一步步教你如何用疯狂.NET架构中的通用权限系统 -- 在页面中的调用讲解

简介:
以下讲解是按最复杂的情况,讲解权限的要用法,若页面上不需要判断那么多,那么复杂的权限,那也不用搞得这么复杂,简单才是硬道理。

第一步: 首先需要在你需要用的页面里,把权限变量定义好,说俗点儿,就是你这个页面能用到哪些权限定义,都分哪几个权限,这些都事先定义好了,后面也好开展工作,很可能一个页面只需要一个权限,也可能需要需要10个权限,我并不认同,每个页面都是添加、删除、修改权限,有可能是这样,但是还有部分情况下不只是这些功能。





第二步:写上标准的GetPermission()函数,在这个函数里,调用this.Authorization()函数,将当前用户的相关权限获得,为接着按这些权限的处理工作做好准备。 



第三步:在页面的FormOnLoad事件中,调用获取权限的函数,这样这个页面在加载时,就可以调用这个函数了。



第四步:(这步可以省略)若想做配置得很灵活,就可以把页面中判断的权限,做一个配置文件,就是映射前台判断函数与后台权限的,一下图片中 8个页面上的权限判断,统一映射到后台是一个权限配置项目“UserAdmin”这个权限设置。




第五步:在后台配置好,我系统到底有哪些权限项目,进行授权,你可以做比较细的权限配置项目,也可以做一个比较粗的权限配置,可以将页面上进行了很细的控制进行对对一的映射,这样客户需要比较粗的权限控制,你就可以做个粗放的,客户需要细腻的权限控制,你就做个很细腻的权限控制,可以根据客户的需要灵活进行定义。

 

总结:
其实从严格的意义来讲,我们做事情的思路都是很凌乱的,先想到哪里做到哪里,碰到问题了,再解决问题,其实是先配置规划权限,然后再把前台程序员开发的权限与配置库进行一个匹配,理论上是这样做才对,但是实际工作往往比理论状态残酷很多,谁都会懒得写配置文件,懒得调整来调整去,前台是什么权限,直接就在后台也加一个这个权限,往往会变成一对一的权限对应关系。所以你设计的权限系统,又需要满足最理想的理论状态,又需要满足最残酷的实际情况。

设计逻辑图说明:

前台权限与后台权限设置,可以有2个途径,一个直接映射到后台设计,另一个是通过权限映射表,周转一下,可以把权限配置得更灵活一些。

有疑问请留言,有兴趣请留言,有写错的地方,欢迎指点批评。

导读:
疯狂.NET架构通用权限后台管理工具演示版2.0下载
一步步教你如何用疯狂.NET架构中的通用权限系统 -- 如何控制用户显示的菜单权限
一步步教你如何用疯狂.NET架构中的通用权限系统 -- 在页面中的调用权限讲解
一步步教你如何用疯狂.NET架构中的通用权限系统 -- 数据集权限的调用权限讲解
一步步教你如何用疯狂.NET架构中的通用权限系统 -- 分级管理 
疯狂.NET 通用权限设计 C\S后台管理,B\S前台调用源码样例程序源码下载之 --- 操作权限
疯狂.NET 通用权限设计 C\S后台管理,B\S前台调用源码样例程序源码下载之 --- 角色权限

疯狂.NET 通用权限设计 C\S后台管理,B\S前台调用源码样例程序源码下载之 --- 数据集权限





本文转自 jirigala 51CTO博客,原文链接:http://blog.51cto.com/2347979/451459,如需转载请自行联系原作者

相关文章
|
1月前
|
监控 安全 API
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
171 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
|
6天前
|
开发框架 前端开发 .NET
一个适用于 .NET 的开源整洁架构项目模板
一个适用于 .NET 的开源整洁架构项目模板
49 26
|
1月前
|
机器学习/深度学习 算法 数据可视化
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
本文探讨了在量化交易中结合时序特征和静态特征的混合建模方法。通过整合堆叠稀疏降噪自编码器(SSDA)和基于LSTM的自编码器(LSTM-AE),构建了一个能够全面捕捉市场动态特性的交易系统。SSDA通过降噪技术提取股票数据的鲁棒表示,LSTM-AE则专注于捕捉市场的时序依赖关系。系统采用A2C算法进行强化学习,通过多维度的奖励计算机制,实现了在可接受的风险水平下最大化收益的目标。实验结果显示,该系统在不同波动特征的股票上表现出差异化的适应能力,特别是在存在明确市场趋势的情况下,决策准确性较高。
73 5
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
|
11天前
|
消息中间件 监控 小程序
电竞陪玩系统架构优化设计,陪玩app如何提升系统稳定性,陪玩小程序平台的测试与监控
电竞陪玩系统架构涵盖前端(React/Vue)、后端(Spring Boot/php)、数据库(MySQL/MongoDB)、实时通信(WebSocket)及其他组件(Redis、RabbitMQ、Nginx)。通过模块化设计、微服务架构和云计算技术优化,提升系统性能与可靠性。同时,加强全面测试、实时监控及故障管理,确保系统稳定运行。
|
22天前
|
前端开发 C# 开发者
.NET使用Umbraco CMS快速构建一个属于自己的内容管理系统
.NET使用Umbraco CMS快速构建一个属于自己的内容管理系统
36 12
|
22天前
|
Web App开发 前端开发 调度
一款基于 .NET + Blazor 开发的智能访客管理系统
一款基于 .NET + Blazor 开发的智能访客管理系统
|
22天前
|
开发框架 JavaScript 前端开发
精选2款.NET开源的博客系统
精选2款.NET开源的博客系统
|
1月前
|
机器学习/深度学习 人工智能 并行计算
【AI系统】Kernel 层架构
推理引擎的Kernel层负责执行底层数学运算,如矩阵乘法、卷积等,直接影响推理速度与效率。它与Runtime层紧密配合,通过算法优化、内存布局调整、汇编优化及调度优化等手段,实现高性能计算。Kernel层针对不同硬件(如CPU、GPU)进行特定优化,支持NEON、AVX、CUDA等技术,确保在多种平台上高效运行。
96 32
|
22天前
|
前端开发 JavaScript C#
基于.NET8+Vue3开发的权限管理&个人博客系统
基于.NET8+Vue3开发的权限管理&个人博客系统
|
28天前
|
机器学习/深度学习 存储 人工智能
基于AI的实时监控系统:技术架构与挑战分析
AI视频监控系统利用计算机视觉和深度学习技术,实现实时分析与智能识别,显著提升高风险场所如监狱的安全性。系统架构包括数据采集、预处理、行为分析、实时决策及数据存储层,涵盖高分辨率视频传输、图像增强、目标检测、异常行为识别等关键技术。面对算法优化、实时性和系统集成等挑战,通过数据增强、边缘计算和模块化设计等方法解决。未来,AI技术的进步将进一步提高监控系统的智能化水平和应对复杂安全挑战的能力。

热门文章

最新文章