal information、adaptive rule-based guessing；还提出混合 PSM。论文报告在 TPG 任务上优于当时 SOTA。	代表了“预训练口令语言模型 + 下游 TPG”的路线；但 BERT 是 masked/判别式架构，直接生成效率和排序策略还需额外设计。
2023	RFGuess: Random Forest Based Password Guessing	PII、姊妹口令、群体分布	反其道而行之，用 classical ML 的随机森林/boosting 重编码字符特征，覆盖 trawling、PII-targeted 和 reuse-targeted 三类场景；论文称 RFGuess-PII 在 100 guesses 内有明显提升。(USENIX)	说明并非所有提升都来自大模型；强特征工程 + 轻量模型在小预算下仍很强，是后续模型必须比较的 baseline。
2023	Pass2Edit: A Multi-Step Generative Model for Guessing Edited Passwords	已泄露姊妹口令	将 password tweaking 建模为多步编辑决策，而不是简单的一次编辑路径；在多数据集和安全意识用户场景下评估。(USENIX)	比 Pass2Path 更贴近真实“多次修改”行为；但仍以编辑操作为中心，对大规模语义替换、长距离复制等仍有局限。
2023	Your Email Address Holds the Key: Understanding the Connection Between Email and Passwords	邮箱地址、用户聚类、上下文信息	研究邮箱地址与口令之间的联系，提出 context-aware password guessing models，强调 email address 本身是重要 side information。(arXiv)	把“邮箱/用户名”从普通 PII 提升为独立研究对象；对企业账号、域名上下文、用户名派生口令尤其重要。

2.4 2024：Universal NCM、PagPassGPT、PointerGuess

年份	论文 / 模型	使用的目标信息	主要做了什么	评价
2024	Universal Neural-Cracking-Machines: Self-Configurable Password Models from Auxiliary Data	目标系统 auxiliary data，如邮箱地址等	构造 universal password model，可根据目标系统的辅助数据自配置，而不需要目标系统明文口令或重新训练。(arXiv)	把 TPG 从“单用户 PII”扩展到“目标站点/群体上下文自适应”，适合研究跨站点 domain adaptation。
2024	PagPassGPT: Pattern Guided Password Guessing via Generative Pre-trained Transformer	口令模式约束 / pattern	用 GPT 做 pattern-guided generation，并提出减少重复候选的生成策略。(arXiv)	严格说不是典型 PII-targeted guessing，但对“按掩码、格式、策略约束生成候选”很相关。
2024	PointerGuess: Targeted Password Guessing Model Based on Pointer Mechanism	姊妹口令；多姊妹口令	用 pointer 机制显式建模“从旧口令复制/保留哪些片段、修改哪些片段”，并提出 MS-PointerGuess 处理多个泄露口令；论文报告在 100 guesses 内比既有 reuse-targeted 方法有显著提升。(USENIX)	这是 reuse-targeted guessing 的关键论文之一。它把 copy/tweak 行为做得更自然，也启发 PII-based TPG 中对 PII 片段复制的建模。

2.5 2025–2026：LLM、排序、GLM、多泄露、kNN、掩码猜测

年份	论文 / 模型	使用的目标信息	主要做了什么	评价
2025	Targeted Password Guessing Using Neural Language Models	PII	系统评估 NLP 中的神经语言模型用于 targeted password guessing，报告相较 RFGuess-PII 和 TarPCFG 有提升。(科学探险者)	价值在于把多类 neural LM 拉到 TPG 场景横向比较；适合作为 PII-based 深度模型综述节点。
2025	TGI-FPR: An Improved Targeted Password Guessing Model Based on Multi-Label Recognition	PII、popular passwords、frequent substrings、refined PII	针对 TarGuess-I 的不足，加入流行口令识别、频繁子串和细粒度 PII 类别；论文报告在前 100 次猜测中平均提升。(cdn.techscience.cn)	仍是 TarGuess 路线，但用多标签识别补强“哪些信息会被用户放入口令”。
2025	RankGuess: An Adversarial Ranking Framework for Password Guessing	条件生成 / 排序信号	将口令生成视为序列决策过程，用 ranker 分数作为 reward，强调生成候选的排序质量。(IEEE Computer Society)	很适合 targeted guessing，因为在线攻击/防御评估最关心前 K 个候选的排序，而不是无限生成能力。
2025	Password Guessing Using Large Language Models / PASSLLM	PII、姊妹口令、PII+姊妹口令	用 LLM + LoRA fine-tuning 构建 PassLLM，覆盖 trawling、PII-targeted、reuse-targeted、PII+sister-password 等场景，并提出加速/蒸馏策略；论文报告 PassLLM-I/II/III 在对应场景下优于既有方法。(USENIX)	目前 LLM-based TPG 的核心论文之一；值得重点读实验设计、tokenization、candidate ranking 和算力成本。
2025	PassGLM: A Large Language Model for Personalized Password Guessing	PII + 旧口令	基于 GLM-4-9B 微调，联合利用 PII 和 old passwords，强调不依赖手工 PII 标签和外部字典。(Springer)	与 PASSLLM 相近，但更强调个性化和 PII+old-password 联合输入；适合比较“显式特征工程 vs LLM 端到端”。
2025	Personalized Password Guessing via Modeling Multiple Leaked Credentials of the Same User / Pass2Pass-T	同一用户多个已泄露口令	专门研究多泄露口令场景，用 Transformer、输入压缩、分段位置编码和迁移学习从多个历史口令预测目标口令；论文报告五个泄露口令时第一猜命中率明显提升。(Springer)	非常重要：现实中同一用户可能有多个泄露账号。多历史口令不是简单拼接，如何建模“用户口令演化习惯”是新方向。
2025/2026	Targeted AI-Based Password Guessing Leveraging Email-Derived User Attributes	邮箱推断出的姓名、国籍、性别、出生年份等	用 LLM 从 email-derived attributes 预测用户口令，比较 T5、LLaMA、BART 等模型；官方摘要报告 T5 在特定属性组合下表现突出。(Springer)	把 email → user attributes → password 的链条显式化；也带来公平性、隐私和属性推断误差问题。
2026	KNNGuess: A Non-Parametric Approach for Password Guessing	姊妹口令、上下文向量、target prefixes	构建 KNNTPG datastore，将源口令上下文向量与目标前缀存入检索库，再与 Transformer 分布结合；论文指出既有 reuse models 偏向轻微修改，KNNGuess 对大修改更强。(NDSS Symposium)	这是 2026 年很值得关注的方向：检索增强可以记住训练集中真实用户变体模式，弥补参数模型泛化不足。
2026	Mask Password Guessing: Success Rates Doubled with Only One Character	口令长度、部分字符、掩码信息	研究不同 partial-information / mask 场景下的 guessing，关注只知道少量字符或长度时命中率如何变化。(NDSS Symposium)	严格说不一定是 PII-targeted，但属于 target-aware conditional guessing；对泄露片段、肩窥、提示信息、密码恢复场景很有参考价值。

---

3. 相邻但非常值得读的论文

这些论文不一定都以 “targeted guessing” 为主标题，但对你的研究有直接借鉴价值。

年份	论文 / 模型	为什么相关
2021	PassFlow	用 normalizing flow 做口令分布建模，提供可计算 likelihood 和 latent inference；适合思考“如何给候选口令排序”，但不是专门 TPG。(arXiv)
2023	PassGPT	将 GPT-style 生成模型用于口令猜测，并支持 guided password generation；对后续 LLM-based TPG 和 pattern-constrained guessing 有明显影响。(arXiv)
2024	PassTSL	两阶段神经学习、self-attention 口令模型，主要面向通用口令建模和 PSM，可作为 Transformer 类 baseline。(Springer)
2025	KAPG: Knowledge-Augmented Password Guessing	引入外部 lexical knowledge 和现实趋势，通过 prefix anchors 辅助生成；对把时事、流行语、地域词典接入 targeted guessing 有启发。(arXiv)
2025	MAYA: Benchmarking Generative Password Guessing Models	重点是评估基准化：统一数据、算力和模型比较，指出 multi-model attack 可提升覆盖率。TPG 领域目前也很需要类似 benchmark。(arXiv)
2025	When Intelligence Fails: Exploring the Effectiveness of LLMs in Automated Personal Password Guessing	研究提示式/预训练 LLM 在个性化口令猜测上的局限，报告若没有基于泄露口令的监督微调，Hit@10 很低。(arXiv)
2025	Username-Password Models Beyond Traditional Password Guessability Assessment	探索 username-password 关系，和 email/username as side information 的 TPG 很接近。(dblp)

---

4. 横向比较：这些论文到底在解决什么问题？

4.1 按 side information 分类

PII-based targeted guessing
典型输入是姓名、生日、手机号、用户名、邮箱、性别、地区等。代表：TarGuess、TarGuess-I+、TGI-FPR、PG-Pass、PassBERT、RFGuess-PII、Targeted Password Guessing Using Neural LMs、PASSLLM-I、PassGLM。
核心问题是：用户会不会把 PII 的哪个片段放入口令？怎么变形？例如大小写、拼音/缩写、生日格式、leet 替换、连接符、后缀数字等。

Sister-password / reuse-targeted guessing
输入是同一用户在其他站点泄露的旧口令。代表：Pass2Path、PassTrans、Pass2Edit、RFGuess-Reuse、PointerGuess、PASSLLM-II/III、Pass2Pass-T、KNNGuess。
这条线通常比纯 PII 更强，因为旧口令直接暴露了用户的构词习惯、常用根词、数字后缀、符号偏好和修改模式。

Email / username / target-system context
代表：Your Email Address Holds the Key、Universal Neural-Cracking-Machines、Targeted AI-Based Password Guessing Leveraging Email-Derived User Attributes、Username-Password Models。
这类工作说明邮箱不仅是账号标识，还可能泄露姓名、年份、昵称、单位、地区、域名群体特征。

Partial / mask / policy-constrained guessing
代表：PagPassGPT、Mask Password Guessing。
这类研究关注已知长度、部分字符、字符类别、模式约束、站点密码策略时如何生成候选。它和 PII/reuse 可以组合成更强的 conditional guessing。

4.2 按模型技术分类

规则/概率模型： TarGuess、TarGuess-I+、TGI-FPR。优点是可解释、轻量、适合 PSM；缺点是覆盖复杂语义变体差。

传统机器学习： RFGuess。优点是训练成本低，小预算排序强；缺点是依赖特征设计，生成多样性受限。

Seq2Seq / Transformer： Pass2Path、PassTrans、Pass2Edit、PassBERT、PointerGuess、Pass2Pass-T。优点是能学习复杂序列变换；缺点是需要大规模泄露数据，训练/评估容易数据泄漏。

LLM / GLM： PASSLLM、PassGLM、email-derived LLM、When Intelligence Fails。优点是条件输入灵活；缺点是未经微调的通用 LLM 并不天然擅长口令分布，tokenizer、重复生成、排序、成本和安全评估都很关键。

检索增强 / 非参数模型： KNNGuess。优点是保留真实样本邻域变体，适合捕获大修改；缺点是存储、检索效率、隐私和训练数据污染需要严肃处理。

---

5. 目前领域的共识

第一，targeted guessing 的关键不是“能不能生成很多候选”，而是前 K 个候选排序是否准确。在线场景常见 K=10、100、1000，所以 RankGuess、RFGuess、Pass2Edit、PointerGuess、KNNGuess、PASSLLM 都强调小预算下的命中率。(IEEE Computer Society)

第二，旧口令通常是最强 side information 之一。从 Pass2Path 到 KNNGuess，这条线的实验结果普遍显示，用户口令重用和变体习惯会显著提高 targeted guessing 成功率。(康奈尔大学计算机科学系)

第三，PII 仍然重要，但需要 copy/attention/指针机制。名字、日期、邮箱片段经常不是原样出现，而是经过截断、拼接、变形、大小写和符号后缀处理。PG-Pass、PointerGuess、PassGLM、PASSLLM 等都在不同形式上处理“复制 + 变形”的问题。(科技科学出版社)

第四，LLM 不是银弹。直接 prompt 通用 LLM 生成个性化口令效果可能很差；真正有效的路线通常需要口令数据 fine-tuning、特殊 tokenization、候选去重、排序优化和高质量评估。(arXiv)

第五，评估可比性是大问题。不同论文的数据集、训练/测试切分、是否按用户隔离、是否去重、预算 K、是否允许同一用户泄露信息跨集合污染，都可能显著影响结论。MAYA 这类 benchmark 工作虽然主要面向 generative password guessing，但对 TPG 领域的标准化非常有启发。(arXiv)

---

6. 未来值得研究的方向

方向 1：统一条件分布建模

现在很多论文分别研究 PII、邮箱、旧口令、多个旧口令、目标站点上下文、掩码信息。未来更自然的问题是建模：

$$P(\text{password} \mid \text{PII}, \text{email}, \text{username}, \text{old passwords}, \text{site context}, \text{policy}, \text{mask})$$

真正难点不是把所有字段拼到 prompt 里，而是处理 缺失模态、噪声 PII、错误属性推断、不同 side information 权重、训练数据泄漏。这可以发展成 “multi-modal / multi-source targeted password guessing”。

方向 2：多泄露口令下的用户口令演化模型

Pass2Pass-T 已经说明多个历史口令能显著提升个性化猜测，但这个方向还很早。可以进一步研究：

同一用户口令如何随时间演化；不同站点密码策略如何影响变体；用户是否有稳定 root word；数字后缀是否随年份递增；安全意识强的用户是否有不同变体模式；多个旧口令之间如何做 attention 或 graph 建模。Pass2Pass-T 和 KNNGuess 是很好的起点。(Springer)

方向 3：检索增强 TPG

KNNGuess 说明非参数检索可以弥补纯 Transformer 对复杂修改的不足。未来可以做更广义的 RAG-TPG：检索相似用户、相似邮箱结构、相似 PII 组合、相似旧口令变体、相似站点群体分布，再让生成模型融合这些证据。难点在于隐私、检索库规模、近邻污染、训练/测试泄漏和实时效率。

方向 4：面向中文和多语言文化语境的 targeted guessing

大量已有研究基于英文语境或国际泄露数据。中文用户常见信息形式包括拼音、姓名缩写、生日农历/阳历、手机号片段、QQ/微信号、地区简称、学校/公司缩写、中文词转拼音、谐音、星座生肖等。
一个高价值方向是构建 Chinese-aware / cross-lingual targeted guessing benchmark，比较规则模型、Transformer、LLM 在中文 PII tokenization、拼音变体和跨语言名字处理上的差异。

方向 5：目标感知 Password Strength Meter

PII-PSM、PassBERT 都已经把 TPG 用于 PSM。未来可以做更实用的防御系统：用户注册时本地计算“该口令是否容易被自己的 PII 或旧口令猜中”，给出个性化提示，而不是只说“请加特殊字符”。
关键挑战是：PII 不能上传服务器；模型可能泄露敏感信息；提示不能反向暴露“系统知道你的哪些 PII”；还要避免让用户学会固定绕过规则。

方向 6：解释性 targeted guessing

多数深度模型只输出候选口令，不解释为什么。防御侧更需要解释：
“这个口令包含你的出生年份”；“这个后缀和你旧口令一致”；“这个邮箱昵称被原样复制”；“这个模式在同类用户中高频”。
可以研究可解释 TPG：把候选分解为 PII span、copy span、edit operation、semantic token、popular suffix 等。解释性对 PSM、用户教育、审计和论文说服力都很强。

方向 7：排序优化而不是生成优化

target guessing 的核心指标通常是 Hit@K、Guess Number、AUC-like cumulative crack rate、unique guesses、duplicate rate。很多生成模型会产生大量重复或低价值候选。RankGuess 的 adversarial ranking 思路值得扩展：
可以把候选生成器和排序器解耦，用 pairwise/listwise ranking、reinforcement learning、contrastive learning 或 calibration 来优化前 10/100/1000 个候选。(IEEE Computer Society)

方向 8：公平性、隐私与伦理评估

email-derived attribute guessing 和 PII-based TPG 会涉及性别、国籍、出生年份等敏感属性推断。未来论文需要更认真回答：不同群体是否被模型更容易猜中？模型是否放大某些文化/地区用户的风险？训练数据是否包含未授权泄露数据？实验是否避免真实账号风险？
这类问题在 LLM-based TPG 中会更突出。

方向 9：真实认证防护条件下的风险评估

很多论文报告“100 guesses 内命中率”，但真实系统还有 MFA、rate limiting、lockout、risk-based login、IP reputation、credential stuffing detection。未来可以研究“在现实防护策略下，TPG 的边际风险是多少”。这会让研究更接近防御部署，而不是只比较离线命中率。

方向 10：标准化 benchmark 与可复现实验

TPG 特别容易出现数据泄漏：同一用户的不同站点口令可能同时出现在训练和测试；相同明文口令可能跨集合重复；PII 和口令之间可能被预处理破坏；不同论文的 K、去重和排序策略不一致。
未来很需要一个类似 MAYA 但专门面向 TPG 的 benchmark：固定数据切分、固定 side information、固定预算、固定去重规则、固定 offline/online 场景，并报告算力、内存、生成速度和重复率。(arXiv)

---

7. 可以形成论文选题的几个具体切入点

选题 A：中文 PII-aware targeted password guessing。
构建中文 PII tokenization，包括拼音、缩写、姓名、生日、手机号、地区、学校/公司缩写；比较 TarGuess-style、PG-Pass-style pointer model、PassLLM-style fine-tuning。贡献点是文化语境和 tokenizer。

选题 B：多源 side information 融合模型。
输入 PII + email + username + one or more old passwords + site policy，设计 missing-modality Transformer 或 mixture-of-experts。贡献点是统一条件模型，而不是单一 side information。

选题 C：面向防御的本地化 Targeted PSM。
把 TPG 模型压缩到客户端，用户 PII 不出本地，只输出风险等级和解释。贡献点是 privacy-preserving PSM、解释性提示和用户研究。

选题 D：RAG/kNN-enhanced personalized guessing。
在 KNNGuess 基础上扩展到 PII + old passwords + target-system context 的检索增强模型。贡献点是检索库设计、去污染评估和小预算排序。

选题 E：Targeted guessing benchmark。
整理公开/可合规使用数据，制定 user-disjoint split、site-disjoint split、budgeted online setting、multi-leak setting、PII-noise setting。贡献点是评估规范，容易成为后续论文引用的基础设施。

选题 F：LLM 在 TPG 中的失败模式分析。
系统比较 prompt-only、LoRA fine-tuning、char tokenizer、BPE tokenizer、copy mechanism、ranker reranking、distillation。重点不是“LLM 更强”，而是解释什么时候强、什么时候不如 RFGuess/PointerGuess。When Intelligence Fails 和 PASSLLM 可以作为正反两端的基线。(arXiv)

---

8. 建议阅读顺序

建议先读 TarGuess → Pass2Path → PassTrans/Pass2Edit → RFGuess → PassBERT → PointerGuess → PASSLLM → KNNGuess → Pass2Pass-T。
这条路径能覆盖从 PII、旧口令、神经生成、编辑模型、指针机制、LLM 到检索增强和多泄露建模的主线。然后再补 PII-PSM、Your Email Address Holds the Key、Universal NCM、Mask Password Guessing、MAYA，用来扩展到防御、邮箱上下文、站点自适应、partial information 和评估标准化。