一步步教你如何用疯狂.NET架构中的通用权限系统 -- 分级授权

简介:
例如我们公司是有几百个员工的大型IT上市公司,在北京、宁波、杭州都有规模比较大的分公司,我们公司总部有管理人事的、这个岗位上的人不仅管总部的人事还要监督管理各分公司的人事,但是不管其他业务方面,例如总公司管理财务的,也是一样的,他们虽然也是管理员,但是不是所有业务的管理员,他们只管自己负责的那个业务相关的事情,同时也有权限管理各分公司的相关业务。
    讲再俗一些,就是有些岗位上工作的人是管理员,但是不是所有业务的管理员,只是某个业务领域内的管理员,他在这个业务领域上有所有的权限,而且还可以委托别人来管理、可以授权给别人来管理某个业务。

    具体管理操作在通用权限软件中的配置如下操作界面(我想把这个工具正式命名为 走火入魔权限工具 ):

1:首先需要在配置文件里告诉系统,我的软件系统是需要有分级授权功能,当然并不是所有的系统都需要这么复杂的功能,这个也是只设置一次就可以了,不是每次操作都要这么设置。



2:超级管理员是整个系统的入口,这个用户是系统默认的用户,拥有所有的权限,并且拥有管理所有数据的权限。


3:我在用户管理里,设置某个员工的权限,例如我们要设置吉日嘎拉的权限,设定他的授权范围。



4:保存设置后,在数据库表中的存储效果如下:


5:用“吉日嘎拉”帐号登录系统,看他能进行哪些授权呢?是否对所有的权限进行授权?


6:接着在用这个账户进入系统管理,能设置某个用户的哪些权限?能设置哪些权限?

他的权限范围已经给限制住了,只能在有限的范围内进行权限配置,而不是所有的权限都可以设置了。

[ 总结 ]
   在大型的管理类软件项目里分级管理、分级授权是非常有必要的,这也是实际管理上的需要,符合客户的需求的,虽然不能实现这些要求软件也照样能用,但是对系统的安全性、易用性、灵活性、可配置性上会有些损失,若你的竞争对手都实现了这些功能了,那你很可能就惨了,你有可能会丢掉这个单子了。
   
   若某个权限系统能实现了 分级管理、分级授权 ,那这个权限已经是做得非常不错了,是专业级别的了,若技术功夫不够过关要实现这样的功能,最起码要折腾几个月、半年才能做出来,而且未必是运行正确、稳定、高效,我当时是足足用了3个月时间才把这个功能都调试通过、思路严谨了,而且是蛮努力工作、效率也高、积极性也高,因为自己主动想实现不是被动被领导指挥分配任务的状态下完成的。

   希望以上文章,能对初学者有所帮助,我折腾过的经历很可能也是你不远的将来马上要接着要折腾下去的事情。

IT软件创业之 -- 培训费风波 (赚钱不容易、创业不容易)
IT软件创业之 -- 小软件项目也有风险、也会失败、也会损兵折将

IT软件创业之 -- 电脑设备买过来都是钱,卖出去都是废铁





本文转自 jirigala 51CTO博客,原文链接:http://blog.51cto.com/2347979/448293,如需转载请自行联系原作者

相关文章
|
1月前
|
人工智能 前端开发 编译器
【AI系统】LLVM 架构设计和原理
本文介绍了LLVM的诞生背景及其与GCC的区别,重点阐述了LLVM的架构特点,包括其组件独立性、中间表示(IR)的优势及整体架构。通过Clang+LLVM的实际编译案例,展示了从C代码到可执行文件的全过程,突显了LLVM在编译器领域的创新与优势。
54 3
|
24天前
|
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。
146 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
|
17天前
|
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。
55 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
|
7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
25 12
|
7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
|
7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
|
7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 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。
81 32
|
28天前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
55 4
【AI系统】计算图优化架构
|
13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。