权限篇

权限,任何一个系统不可或缺的一部分。权限大致可分为3大类,菜单,数据,字段。先来看权限表结构
权限主表表结构

笔者接触的权限还有一个更复杂的情况,就是一个表的数据需要按照数据来分组。每一组的权限不一样。如: 员工表工资大于5000为一组权限。小于5000为另一组权限。表结构如下
权限分组父表
权限分组子表

权限主表字段含义
1,department 部门
2,department_relation 关系部门。如(上一级部门)
3,role 角色
4,user 用户
5,user_relation 关系用户
6,read 读权限
7,create 新增权限
8,update 更新权限
9,delete 删除权限
10,operate 操作权限
……

其中菜单权限,新增权限,字段权限不涉及到关系部门。这里我也不谈兼任的问题。
再谈代码的封装。其中只有读权限是不一样的逻辑。菜单。新增,编辑,删除,操作,字段这些权限都可封装为一个方法。因为这些权限全只需要返回true,false。
而读权限必须要返回一段SQL语句。否则与分页排序这些功能就没有办法整合到一起了。。
权限封装方法
此方法三个参数,1,当前登录用户。2,权限数据。3,owner(拥有者)(关系部门与关系用户的权限判断必须要有一个拥有者,如菜单权限,新增权限则无此参数)
例:上一级用户可以修改下一级用户的数据,则在判断权限时逻辑为,查看当前登录用户是否为需要修改数据的拥有者的上一级。。拥有者在系统里一般为cre_user(创建者)这也是为什么每一个表都需要cre_user这个字段的其中一个道理。。笔者为了员工离职后cre_user不能修改的原因。在需要控制权限的表中增加了一个owner字段。用来当表示这条数据的所有者。

接下来就是查看权限了。先上一部分代码。
权限
权限
这个方法有2个参数。第一个是表名。第二个是这个表的全部权限。
查看权限是系统中比较复杂的一部分。我把这部分分成了2部分逻辑
1,不包含关系部门与关系用户是。
如权限数据为:
1,A部门的A角色可以查看数据
2,A部门的B角色可以看数据。
这个表分配了2个权限。为A部门的AB角色可以查看该表数据。
解析逻辑为。查看当前登录用户是否为A部门的A角色或B角色。是则返回null,否则返回 1=2。
为什么返回如此的值。。在判断查看权限时需要拼接SQL 如
select * from 表名 where 1 = 2; 这样则表示该用户不能查看该表的任何数据。

2,包含关系部门与关系用户时的查看权限。
如权限数据为:
1,上一级部门的A角色可以查看下一级部门的数据。
select * from 表名 where 当前用户为数据创建者的上一级部门的A角色。也是上图中的逻辑。上图中有一部分为兼任的逻辑。
若是存在数据分组的权限。只需要全部解析出来。在SQL中用OR拼接则可。

大致权限逻辑就是这样的。。笔者这个权限系统理论上可以应对绝大部分的权限了。至少笔者还没遇到有这个权限系统对应不到的后台管理系统。。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值