基于AI和SaaS用户权限的云授权码生成方法

本发明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。

背景技术：

1、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。

2、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。

3、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。

4、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，本发明提出了一种基于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。

5、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，本发明利用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：

6、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。

7、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。

8、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。

9、综上所述，本发明提出的基于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

1、（一）要解决的技术问题

2、本发明要解决的技术问题概述如下：

3、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

4、在saas平台上，传统的手动权限分配方法效率低下且容易出错，随着用户数量和业务复杂性增加，管理和分配用户权限等级变得更加困难。本发明通过构建特征矩阵和使用线性回归模型，利用用户信息预测合适的权限等级，并自动分配给用户权限，通过优化权重参数和映射规则，可以实现自动化的权限管理，减小手动操作错误和静态管理的不足。

5、第二技术问题：单一权限模型已经难以适应并行计算和分布式多用户需求

6、在saas平台上，传统的单一权限模型在适应动态变化的需求方面存在挑战，单一权限模型无法灵活地适应云计算中用户多样化需求的变化。本发明通过ai预测和映射规则，根据用户特征信息，将预测值映射为具体的权限等级，并将云用户需求的变化更新到用户的权限设置中，云服务提供商可以根据数据分析实现动态权限管理，根据用户需求的变化自动调整权限级别，提高用户体验和系统灵活性。

7、第三技术问题：传统授权码已经难以适应云计算多样化需求

8、用户在saas平台中使用软件时，保护用户授权码的安全性和不可预测性至关重要，以防止未经授权的访问和滥用。本发明通过使用chen混沌系统生成混沌序列，并结合预测的用户权限等级，生成随机的、不可预测的授权码。采用加密技术对授权码进行传输，确保只有经过授权的用户才能获取和使用授权码。这样可以提高授权码的安全性，防止授权码的泄露和滥用，保护用户的信息安全。

9、（二）技术方案

10、为了解决上述技术问题，本发明提供了一种基于ai和saas用户权限的云授权码生成方法，具体包括以下步骤：

11、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；

12、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；

13、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，生成一个随机的、难以预测的授权码，采用加密算法分发授权码，确保授权码只能被授权的用户获取和使用。

14、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：

15、struct_01：集合的定义

16、collection_datastruct={cds_1, cds_2, …, cds_indexcds, …, cds_lencolldscds}

17、cds_1是集合collection_datastruct的第1个元素，cds_indexcds是集合collection_datastruct的第indexcds个元素，cds_lencolldscds是集合collection_datastruct的最后1个元素，lencolldscds代表集合collection_datastruct的元素总和。

18、struct_02：矩阵的定义

19、matrix_datastructmds_row*mds_colu={

20、mds(cds1_1, cds2_1),…, mds(cds1_1, cds2_lencolldscds2)；

21、mds(cds1_2, cds2_1),…, mds(cds1_2, cds2_lencolldscds2)；

22、…；

23、mds(cds1_lencolldscds1, cds2_1),…, mds(cds1_lencolldscds1, cds2_lencolldscds2)}

24、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_lencolldscds1代表集合cds1的最后一个元素，cds2_lencolldscds2代表集合cds2的最后一个元素；

25、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。

26、struct_03：云用户大数据分析矩阵matrix_subscription

27、matrix_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。

28、struct_04：权限等级矩阵matrix_reputation

29、matrix_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。

30、struct_05：权重参数矩阵matrix_purchpower

31、matrix_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。

32、struct_06：映射矩阵matrix_role

33、matrix_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。

34、struct_07：云数据中心数据库表tab_user，用于存储用户的信息，包括用户id、用户名、特征信息、信誉度、计算服务需求能力、角色等，包含以下字段：

35、item_1、userid：用户id，唯一标识符，整数类型

36、item_2、username：用户名，用于登录和鉴别用户，字符串类型

37、item_3、password：用户密码，用于验证合法用户身份，字符串类型

38、item_4、email：用户电子邮件，用于联系和通讯，字符串类型

39、item_5、age：用户年龄，整数类型

40、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

41、item_7、creditscore：用户的信誉度，表示用户的信用水平，数值类型

42、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

43、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

44、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

45、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。

46、struct_08：云数据中心数据库表tab_permissionlevel，用于定义不同的权限等级，包括权限等级id、权限等级名称、权限描述等字段，包含以下字段：

47、item_1、levelid：权限等级id，唯一标识符，整数类型

48、item_2、levelname：权限等级名称，用于标识权限等级，字符串类型

49、item_3、description：权限等级描述，对权限等级的详细描述，字符串类型。

50、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，包括特征矩阵的各个特征以及对应的权限等级，包含以下字段：

51、item_1、特征集合feature={feat_1, feat_2,…, feat_lencollfeature}，特征集合的各个元素表示用户的特征信息，lencollfeature代表集合feature的元素总数，字符串类型

52、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。

53、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，包括模型参数的名称、值等字段；包含以下字段：

54、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

55、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。

56、struct_11：授权码定义如下：

57、item_1、授权码的位数：32字节

58、item_2、授权码的码制：采用base64的编码方式

59、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，例如(、+、/、=、)等

60、item_4、授权码的显示方式：通常以文本形式呈现，由可打印字符组成的字符串；

61、数据结构定义结束。

62、基本过程定义如下：

63、function_1：向量、矩阵的转置操作

64、(val_numf1)t代表对变量val_numf1进行转置操作。

65、function_2：计算变量的平方、矩阵的乘

66、(val_numf2)2代表求变量val_numf2的平方、矩阵的乘。

67、function_3：求和函数sum

68、sum(val_numf3)代表求变量val_numf3的和，val_numf3代表集合、向量、矩阵的行或者列等。

69、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：

70、loss_mse=(1/(2*len_numsample))*sum(val_set_1-val_set_2)²

71、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。

72、function_5：使用梯度下降优化算法来迭代更新权重参数，计算过程定义如下：

73、∂loss_mse/∂set1_f10=(2/len_numsample)*matrix_tt*(val_set_1-val_set_2)

74、set1_f10代表权重参数，∂loss_mse/∂set1_f10是损失函数loss_mse对set1_f10的偏导数，matrix_t表示特征矩阵变量，matrix_tt表示对matrix_t的转置；

75、根据梯度下降算法的更新规则，按照以下方式更新权重参数set1_f10_new：

76、set1_f10_new=set1_f10-learning_rate*∂loss_mse/∂set1_f10

77、learning_rate是学习率，控制参数更新的步长。

78、function_6：定义映射规则，具体的规则描述如下：

79、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；

80、定义阈值集合setcoll_valuerp={setv_1, setv_2, …, setv_indexsetval, …,setv_lencollsetval}，indexsetval代表集合的第indexsetval个元素，lencollsetval代表集合setcoll_valuerp元素的总和；

81、集合元素满足条件：setv_1<setv_2<…<setv_indexsetval<…<setv_lencollsetval

82、如果accesslevel_predicted<=setv_1，则分配权限等级1；

83、如果setv_1<accesslevel_predicted<= setv_2，则分配权限等级2；

84、以此类推，直到最后一个区间setv_lencollsetval<accesslevel_predicted，则分配权限等级k+1代表最高权限。

85、function_7：定义chen混沌系统的方程由chen1_1，chen1_2，chen1_3组成

86、chen1_1：dx/dt=ctun_a*(y-x)

87、chen1_2：dy/dt=(ctun_c-ctun_a)*x-x*z+ctun_c*y

88、chen1_3：dz/dt=x*y-ctun_b*z

89、其中，dx/dt、dy/dt和dz/dt分别表示变量x、y和z随时间t的变化率，ctun_a、ctun_b和ctun_c为混沌系统的非线性系数，它们的具体值决定了混沌系统的行为和特性；x、y和z是混沌系统的状态变量，它们的值随着时间的推移而变化。

90、function_8：base64编码的基本步骤：

91、step_fun8_1，将待编码的数据划分为每组3个字节，24位；

92、step_fun8_2，将每组3个字节拆分为4个6位的片段；

93、step_fun8_3，将每个6位的片段转换为对应的base64字符；

94、step_fun8_4，如果数据长度不是3的倍数，需要进行填充操作；

95、step_fun8_4.1，如果剩余1个字节，填充2个=；

96、step_fun8_4.2，如果剩余2个字节，填充1个=；

97、step_fun8_5，将得到的base64字符连接起来，即为编码后的结果。

98、function_9：utf-8编码的基本步骤：

99、step_fun9_1，确定每个字符的unicode编码值；

100、step_fun9_2，根据编码值确定编码长度；

101、step_fun9_3，将编码值转换为二进制形式；

102、step_fun9_4，根据编码长度填充编码字节；

103、step_fun9_5，将编码字节序列合并。

104、function_10：线性回归模型的定义为：

105、权重参数集合set1_f10={s1f10_1, s1f10_2, …, s1f10_indexs1f10, …,s1f10_lencolldss1f10}

106、特征参数集合set2_f10={s2f10_1, s2f10_2, …, s2f10_indexs2f10, …,s2f10_lencolldss2f10}

107、value_linemode(set1_f10, set2_f10)=s1f10_1*s2f10_1 + s1f10_2*s2f10_2+ ... +s1f10_lencolldss1f10* s2f10_lencolldss2f10

108、value_linemode(set1_f10, set2_f10)计算预测或者期望的数值变量。

109、function_11：值函数的bellman方程定义为：

110、定义时间curt为当前时刻，nextt为下一个时刻；

111、目标期望回报集合set1_returnf11={s1f11_1, s1f11_2, …, s1f11_indexs1f11,…, s1f11_lencolldss1f11}

112、带折扣的回报集合set2_lossf11={s2f11_1, s2f11_2, …, s2f11_indexs2f11,…, s2f11_lencolldss2f11}

113、value_bellmannextt(set1_returnf11)=expect[set1_returnf11curt+lossfactor*set2_lossf11curt]

114、其中，value_bellmannextt(set1_returnf11)代表值函数的bellman方程在目标期望回报集合set1_returnf11的期望下一个时刻的回报值，expect表示获得变量的期望，lossfactor表示折扣因子；set1_returnf11curt表示目标期望回报集合set1_returnf11的当前计算的回报值，set2_lossf11curt表示带折扣的回报集合set2_lossf11的当前计算值；

115、基本过程定义结束。

116、以下对本发明做进一步阐述，part_1的具体过程描述如下：

117、本模块的主要功能为：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；

118、首先，建立大数据模型，提取云计算中心用户基本特征，数据来自表tab_user，其中，userid、username、email、age、creditscore、buyingpower存储在用户基本信息集合setuser_baseinfo中，每个用户的subscriptionset特征存储在用户个人特征集合setuser_feature中，userrole、accesslevel、accesslevel_predicted存储在用户个人权限集合setuser_role集合中；定义和初始化云用户大数据分析矩阵matrix_subscription，以及matrix_reputation、matrix_purchpower、matrix_role；训练样本数据，数据来自表tab_permissionlevel中的levelid、levelname和description，并更新matrix_reputation；通过云数据中心数据库表tab_trainingdata表更新特征集合feature和permissionlevel；将训练后的数据存储于表tab_modelparameters中，并对parametername和parametervalue进行初始化和设置默认值。

119、然后，将获得矩阵作为线性回归模型的输入特征变量，根据saas平台特征，初始化权重参数建立模型来预测用户的权限等级；初始化特征参数集合set2_f10，计算value_linemode(set1_f10, set2_f10)，利用线性回归模型来拟合特征矩阵与已知权限等级之间的关系，并将该权限等级更新到tab_user表的accesslevel_predicted字段中；

120、part_1描述完毕。

121、基于ai和saas用户权限的云授权码生成方法的part_2的具体过程描述如下：

122、基本过程为：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。

123、在拟合过程中加入均方误差损失函数来优化模型的拟合效果，过程part2_process1如下：

124、调用均方误差损失函数，根据预测值向量和实际权限等级向量，计算均方误差损失函数，返回计算得到的损失函数值loss_mse=(1/(2*len_numsample))*sum(val_set_1-val_set_2)²，通过最小化均方误差损失函数来确定权重参数的估计值，根据梯度下降算法的更新规则，更新权重参数，具体为：

125、∂loss_mse/∂set1_f10=(2/len_numsample)*matrix_tt*(val_set_1-val_set_2)

126、更新权重参数set1_f10_new：

127、set1_f10_new=set1_f10-learning_rate*∂loss_mse/∂set1_f10

128、重复执行part2_process1过程，直到达到最大迭代次数或损失函数变化达到限定值时停止。

129、这样做的目的是：通过迭代更新权重参数，模型会逐渐拟合训练数据，使预测值与真实权限等级尽可能接近；最终，获得的权重参数即为使损失函数最小化的最优参数，使模型具有较好的预测能力。

130、确定权限等级的范围rangepower，rangepower在[lowvalue, uppervalue]中取值，表示不同的权限级别，其中lowvalue表示最低权限，uppervalue表示最高权限等级。设定一系列阈值，将预测值accesslevel_predicted划分为不同的区间，每个区间对应一个权限等级；

131、设定阈值集合setcoll_valuerp={setv_1, setv_2, …, setv_indexsetval,…,setv_lencollsetval}

132、满足条件：setv_1<setv_2<…<setv_indexsetval<…<setv_lencollsetval

133、通过value_bellman的bellman方程计算目标期望回报集合set1_returnf11的期望下一个时刻的回报值：

134、value_bellmannextt(set1_returnf11)=expect[set1_returnf11curt+lossfactor*set2_lossf11curt]

135、对于给定的预测值accesslevel_predicted，根据预先设定的阈值和映射规则，通过matrix_role将其映射到具体的权限等级；经过上述步骤，使用训练好的模型参数，将新的特征矩阵作为输入，通过模型预测得到对应的权限等级；

136、part_2具体过程描述完毕。

137、基于ai和saas用户权限的云授权码生成方法的part_3的具体过程描述如下：

138、基本过程为：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，生成一个随机的、难以预测的授权码，采用加密算法分发授权码，确保授权码只能被授权的用户获取和使用。具体为：

139、saas平台将根据part_2中生成的用户权限等级，使用chen混沌系统生成混沌序列，生成授权码；使用chen混沌系统生成混沌序列具体步骤为：

140、定义chen混沌系统的方程chen1，使用数值积分euler方法对混沌系统的方程进行数值积分。通过迭代计算，可以得到一系列离散的状态值；对于每一次迭代，计算下一时刻的状态变量值：

141、x(n+1)=x(n)+(ctun_a*(y(n)-x(n)))*t_s

142、y(n+1)=y(n)+((ctun_c-ctun_a)*x(n)-x(n)*z(n)+ctun_c*y(n))*t_s

143、z(n+1)=z(n)+(x(n)*y(n)-ctun_b*z(n))*t_s

144、其中，n表示当前迭代的次数，x(n)、y(n)和z(n)表示当前时刻的状态变量值，x(n+1)、y(n+1)和z(n+1)表示下一时刻的状态变量值，t_s表示时间步长；从数值积分的结果中选择特定的状态变量，并将其作为混沌序列的元素。

145、结合用户授权等级生成授权码，具体步骤描述为part3_chen：

146、从chen混沌序列中选择前5个元素作为基础数据，与具体的用户权限等级进行拼接，形成一个字符串；将拼接后的字符串作为输入数据，对输入数据进行编码，使用utf-8编码将字符串转换为字节序列；初始化sha-256哈希算法，并创建一个sha-256哈希对象；将输入数据传递给sha-256哈希对象进行处理；使用特定的压缩函数和迭代计算，哈希对象对输入数据进行分块处理，并重复part3_chen过程，直到所有输入数据被处理完，生成一个256位（32字节）的二进制数据作为最终的哈希值；将生成的哈希值进行base64编码，以便生成最终的授权码；最终得到的即为基于chen混沌序列和用户权限等级生成的授权码。

147、采用加密算法保护授权码的传输过程中的安全性，确保授权码只能被授权的用户获取；具体步骤描述为：

148、初始化对称加密算法，生成一个随机的对称加密密钥；使用生成的加密密钥和加密算法，将授权码进行加密，将加密的授权码通过安全通信渠道传输给目标用户；在目标端，接收到加密的授权码后，使用相同的加密密钥和解密算法进行解密操作；对解密后的授权码进行验证，确保其有效性和完整性；

149、part_3具体过程描述完毕。

150、（三）有益效果

151、本发明的有益效果是：

152、第一、通过使用大量的用户数据和特征矩阵，结合梯度下降算法优化模型的拟合效果，利用人工智能技术解决了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问题。

153、在saas平台上，通过人工智能大数据分析，解决用户数量和业务复杂性增加、管理和分配用户权限等级变得更加困难的问题。本发明通过构建特征矩阵，利用用户信息预测合适的权限等级，并自动分配给用户，实现自动化的权限管理。

154、第二、利用大数据训练模型和权重参数矩阵，解决单一权限模型难以适应并行计算和分布式多用户需求的问题。

155、在saas平台上传统的单一权限模型无法灵活地适应云计算中用户多样化需求的变化。本发明通过ai预测，结合人工智能算法，更准确地预测和分配用户的权限等级，这有助于确保用户按照需要访问其所需的计算资源。

156、第三、采用chen混沌系统生成的混沌序列结合用户权限等级生成授权码，使授权码适应云计算多样化需求。

157、通过使用chen混沌系统生成混沌序列，并结合预测的用户权限等级生成授权码，采用加密技术对授权码进行传输，确保在传输和存储过程中的安全性。防止未授权的用户获取授权码，保护软件和计算服务的合法使用。