基于制造技术

本发明专利技术提供一种基于

【技术实现步骤摘要】
基于AI和SaaS用户权限的云授权码生成方法


[0001]本专利技术涉及云计算和计算机软件领域，尤其涉及一种基于
AI
和
SaaS
用户权限的云授权码生成方法
。

技术介绍

[0002]云计算
(Cloud Computing)
的前身是网格计算
(Grid Computing)
，云计算集成了分布式计算
、
并行计算
、
虚拟化技术
、
网络存储等计算机技术，通过互联网和计算机软件将可计算资源整合
、
集成后提供给用户使用，用户不再需要随身携带大容量的存储器和超强的计算
CPU
，在云计算中心借助分布式和并行处理技术加工数据，用户通过接入云端的移动设备即可获取需要的计算服务；因此，云计算技术为用户提供了方便
、
快速
、
高效的计算服务
。
目前，云计算技术广泛地使用在各个领域，例如已经广泛使用的存储云
、
教育云
、
医疗云等
。
[0003]SaaS
是指软件即服务
(Software as a Service)
，它是云计算服务模式的一种，主要实现软件交付计算模式
。
计算机软件被服务商和开发者部署在云计算中心，用户通过云端使用自己需要的计算服务并支付一定的费用
。
这种服务模式是计算机软件技术的一次革命，使传统的计算机软件的安装
、
管理和维护统一到云计算中心，不再由用户来承担这项繁重的
、
专业的技术工作，而是交由专业的计算机团队来完成
。
云计算的服务模式为用户提供了极大的便利，在
SaaS
模式下，用户通过身份验证和许可管理，即可享受到所购买的计算服务，云服务提供商通过资源优化
、
能效管理来降低自身成本，开发者通过用户的反馈，直接在云计算中心的服务器端进行升级
、
维护
、
扩展等服务，不必再为每个客户的安装
、
调试而困扰
。
[0004]随着云计算和
SaaS
的快速发展，越来越多的企业和个人选择将其业务和应用程序部署到云平台上
。
在这种模式下，用户通过订阅服务来获得特定的功能和权限，以满足其业务需求
。
随着用户数量和业务复杂性的增加，管理和分配用户权限等级变得更加困难
。
传统的用户权限管理方法已经难以适应这种动态变化的需求，传统方法通常采用静态的权限分配方式，例如预先定义好的权限级别或角色，并将其分配给用户；然而，这种静态的权限管理方式可能无法灵活地适应用户需求的变化，例如，用户购买了在线软件的
A
国语言版，但是用户需要出差到
B
国，因此需要该软件的
B
国语言版实现报告的一部分
。
[0005]另外，传统的授权码生成方法也存在一些局限性，传统的授权码生成方法往往没有考虑到用户的权限级别，无法确保授权码与用户的权限相匹配
。
因此，为了提高用户权限管理的灵活性
、
便利性和安全性，以及生成与用户权限级别相匹配的授权码，本专利技术提出了一种基于
AI
和
SaaS
用户权限的云授权码生成方法
。
该方法通过利用用户信息构建特征矩阵，并运用线性回归模型和梯度下降等优化算法来估计用户权限级别的权重参数
。
通过预测和映射规则，将预测值映射为具体的权限等级，并将其更新到用户的权限设置中
。
[0006]传统的授权码产生过程一般采用单进程，这种方式难以适应云计算中多用户的并行和分布式的需求
。
此外，单一的授权码容易被破解，导致软件盗版
、
用户许可管理不当等
问题
。
为了解决这些问题，本专利技术利用
Chen
混沌系统生成混沌序列，并结合用户权限等级，生成随机且不可预测的授权码
。
授权码通常通过网络传输，授权码的传输过程中也存在一定的风险，容易受到黑客攻击或未经授权的访问
。
以未经授权访问为例，利用破解软件攻击授权码，很容易获取高级用户权限导致许可管理不当的问题
。
应用列举如下：例子1：某家企业使用
SaaS
提供的协作工具来管理团队项目和文档
。
不同的团队成员需要不同的权限级别来访问和编辑相关内容
。
根据团队成员的角色
、
历史操作记录等信息构建特征矩阵，并通过线性回归模型估计权重参数，预测和更新每个团队成员的权限级别
。
根据权限级别进而生成授权码，并采用
AES
加密技术进行保护，确保只有具有相应权限的用户可以访问相关内容
。
[0007]例子2：某电子商务
SaaS
平台上，不同的商家可以创建自己的在线商店并销售产品
。
根据商家的订阅信息
、
信誉度和购买能力等特征，系统可以自动分配适当的权限等级给每个商家
。
高级商家可能有更多的管理权限，例如设置促销活动
、
管理库存等；普通商家可能只能管理自己的产品和订单
。
通过自动化的权限分配，可以确保商家在平台上的操作符合其业务需求和权限
。
[0008]例子3：用户购买了某在线文档协作平台的高级套餐，担任编辑者角色
。
平台根据用户的订阅信息
、
用户角色信息和购买能力，将其特征矩阵输入线性回归模型进行预测，得出适当的权限等级为编辑权限
。
然后，结合
Chen
混沌系统生成的混沌序列，生成一个随机的授权码
。
在用户登录平台时，系统会要求输入授权码
。
用户将加密的授权码输入系统，系统通过
AES
解密授权码并验证其有效性
。
如果授权码有效且权限等级与用户的角色匹配，用户将获得编辑权限，可以进行文档编辑操作
。
[0009]综上所述，本专利技术提出的基于
AI
和
SaaS
用户权限的云授权码生成方法为
SaaS
服务提供商和用户提供了一种更灵活
、
安全且可管理的用户权限管理方案，提升了用户体验和系统安全性
。

技术实现思路

[0010]（一）要解决的技术问题本专利技术要解决的技术问题概述如下：第一技术问题：传统的手动权限分配和静态分配方式难以适应云计算需求的快速发展在
SaaS
平台上，传统的手动权限分配方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
AI
和
SaaS
用户权限的云授权码生成方法，其特征在于：
Part_1
，通过
AI
大数据分析，提取云用户信息作为特征，构建特征矩阵，使用线性回归模型来拟合特征矩阵和已知权限等级之间的关系，由权限等级获取目标变量；
Part_2
，使用已知权限等级的训练样本和对应的特征矩阵，通过最小化均方误差损失函数来确定权重参数的估计值；根据更新后的权重参数，使用特征矩阵预测对应的权限等级；根据预测值和预先设定的阈值映射规则，将预测值映射到具体的权限等级；
Part_3
，使用
Chen
混沌系统生成混沌序列，并结合大数据分析的用户权限等级生成授权码，采用加密算法分发授权码；基于
AI
和
SaaS
用户权限的云授权码生成方法的数据结构定义和基本过程定义如下：
Struct_01
：集合的定义
Collection_DataStruct={cds_1, cds_2,
ꢀ…
, cds_index
cds
,
ꢀ…
, cds_LenCollDS
cds
}cds_1
是集合
Collection_DataStruct
的第1个元素，
cds_index
cds
是集合
Collection_DataStruct
的第
index
cds
个元素，
cds_LenCollDS
cds
是集合
Collection_DataStruct
的最后1个元素，
LenCollDS
cds
代表集合
Collection_DataStruct
的元素总和；
Struct_02
：矩阵的定义
Matrix_DataStruct
mds_row*mds_colu
={mds(cds1_1, cds2_1),
…
, mds(cds1_1, cds2_LenCollDS
cds2
)
；
mds(cds1_2, cds2_1),
…
, mds(cds1_2, cds2_LenCollDS
cds2
)
；
…
；
mds(cds1_LenCollDS
cds1
, cds2_1),
…
, mds(cds1_LenCollDS
cds1
, cds2_LenCollDS
cds2
)}mds_row
代表矩阵
Matrix_DataStruct
的行数，
mds_colu
代表矩阵
Matrix_DataStruct
的列数，
cds1_1
代表集合
cds1的第1个元素，
cds2_1
代表集合
cds2的第1个元素，
cds1_LenCollDS
cds1
代表集合
cds1的最后一个元素，
cds2_LenCollDS
cds2
代表集合
cds2的最后一个元素；
Matrix_DataStruct(Collection_DataStruct1, Collection_DataStruct2)
代表矩阵
Matrix_DataStruct
的行变量取自集合
Collection_DataStruct1的元素，列变量取自集合
Collection_DataStruct2的元素；
Struct_03
：云用户大数据分析矩阵
Matrix_SubscriptionMatrix_Subscription(User_DataStruct, Cloud_DataStruct)
代表矩阵
Matrix_Subscription
的行变量取自集合
User_DataStruct
的元素，
User_DataStruct
代表云用户信息集合，列变量取自集合
Cloud_DataStruct
的元素，代表大数据分析集合；
Struct_04
：权限等级矩阵
Matrix_ReputationMatrix_Reputation(ValRow_MR, Execute_DataStruct)
代表矩阵
Matrix_Reputation
的行变量取自集合
ValRow_MR
的元素，代表提取的权限项的集合，列变量取自集合
Execute_DataStruct
的元素，代表执行目标权限的集合；
Struct_05
：权重参数矩阵
Matrix_PurchPowerMatrix_PurchPower(ValRow_MPP, PPower_DataStruct)
代表矩阵
Matrix_PurchPower
的行变量取自集合
ValRow_MPP
的元素，代表训练的权重参数集合，列变量取自集合
PPower_DataStruct
的元素，代表执行用户权限等级的权重参数集合；
Struct_06
：映射矩阵
Matrix_RoleMatrix_Role(Source_Role, Destination_Role)
代表矩阵
Matrix_Role
的行变量取自集合
Source_Role
的元素，代表执行映射的源集合；列变量取自集合
Destination_Role
的元素，代表执行映射的目标集合；
Struct_07
：云数据中心数据库表
Tab_User
，用于存储用户的信息，包含以下字段：
item_1、UserID
：用户
ID
，唯一标识符，整数类型
item_2、Username
：用户名，用于登录和鉴别用户，字符串类型
item_3、Password
：用户密码，用于验证合法用户身份，字符串类型
item_4、Email
：用户电子邮件，用于联系和通讯，字符串类型
item_5、Age
：用户年龄，表示用户的年龄信息，整数类型
item_6、SubscriptionSet
：用户的特征信息，描述用户的服务或产品，字符串类型
item_7、CreditScore
：用户的信誉度，表示用户的信用水平，数值类型
item_8、BuyingPower
：用户的消费能力，表示用户的云计算服务需求，数值类型
item_9、UserRole
：用户的角色信息，描述用户在系统中扮演的角色，字符串类型
item_10、AccessLevel
：用户的权限等级，描述用户在系统中当前的权限等级，整数类型
item_11、AccessLevel_predicted
：预测的权限等级，根据模型预测的用户权限等级，字符串类型；
Struct_08
：云数据中心数据库表
Tab_PermissionLevel
，用于定义权限等级，包含以下字段：
item_1、LevelID
：权限等级
ID
，唯一标识符，整数类型
item_2、LevelName
：权限等级名称，用于标识权限等级，字符串类型
item_3、Description
：权限等级描述，对权限等级的详细描述，字符串类型；
Struct_09
：云数据中心数据库表
Tab_TrainingData
表，存储用于模型训练的数据集合，包含以下字段：
item_1、
特征集合
Feature={feat_1, feat_2,
…
, feat_LenColl
Feature
}
，特征集合的元素代表用户的特征信息，
LenColl
Feature
代表集合
Feature
的元素总数，字符串类型
item_2、PermissionLevel
：对应的权限等级，表示训练数据的目标输出，与
Tab_PermissionLevel
表中的
LevelID
关联，整数类型；
Struct_10
：云数据中心数据库表
Tab_ModelParameters
表，用于存储训练好的模型的参数，包含以下字段：
item_1、ParameterName
：模型参数的名称，用于标识不同的模型参数，字符串类型
item_2、ParameterValue
：模型参数的值，表示训练好的模型的参数数值，字符串类型；
Struct_11
：授权码定义如下：
item_1、
授权码的位数：
32
字节
item_2、
授权码的码制：采用
Base64
的编码
item_3、
授权码的组成：由
Base64
编码生成的字符组成，包含大写字母
、
小写字母
、
数字
和特殊字符，特殊字符由系统定义
item_4、
授权码的显示方式：由可打印字符构成的字符串组成的文本形式数据结构定义结束；基本过程定义如下：
Function_1
：向量
、
矩阵的转置操作
(Val_NumF1)
T
代表对变量
Val_NumF1
进行转置操作；
Function_2
：计算变量的平方
、
矩阵的乘
(Val_NumF2)2代表求变量
Val_NumF2
的平方
、
矩阵的乘；
Function_3
：求和函数
sumsum(Val_NumF3)
代表求变量
Val_NumF3
的和，
Val_NumF3
代表集合
、
向量
、
矩阵的行或者列；
Function_4
：定义均方误差损失函数，使用均方误差
(MeanSquaredError
，
MSE)
作为损失函数
Loss_MSE
，衡量预测值与目标值之间的差异：
Loss_MSE=(1/(2*Len_NumSample))*sum(Val_set_1
‑
Val_set_2)
²
Len_NumSample
是样本数量，
Val_set_1
代表预测权限等级的向量集合，
Val_set_2
代表权限等级向量集合；
Function_5
：通过梯度下降算法迭代更新权重参数，计算过程定义如下：
∂
Loss_MSE/
∂
Set1_F10=(2/Len_NumSample)*Matrix_T
T
*(Val_set_1
‑
Val_set_2)Set1_F10
是权重参数，
∂
Loss_MSE/
∂
Set1_F10
是损失函数
Loss_MSE
对权重参数
Set1_F10
的偏导数，
Matrix_T
表示特征矩阵变量，
Matrix_T
T
表示对矩阵
Matrix_T
的转置；根据梯度下降算法的更新规则，计算更新权重参数
Set1_F10_new
：
Set1_F10_new=Set1_F10
‑
learning_rate*
∂
Loss_MSE/
∂
Set1_F10learning_rate
是学习率，控制参数更新的步长；
Function_6
：定义映射规则，规则如下：对于给定的预测值
AccessLevel_predicted
，根据预先设定的阈值和映射规则将其映射到具体的权限等级；定义阈值集合
SetColl_ValueRP={setv_1, setv_2,
ꢀ…
, setv_index
setval
,
ꢀ…
, setv_LenColl
setval
}index
setval
代表集合的第
index
setval
个元素，
LenColl
setval
代表
SetColl_ValueRP
元素的总和；集合元素满足条件：
setv_1<setv_2<
…
<setv_index
setval <
ꢀ…ꢀ
<setv_LenColl
setval
如果
AccessLevel_predicted<=setv_1
，则分配权限等级1；如果
setv_1<AccessLevel_predicted<=setv_2
，则分配权限等级2；以此类推，直到最后一个区间
...

【专利技术属性】
技术研发人员：刘嘉辉，曲芮瑶，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：