【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 ...
【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
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。