Kann KI Passwörter knacken? Wie KI Passwortangriffe verändert

KI kann Passwörter nicht einfach „entschlüsseln“. Sie kann aber lernen, welche Passwörter Menschen wahrscheinlich wählen und welche Kandidaten ein Angreifer deshalb zuerst ausprobieren sollte.

Genau darin liegt der Unterschied zu einem reinen Brute-Force-Angriff. Statt jede mögliche Zeichenkombination gleichberechtigt zu testen, können spezialisierte Modelle aus großen Passwortleaks lernen, welche Wörter, Zahlen, Zeichenfolgen und Veränderungen besonders häufig vorkommen.

Für ein wirklich zufälliges, langes und für jeden Dienst einzigartiges Passwort bleibt der Suchraum dadurch riesig. Für menschlich gebaute Passwörter, wiederverwendete Grundmuster oder leicht veränderte Varianten kann die Reihenfolge der Versuche dagegen einen großen Unterschied machen.

Dieser Beitrag erklärt, wie Passwortangriffe technisch funktionieren, was KI dabei tatsächlich verbessert, was Studien wie PassGPT und Pass2Edit zeigen und welche Schutzmaßnahmen heute sinnvoll sind.

Die wichtigste Unterscheidung: bekanntes Passwort oder unbekanntes Passwort?

Nicht jeder erfolgreiche Kontoangriff muss ein Passwort erraten.

Wenn ein Passwort bereits in einem Datenleck zusammen mit einer E-Mail-Adresse oder einem Benutzernamen veröffentlicht wurde und dieselben Zugangsdaten bei einem anderen Dienst verwendet werden, kann ein Angreifer diese Kombination dort einfach ausprobieren.

Dieser Angriff wird häufig Credential Stuffing genannt.

Datenleck bei Dienst A
        |
        v
E-Mail + bekanntes Passwort
        |
        v
Anmeldung bei Dienst B
        |
        v
gleiches Passwort?
        |
      ja/nein

Hier spielt KI keine notwendige Rolle. Das Problem entsteht durch Passwort-Wiederverwendung.

Deshalb gehört die Regel „für jeden Dienst ein eigenes Passwort“ weiterhin zu den wichtigsten Schutzmaßnahmen überhaupt.

Was passiert, wenn nur ein Passwort-Hash gestohlen wurde?

Seriöse Dienste sollten Passwörter nicht im Klartext speichern. Stattdessen wird aus dem Passwort mit einer dafür geeigneten Passwort-Hashfunktion ein abgeleiteter Wert erzeugt.

Bei der Anmeldung wird das eingegebene Passwort erneut mit demselben Verfahren verarbeitet. Stimmen die Ergebnisse überein, war die Eingabe korrekt.

Passwort
   |
   v
Passwort-Hashverfahren
   |
   v
gespeicherter Prüfwert

Wird eine Datenbank mit solchen Werten gestohlen, lässt sich der Hash normalerweise nicht einfach rückwärts in das ursprüngliche Passwort verwandeln. Ein Angreifer kann aber mögliche Passwörter ausprobieren, daraus selbst die entsprechenden Prüfwerte berechnen und vergleichen.

Der entscheidende Punkt ist, dass dieser Angriff offline stattfinden kann. Die eigentliche Webseite wird für jeden einzelnen Versuch nicht mehr benötigt.

Online-Angriff und Offline-Angriff sind zwei verschiedene Probleme

Bei einem Online-Angriff versucht jemand Passwörter direkt an einem Login. Der Anbieter kann solche Versuche begrenzen, verzögern oder nach auffälligem Verhalten zusätzliche Prüfungen verlangen.

Bei einem Offline-Angriff besitzt der Angreifer dagegen bereits die für den Vergleich notwendigen Passwort-Hashes. Die Zahl der Versuche wird dann vor allem durch verfügbare Rechenleistung und die verwendete Passwort-Hashfunktion begrenzt.

Angriff	Wo werden Versuche getestet?	Typische Begrenzung
Online	am echten Anmeldedienst	Rate Limits, Sperren, zusätzliche Authentifizierung
Offline	auf eigener Hardware des Angreifers	Hash-Verfahren, Hardware, Anzahl der Kandidaten

Viele Forschungsarbeiten zu KI-basiertem Password Guessing betrachten genau diesen Offline-Fall.

Was ist Brute Force?

Die einfachste Strategie besteht darin, mögliche Zeichenkombinationen systematisch durchzugehen.

Bei einem wirklich zufälligen Passwort ist der große Suchraum genau das, was Schutz erzeugt. Jedes zusätzliche zufällige Zeichen erhöht die Zahl der möglichen Kombinationen erheblich.

Menschen wählen Passwörter allerdings selten vollkommen zufällig.

Wörter, Namen, Jahreszahlen, Tastaturmuster und typische Ersetzungen kommen wesentlich häufiger vor als andere Zeichenfolgen. Deshalb waren reale Passwortangriffe schon lange vor modernen KI-Modellen intelligenter als reines Brute Force.

Passwortangriffe nutzen menschliche Muster schon seit Jahren

Klassische Passwort-Cracking-Strategien arbeiten unter anderem mit Wörterbüchern, bereits geleakten Passwörtern und Regeln für typische Veränderungen.

Aus einem bekannten Wort können beispielsweise Varianten mit einer Zahl, einem Großbuchstaben oder einem ausgetauschten Zeichen entstehen.

Das Ziel besteht darin, wahrscheinliche menschliche Passwörter vor sehr unwahrscheinlichen Zeichenfolgen zu testen.

Alle möglichen Passwörter
        |
        v
Wahrscheinlichkeit einschätzen
        |
        v
wahrscheinliche Kandidaten zuerst
        |
        v
unwahrscheinliche Kandidaten später

KI verändert damit nicht das Grundprinzip des Passwort-Ratens. Sie kann die Modellierung dieser Wahrscheinlichkeiten verbessern.

Was KI beim Passwortknacken tatsächlich verändert

Ein generatives Modell kann aus großen Mengen realer Passwörter lernen, welche Zeichen häufig aufeinander folgen und welche Strukturen Menschen bevorzugen.

Der einzelne Hash wird dadurch nicht automatisch schneller berechnet. Das Modell versucht vielmehr, innerhalb eines begrenzten Budgets mehr gute Kandidaten zu erzeugen.

Ein Vergleich mit einem Kartenspiel macht den Unterschied deutlich. Brute Force würde versuchen, jede mögliche Karte in einer festen Reihenfolge aufzudecken. Ein Wahrscheinlichkeitsmodell versucht vorherzusagen, welche Karten besonders wahrscheinlich die gesuchte sind, und testet diese zuerst.

Bei zufälligen Passwörtern hilft diese Priorisierung deutlich weniger. Bei menschlich erzeugten Passwörtern kann sie dagegen große Teile des Suchraums überspringen.

PassGPT: ein Sprachmodell für Passwörter

PassGPT ist ein Forschungsmodell auf Basis einer GPT-Architektur, das speziell auf Passwortleaks trainiert wurde. Das Modell betrachtet Passwörter als Zeichenfolgen und lernt Wahrscheinlichkeiten dafür, welches Zeichen wahrscheinlich als nächstes folgt.

Die Forscher trainierten das Modell unter anderem mit Daten aus dem bekannten RockYou-Leak und testeten es anschließend auf Passwörtern, die nicht im Trainingssplit enthalten waren.

In diesem Versuchsaufbau erreichte PassGPT bei 100 Millionen generierten Kandidaten eine Trefferquote von 19,37 Prozent im RockYou-Testsplit. Eine verbesserte Variante des älteren PassGAN-Ansatzes lag bei 9,51 Prozent.

Bei einer Milliarde Kandidaten erreichte PassGPT 41,86 Prozent. Die verbesserte PassGAN-Variante lag bei 23,33 Prozent.

Anzahl Kandidaten	PassGPT	verbessertes PassGAN
100 Millionen	19,37 %	9,51 %
1 Milliarde	41,86 %	23,33 %

Die Zahlen stammen aus einem spezifischen Forschungsaufbau mit RockYou-Passwörtern von höchstens zehn Zeichen und lassen sich nicht einfach auf beliebige moderne Nutzerkonten übertragen.

Die Aussage der Studie ist trotzdem deutlich. Ein Sprachmodell kann die Verteilung menschlicher Passwörter so gut modellieren, dass innerhalb derselben Größenordnung von Versuchen mehr zuvor ungesehene Passwörter getroffen werden.

Die Arbeit ist unter PassGPT: Password Modeling and (Guided) Generation with Large Language Models veröffentlicht.

KI macht den einzelnen Versuch nicht automatisch schneller

Die PassGPT-Ergebnisse werden leicht missverstanden.

Wenn ein Passwort mit einer langsamen, speicherintensiven Passwort-Hashfunktion geschützt ist, muss jeder getestete Kandidat weiterhin durch dieses Verfahren verarbeitet werden. Das KI-Modell entfernt diese Kosten nicht.

KI-Modell
   |
   v
wahrscheinlicher Passwortkandidat
   |
   v
Passwort-Hashverfahren
   |
   v
Vergleich mit gestohlenem Prüfwert

Der Vorteil entsteht vorher. Das Modell versucht, die Treffer mit möglichst wenigen Kandidaten zu finden.

Für die Verteidigung sind deshalb beide Ebenen relevant: Das Passwort sollte schwer vorherzusagen sein und der Dienst sollte Passwörter mit einem geeigneten langsamen Verfahren speichern.

Passwort-Wiederverwendung ist nicht nur „exakt dasselbe Passwort“

Viele Menschen wissen inzwischen, dass sie dasselbe Passwort nicht bei jedem Dienst verwenden sollten. Statt vollkommen unabhängige Passwörter zu erstellen, verändern sie jedoch häufig ein gemeinsames Grundmuster.

Aus einem Grundwort werden dann Varianten mit einem anderen Jahr, einer zusätzlichen Zahl, dem Namen des Dienstes oder einer leicht veränderten Zeichenfolge.

Für den Nutzer sehen diese Passwörter unterschiedlich aus. Für ein Modell können die zugrunde liegenden Änderungen trotzdem vorhersehbar sein.

Pass2Edit: Wie gut lassen sich veränderte Passwörter erraten?

Pass2Edit untersucht genau diese Form der indirekten Passwort-Wiederverwendung.

Im Forschungsaufbau kennt der Angreifer bereits ein Passwort einer Person von Dienst A. Das Modell versucht daraus ein anderes Passwort derselben Person bei Dienst B abzuleiten, wobei beide Passwörter ausdrücklich nicht identisch sind.

Innerhalb von nur 100 Versuchen erreichte Pass2Edit bei als normale Nutzer eingestuften Personen eine Erfolgsquote von 24,2 Prozent. Bei sicherheitsbewussteren Nutzern waren es 11,7 Prozent.

Bekanntes Ausgangspasswort	Maximale Versuche	Trefferquote
Passwort derselben Person bei anderem Dienst	100	24,2 % bei normalen Nutzern
Passwort derselben Person bei anderem Dienst	100	11,7 % bei sicherheitsbewussten Nutzern

Auch diese Werte gelten nur für die untersuchten Datensätze und den konkreten Versuchsaufbau. Sie zeigen aber, warum ein persönliches Passwortschema deutlich weniger Schutz bietet als wirklich unabhängige Passwörter.

Die Studie wurde beim USENIX Security Symposium veröffentlicht und ist unter Pass2Edit: A Multi-Step Generative Model for Guessing Edited Passwords verfügbar.

Warum Datenlecks solche Modelle überhaupt ermöglichen

Modelle wie PassGPT benötigen Daten, aus denen sie menschliche Passwortmuster lernen können. Genau davon existieren inzwischen enorme Mengen.

Have I Been Pwned listet aktuell mehr als tausend dokumentierte kompromittierte Websites beziehungsweise Datenbestände und rund 17,8 Milliarden betroffene Adressdatensätze. Die separate Datenbank Pwned Passwords enthält hunderte Millionen Passwörter, die bereits in bekannten Leaks aufgetaucht sind.

Diese Daten werden auch defensiv genutzt. Dienste können beispielsweise prüfen, ob ein neu gewähltes Passwort bereits aus einem Leak bekannt ist.

Pwned Passwords stellt dafür einen eigenen Dienst und eine Schnittstelle bereit.

Warum „Passwort123!“ trotz Sonderzeichen kein gutes Passwort ist

Ein Passwort kann formale Komplexitätsregeln erfüllen und trotzdem sehr vorhersehbar sein.

Großbuchstaben am Anfang, Zahlen am Ende oder typische Ersetzungen wie ein Sonderzeichen anstelle eines Buchstabens gehören genau zu den Mustern, die klassische Regeln und statistische Modelle bevorzugt berücksichtigen können.

Deshalb hat sich auch die offizielle Passwortempfehlung verändert. NIST verlangt bei allein als Authentifizierungsfaktor verwendeten Passwörtern inzwischen mindestens 15 Zeichen und untersagt zusätzliche starre Zusammensetzungsregeln wie die verpflichtende Mischung aus Großbuchstaben, Kleinbuchstaben, Zahlen und Sonderzeichen.

Stattdessen müssen Dienste neu gewählte Passwörter gegen Listen mit häufig verwendeten, erwartbaren oder bereits kompromittierten Werten prüfen.

Die aktuellen Anforderungen stehen in NIST Special Publication 800-63B.

Warum die Passwortspeicherung des Dienstes entscheidend bleibt

Ein starkes Passwort hilft nur auf der Nutzerebene. Wie teuer ein Offline-Angriff tatsächlich wird, hängt zusätzlich davon ab, wie der jeweilige Dienst Passwörter speichert.

Schnelle allgemeine Hashfunktionen sind für Passwortspeicherung ungeeignet, weil ein Angreifer damit sehr viele Kandidaten in kurzer Zeit testen kann.

Spezielle Passwort-Hashfunktionen sind absichtlich teuer. Sie benötigen Rechenzeit und je nach Verfahren erheblichen Arbeitsspeicher.

OWASP empfiehlt für neue Systeme Argon2id und nennt aktuell als Mindestkonfiguration unter anderem 19 MiB Speicher bei zwei Iterationen und einem Parallelitätsgrad von eins. Wenn Argon2id nicht verfügbar ist, nennt OWASP unter anderem scrypt als Alternative.

Die aktuellen Empfehlungen stehen im OWASP Password Storage Cheat Sheet.

Was ein Salt verändert

Moderne Passwort-Hashverfahren verwenden zusätzlich einen zufälligen Salt pro Passwort.

Dadurch erzeugen zwei identische Passwörter nicht automatisch denselben gespeicherten Wert. Vorgefertigte Tabellen mit bereits berechneten Hashes verlieren damit einen großen Teil ihres Nutzens.

Passwort + zufälliger Salt
          |
          v
Passwort-Hashfunktion
          |
          v
individueller Prüfwert

Ein Salt macht ein schwaches Passwort allerdings nicht stark. Wenn ein Angreifer einen Kandidaten testen möchte und Salt sowie Hash bekannt sind, kann er weiterhin den entsprechenden Prüfwert berechnen. Der Aufwand fällt nur für jeden Datensatz separat an.

Was schützt gegen KI-basiertes Password Guessing?

Die effektivste Gegenmaßnahme besteht darin, möglichst wenig menschliches Muster für das Modell übrig zu lassen.

Für jeden Dienst ein unabhängiges Passwort

Ein Passwort, das nirgendwo sonst verwendet wird, verhindert, dass ein Datenleck bei einem Dienst direkt zum Zugang bei einem anderen Dienst wird.

Es verhindert außerdem persönliche Variantenangriffe wie bei Pass2Edit, wenn es wirklich unabhängig erzeugt wurde und nicht nur ein bekanntes Grundmuster leicht verändert.

Passwortmanager für zufällige Passwörter verwenden

Ein Passwortmanager kann für jeden Dienst ein langes zufälliges Passwort erzeugen und speichern.

Ein solches Passwort muss nicht merkbar sein. Genau deshalb kann es deutlich weniger menschliche Struktur enthalten als ein selbst erstelltes Passwort.

Dienst A -> zufälliges Passwort A
Dien​st B -> zufälliges Passwort B
Dien​st C -> zufälliges Passwort C

keine gemeinsame Vorlage

Für merkbare Passwörter echte zufällige Passphrasen verwenden

Wenn ein Passwort tatsächlich im Kopf behalten werden muss, kann eine aus zufällig ausgewählten Wörtern erzeugte Passphrase eine sinnvolle Lösung sein.

Entscheidend ist dabei die Zufallsauswahl. Eine bekannte Textstelle, ein Zitat oder mehrere Wörter, die eine Person selbst passend zusammensetzt, können wieder menschliche Muster enthalten.

Mehrfaktor-Authentifizierung aktivieren

Ein zweiter Faktor kann verhindern, dass ein erratenes oder geleaktes Passwort allein für eine erfolgreiche Anmeldung ausreicht.

Die genaue Schutzwirkung hängt allerdings vom verwendeten Verfahren ab. Nicht alle zweiten Faktoren sind gleich widerstandsfähig gegen Phishing.

Passkeys umgehen viele klassische Passwortprobleme

Wo ein Dienst Passkeys anbietet, kann das klassische Passwort vollständig ersetzt werden.

Passkeys verwenden asymmetrische Kryptografie. Für einen Dienst wird ein eigenes kryptografisches Schlüsselpaar verwendet. Der Dienst speichert den öffentlichen Schlüssel, während der geheime Schlüssel auf dem Gerät beziehungsweise im Passkey-System des Nutzers bleibt.

Gerät des Nutzers
privater Schlüssel
        |
        | kryptografische Antwort
        v
Dienst
öffentlicher Schlüssel

Es gibt dadurch kein gemeinsames Passwortgeheimnis, das der Anbieter speichern und bei einem klassischen Passwort-Datenleck verlieren könnte.

Passkeys sind außerdem an den jeweiligen Dienst gebunden. Ein Passkey für einen Dienst kann nicht einfach bei einem anderen Dienst ausprobiert werden. Die FIDO Alliance beschreibt Passkeys deshalb als phishing-resistent und garantiert eindeutig pro App, Website oder Dienst.

Weitere technische Informationen bietet die FIDO Alliance.

Passwortmanager oder Passkey?

Beide Ansätze lösen unterschiedliche Teile des Problems.

Eigenschaft	Zufälliges Passwort im Passwortmanager	Passkey
Einzigartig pro Dienst	ja, wenn korrekt verwendet	ja, technisch vorgesehen
Menschliches Passwortmuster	nein, bei zufälliger Erzeugung	kein klassisches Passwort
Credential Stuffing	praktisch verhindert bei einzigartigen Passwörtern	entfällt
Phishing-resistent	nicht grundsätzlich	ja
Unterstützung	nahezu überall	noch nicht bei jedem Dienst

Solange Passkeys nicht überall verfügbar sind, bleiben zufällige, einzigartige Passwörter aus einem Passwortmanager eine wichtige Lösung.

Kann KI ein wirklich zufälliges Passwort trotzdem erraten?

Grundsätzlich kann auch ein zufälliges Passwort durch einen glücklichen Treffer geraten werden. Ein KI-Modell besitzt aber keinen magischen Weg, echte Zufälligkeit vorherzusagen.

Wenn jedes Passwort unabhängig und zufällig aus einem ausreichend großen Suchraum erzeugt wird, gibt es kein persönliches Schema und keine gelernte menschliche Struktur, die das Modell gezielt ausnutzen kann.

Dann nähert sich das Problem wieder stärker dem großen Suchraum an, den Passwortsicherheit eigentlich erzeugen soll.

Warum längere Passwörter weiterhin wichtig sind

Länge allein macht ein Passwort nicht automatisch sicher. Eine sehr lange, aber bekannte Phrase kann weiterhin schnell geraten werden.

Bei zufälligen Passwörtern erhöht jedes zusätzliche Zeichen dagegen den Suchraum. Deshalb ist die Kombination aus Länge, Zufälligkeit und Einzigartigkeit entscheidender als ein kompliziert aussehendes menschliches Muster.

Das aktuelle NIST-Regelwerk setzt für allein verwendete Passwörter deshalb eine Mindestlänge von 15 Zeichen fest und verzichtet gleichzeitig auf starre Zeichenklassenregeln.

Was KI an Passwortangriffen wirklich verändert

KI hebt die Mathematik der Passwortsicherheit nicht auf.

Ein langsames Passwort-Hashverfahren bleibt langsam. Ein zufälliges Passwort bleibt schwer vorherzusagen. Ein unabhängiges Passwort liefert keine offensichtliche Vorlage für das nächste Konto.

KI verbessert vor allem die Priorisierung.

Früher

Wörterbuch
+ Regeln
+ bekannte Muster
      |
      v
Passwortkandidaten


Mit lernenden Modellen

große Passwortleaks
      |
      v
gelerntes Wahrscheinlichkeitsmodell
      |
      v
wahrscheinlichere Kandidaten zuerst

Je menschlicher ein Passwort aufgebaut ist, desto mehr Struktur kann ein Modell potenziell lernen.

Je zufälliger und unabhängiger das Passwort ist, desto weniger verwertbare Struktur bleibt.

Fazit

KI macht Passwortangriffe nicht dadurch gefährlicher, dass Computer plötzlich unendlich viele Versuche pro Sekunde schaffen. Der Vorteil liegt darin, bessere Kandidaten früher zu testen.

PassGPT zeigt, dass ein Transformer-Modell zuvor ungesehene menschliche Passwörter effizienter erzeugen kann als ältere generative Ansätze. Pass2Edit zeigt zusätzlich, dass auch kleine Änderungen eines bekannten persönlichen Passworts überraschend vorhersehbar sein können.

Die Gegenmaßnahmen bleiben deshalb erstaunlich bodenständig. Passwörter sollten lang, einzigartig und möglichst zufällig sein. Passwortmanager können diese Zufälligkeit für jeden Dienst erzeugen. Anbieter sollten moderne Passwort-Hashfunktionen verwenden und bekannte kompromittierte Passwörter blockieren.

Wo Passkeys verfügbar sind, verschwindet ein großer Teil des Problems vollständig, weil kein wiederverwendbares Passwortgeheimnis mehr zwischen Nutzer und Dienst existiert.

Die eigentliche Stärke eines Passworts liegt deshalb nicht darin, dass es kompliziert aussieht. Sie liegt darin, dass ein Angreifer möglichst wenig über seine Struktur vorhersagen kann.