何耳林毕设项目介绍

项目简介:

目前功能架构(20240429)

目前技术架构(20240429)

项目未来规划以及待修复BUG:智能数据分析平台待修复BUG以及待完成需求-CSDN博客

技术介绍

前端
React18
Ant Design Pro5.X脚手架
Umi4前端框架
Ant Design组件库
Echarts可视化库
OpenAPI前端代码生成

后端
Java Spring Boot(万用后端模板)
MySQL数据库
MyBatis-Plus及MyBatis X自动生成
Redis+Redisson限流
RabbitMQ消息队列
鱼聪明AI SDK(AI能力)
JDK线程池及异步化
Easy Excel表格数据处理
Swagger+Knife4j接口文档生成
Hutool、Apache Common Utils等工具库

项目主要功能介绍:

智能数据分析模块:

数据同步分析功能(实时同步分析结果)

数据异步分析功能(实现异步化用户可以在短时间内分析多个数据,不用在数据输入界面一直等待)

图表模块:

存储用户分析结果功能(存储用户的分析结果)

搜索图表功能(可通过搜索图表名称进行模糊搜索)

查看原始数据功能(用户可查看生成图表时上传的原始数据)

删除图表功能(用户可删除自己的图表)

用户模块:

登录注册退出功能(用户可以进行登录退出和注册操作)

个人信息修改功能(用户可以修改个密码、昵称等个人信息)

管理员模块:

快速查找用户功能(可以通过账号、昵称、用户角色快速搜索和定位到用户)

注册管理用户功能(普通用户注册的用户只拥有普通权限,)

用户管理功能(管理员可以更改用户的角色、昵称以及删除和封禁用户)、图表管理功能(可以查看和删除所有用户的图表和分析结果)

安全性考虑:

1.使用自增长的方式生成用户ID,会使得用户ID变得容易猜测和推断。攻击者可以通过猜测或者暴力破解的方式,预测出下一个用户ID。这样攻击者就可以利用这些ID进行一系列的恶意行为,如盗取用户数据、伪造用户身份等。因此,使用自增长的方式生成用户ID会对用户安全产生影响。为了保障用户安全,可以考虑使用随机数或者其他加密方式生成用户ID,本项目中采用的事雪花算法的形式生成唯一的ID

  • 雪花算法(雪花)是微博开源的分布式ID生成算法其核心思想就是:使用一个64位的长型的数字作为全局唯一ID。在分布式系统中的应用十分广泛,且ID引入了时间戳,基本上保持自增的。

@RequestPart("file") MultipartFile multipartFile接收客户端传给后端的文件

2.为了保护用户隐私、防止中间人攻击、避免内部威胁和符合法规要求,密码需要进行加密存储和传输。加密密码能确保即使数据库被黑客入侵,他们也无法轻易获取用户的密码。在密码传输过程中,加密能防止黑客截获数据包并获取密码。同时,内部的恶意员工或系统管理员也无法通过未加密的密码访问用户的账户信息。此外,许多国家和地区的法规也要求对用户密码进行加密存储和传输,以保护用户的隐私权,不符合这些法规可能会面临法律责任。

/**
 * 盐值,混淆密码
 */
private static final String SALT = "yupi";

// 2. 加密
String encryptPassword = DigestUtils.md5DigestAsHex((SALT + userPassword).getBytes());
/**
 * 盐值,混淆密码
 */
private static final String SALT = "yupi";
// 加密
String encryptPassword = DigestUtils.md5DigestAsHex((SALT + userPassword).getBytes());

3.为了确保系统的安全并防止用户在短时间内恶意多次调用服务,我们的后端采用了Redis+Redisson进行限流操作,限制每一个用户每一秒只能通过两个请求。

@Resource
private RedissonClient redissonClient;
// 限流判断,每个用户一个限流器
redisLimiterManager.doRateLimit("genChartByAi_" + loginUser.getId());  
//限流操作
public void doRateLimit(String key) {
    // 创建一个名称为user_limiter的限流器,每秒最多访问 2 次
    RRateLimiter rateLimiter = redissonClient.getRateLimiter(key);
    rateLimiter.trySetRate(RateType.OVERALL, 2, 1, RateIntervalUnit.SECONDS);
    // 每当一个操作来了后,请求一个令牌
    boolean canOp = rateLimiter.tryAcquire(1);
    if (!canOp) {
        throw new BusinessException(ErrorCode.TOO_MANY_REQUEST);
    }
}

性能设计

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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