买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江葫芦娃网络集团有限公司申请的专利云环境智能身份认证跨域对接方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120729571B 。

龙图腾网通过国家知识产权局官网在2026-04-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510833699.8，技术领域涉及：H04L9/40；该发明授权云环境智能身份认证跨域对接方法及系统是由唐正荣;曹明星设计研发完成，并于2025-06-20向国家知识产权局提交的专利申请。

本云环境智能身份认证跨域对接方法及系统在说明书摘要公布了：本发明涉及云计算和身份认证安全技术领域，公开了云环境智能身份认证跨域对接方法及系统，其中，云环境智能身份认证跨域对接方法包括：对多云平台的异构身份数据进行采集与预处理，得到标准化身份数据集；基于标准化身份数据集构建统一身份语义模型并生成特征嵌入向量；利用深度神经网络对特征嵌入向量执行身份映射转换，得到映射后的身份特征向量；结合映射后的身份特征向量与实时行为数据执行多因子自适应信任评估，得到动态信任度评估结果；基于动态信任度评估结果生成自适应安全令牌；将自适应安全令牌转换为目标系统所需的协议格式，本发明能够解决云环境下身份认证跨域的异构性和动态信任评估问题，为云计算安全提供有效解决方案。

本发明授权云环境智能身份认证跨域对接方法及系统在权利要求书中公布了：1.云环境智能身份认证跨域对接集成方法，其特征在于，包括以下步骤： 对多云平台的异构身份数据进行采集与预处理，得到标准化身份数据集； 基于标准化身份数据集构建统一身份语义模型并生成特征嵌入向量；具体如下： 基于描述逻辑和本体工程的技术构建统一身份语义模型； 身份语义模型定义： ; 其中，表示统一身份语义模型；表示用户实体集合；表示用户属性集合；表示角色集合；表示权限集合；表示上下文信息集合；表示语义关系集合； ，表示用户实体集合，其中，分别表示第1、2、n个用户实体，n表示系统中用户总数； ，表示用户属性集合，分别表示第1、2、m个用户属性，m表示属性类型总数； ，表示角色集合，分别表示第1、2、k个角色，k表示角色类型总数； ，表示权限集合，分别表示第1、2、L个角色，L表示权限类型总数； 表示上下文信息集合，分别表示第1、2、J个角色，J表示上下文因子总数； 表示语义关系集合，包括继承关系、组合关系、依赖关系； 统一身份语义模型构建步骤： 输入：步骤100输出的标准化身份数据集； 输出：统一身份语义模型和特征嵌入向量集合； 其中，表示步骤100输出的标准化身份数据集；表示统一身份语义模型；表示特征嵌入向量集合； 步骤201，实体与关系抽取； 从输入数据集中抽取各类实体集，提取用户实体集合： ； 属性类型集合： ； 角色类型集合： ； 权限类型集合： ； 上下文类型集合： ； 其中，表示从数据集中提取用户实体的函数；表示提取属性类型的函数；表示提取角色类型的函数；表示提取权限类型的函数；表示提取上下文类型的函数； 步骤202，语义关系建模：构建语义关系集合；分别建立三种核心关系： 用户-角色映射关系： ； 角色-权限映射关系： ； 属性依赖关系： ； 最后将所有关系合并： ； 其中，表示用户-角色映射关系；表示角色-权限映射关系；表示属性依赖关系；表示构建用户-角色映射关系的函数；表示构建角色-权限映射关系的函数；表示构建属性依赖关系的函数；表示合并关系的函数； 步骤203，本体模型构建：基于抽取的实体集合和语义关系，构建统一身份语义模型： ； 其中表示完整的身份本体模型；表示构建本体模型的函数； 步骤204，特征嵌入生成：创建特征嵌入向量列表；对于中的每条身份记录，执行以下操作：首先将记录映射到语义空间，然后生成512维嵌入向量： ； 将生成的嵌入向量添加到列表中； 返回统一身份语义模型和特征嵌入向量集合； 其中，表示第条身份记录；表示第条记录映射到语义空间的结果；表示第个嵌入向量；表示将记录映射到语义空间的函数；表示生成嵌入向量的函数；表示嵌入向量的维度为512； 利用深度神经网络对特征嵌入向量执行身份映射转换，得到映射后的身份特征向量；具体如下： 输入数据：步骤200输出的特征嵌入向量和目标域信息； 深度神经网络身份映射步骤： 步骤301，特征预处理：创建标准化特征列表；对于中的每个嵌入向量，应用层归一化函数： ； 将标准化后的嵌入向量添加到列表中，确保输入特征具有零均值和单位方差； 其中，表示标准化特征列表；表示第个嵌入向量；表示标准化后的嵌入向量；表示层归一化函数； 步骤302，Transformer映射：创建映射特征列表；对于中的每个标准化特征，执行以下Transformer变换序列： 首先应用多头注意力机制： ； 然后执行残差连接和层归一化： ； 接着通过前馈网络进行非线性变换： ； 最后再次应用残差连接和层归一化得到最终输出： ； 其中，表示映射特征列表；表示多头注意力机制的输出；表示残差连接和层归一化后的输出；表示前馈网络的输出；表示最终的变换输出；表示前馈网络函数，将添加到列表中； 步骤303，目标域适配：创建适配特征列表；对于中的每个映射特征，应用目标域适配函数： ； 其中，表示第个映射特征；表示适配后的特征；表示目标域适配函数，表示目标域信息； 需要说明的是，此子步骤确保映射后的特征与目标域的表示规范相兼容，将适配后的特征添加到列表中； 返回映射后的身份特征向量； 结合映射后的身份特征向量与实时行为数据执行多因子自适应信任评估，得到动态信任度评估结果；具体如下： 信任度计算公式： ; 其中，表示时刻的信任度评分；表示sigmoid激活函数；表示时刻第个因子的动态权重；表示时刻第个信任因子；表示LSTM输出权重；表示时刻LSTM网络的隐藏状态输出；表示因子索引，范围从1到5； 各信任因子详细定义： 行为模式评分： ; 其中，表示时刻的行为模式评分；表示行为评分缩放因子；表示时刻基于用户历史行为模式计算的原始评分； 设备指纹相似度： ; 其中，表示时刻的设备指纹相似度；表示第个历史设备的权重；表示设备指纹相似度计算函数；表示当前登录设备的指纹特征；表示第个历史设备的指纹特征；表示历史设备总数；表示历史设备的索引；表示所有历史设备权重的和； 网络风险评估： ； 其中，表示时刻的网络风险评估；表示网络风险等级评估函数；表示时刻用户所在的网络环境；表示最大风险等级值； 时间模式评分： ； 其中，表示时刻的时间模式评分；表示正态分布概率密度函数；表示余弦函数；表示时刻对应的小时数；表示用户常用登录时间的均值；表示用户常用登录时间的标准差； 地理位置合理性： ； 其中，表示时刻的地理位置合理性；表示自然常数；表示地理距离计算函数；表示时刻用户的地理位置坐标；表示基于用户历史行为预测的期望位置；表示最大合理距离阈值； 动态信任度计算： ； 其中，表示当前用户的动态信任度评估结果；表示历史信任度权重；表示用户历史平均信任度；表示当前信任度权重；表示时刻的当前信任度；表示上下文信任度权重；表示时刻基于当前上下文的信任度调整； 基于动态信任度评估结果生成自适应安全令牌； 将自适应安全令牌转换为目标系统所需的协议格式。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江葫芦娃网络集团有限公司，其通讯地址为：310000 浙江省杭州市钱塘区白杨街道6号大街452号2幢A1001-1002号房；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。