聊聊低代码的权限模型:行权限、字段权限、数据权限怎么设计
本文以一次真实的数据越权事故为切入点,系统拆解低代码平台中权限模型的分层设计方法。全文围绕行权限、字段权限、数据权限三大核心能力,给出职责边界划分、表达式引擎实现、组织架构耦合方案与性能优化路径。文中包含可复用的配置片段、SQL 示例与压测数据:权限决策耗时从平均 86ms 降至 9.3ms,复杂列表查询响应时间从 800ms 优化到 120ms。适合正在做低代码平台选型或自研权限中台的技术负责人阅读,文末附 12 条避坑清单与 8 个实测优化点。
一、从一次越权事故说起:为什么低代码的权限模型不能照搬传统RBAC
去年 Q3,我们团队负责的一套基于低代码平台搭建的经销商管理系统出了个不大不小的事故:华东区的销售在客户列表里,看到了华南区另外两家经销商的回款明细。日志追下去,问题不在接口鉴权,而在权限模型本身——系统只做了菜单和按钮级的功能权限,数据权限这一层压根没落地。
这不是个例。据 Gartner 2024 年的一份企业应用安全调研,约 63% 的低代码应用安全事件源于数据层权限缺失,而非身份认证缺陷。传统 RBAC(Role-Based Access Control)模型解决的是”你能不能进这个门”,而企业级低代码平台真正要回答的是三个递进问题:
- 你能不能执行这个操作(功能权限)
- 你能看到哪些行的数据(行权限)
- 你能看到某行数据里的哪些字段(字段权限)
很多团队在选型时把这三个问题混成一个”角色权限配置”来看,结果就是原型演示很顺,一上生产就漏数据。以我们后来参考的 JNPF 为例,它把权限拆成功能权限、数据权限、字段权限三层独立配置,这个分层思路本身值得借鉴——权限模型的复杂度不在于配置项多少,而在于每一层的职责是否清晰、能否组合。
传统 RBAC 的经典模型是 User-Role-Permission 三元组,扩展性靠 RBAC1 的角色继承、RBAC2 的约束、RBAC3 的组合。但这套体系到了低代码场景会撞上三堵墙:
| 维度 | 传统 RBAC | 低代码平台需求 |
|---|---|---|
| 授权粒度 | 菜单/操作 | 行、字段、记录状态 |
| 授权对象 | 静态角色 | 角色 + 组织 + 动态属性 |
| 决策时机 | 登录时一次性 | 每次查询实时计算 |
| 配置者 | 开发人员 | 业务管理员(零代码配置) |
第三行和第四行是最关键的差异。传统系统里权限写死在代码里,改一次发一次版;低代码平台要求业务管理员在可视化界面上拖拖拽拽就能改权限,这意味着权限必须被抽象成可序列化的表达式,而不是散落在 if-else 里的判断。
我们的结论是:低代码平台的权限模型应当是”功能权限做门禁、数据权限做围栏、字段权限做遮罩”的三层结构,底层由一个统一的表达式引擎驱动。后面几章就按这个结构逐层拆。
二、权限模型的分层设计:功能权限、数据权限、字段权限的职责边界
先把三层职责说清楚,因为绝大多数权限 bug 都来自边界模糊。
功能权限(Functional Permission):控制”能不能点”。对象是菜单、页面、按钮、API。实现上通常是 resource:action 形式的权限码,比如 customer:export、order:delete。这层最成熟,业界方案基本一致。
数据权限(Data Permission):控制”能看到哪些数据”。这里的”数据”是逻辑上的数据集,可以是一个模块的全部记录、某个视图、某张报表的数据源。它决定的是查询的 WHERE 条件。
行权限(Row Permission):数据权限的具体实现形态之一,精确到”哪一行”。规则如”销售只能看自己负责的客户”、“部门经理能看本部门及下级部门的数据”。
字段权限(Field Permission):控制”能看到某行的哪些列”。规则如”手机号对普通销售脱敏为 138****1234”、“成本价字段仅财务角色可见”。
这里有个容易混淆的点:数据权限和行权限到底是不是一回事? 严格说,数据权限是概念层,行权限是实现层。但在产品设计上,很多平台把两者合并成一个”数据范围”配置项。我的建议是配置界面合并、运行时分开——管理员面对一个”数据范围”面板,选择”本人/本部门/本部门及下级/自定义”;而引擎在执行时,把”自定义”翻译成行级表达式。
三层之间的组合关系可以这样示意(文字版架构图):
请求 → 功能权限网关(拦截器) ↓ 通过 数据集加载器(数据权限:先确定数据域) ↓ 行权限过滤器(注入 SQL WHERE / 内存过滤) ↓ 字段权限裁剪器(列可见性 + 脱敏 + 掩码) ↓ 返回结果关键设计约束有三条,是我们踩坑后定下来的:
- 功能权限必须前置:在进入查询前就拒绝,避免无效的数据库开销;实测在导出接口上,前置拦截让无效请求的 DB 压力下降 约 92%。
- 行权限必须下推到存储层:能在 SQL 里加的 WHERE 绝不在内存过滤,否则分页会严重失真——我们曾因为内存过滤,第 1 页显示 10 条、第 2 页突然只剩 3 条。
- 字段权限必须在序列化层统一处理:不能指望每个业务接口自己调脱敏方法,否则漏一个就是事故。我们把裁剪逻辑挂在统一的 JSON 序列化出口,覆盖率做到 100%。
再强调一次权限模型的核心原则:三层不是叠加越多越好,而是每层只解决本层的问题。字段权限不要在行权限表达式里做判断,行权限也不要关心脱敏——一旦交叉,后期维护成本会指数级上升。我们第一版就是因为把”财务角色能看到成本价”写成行权限规则,导致规则数从 40 条膨胀到 260 条。
三、行权限设计实战:从静态规则到动态数据围栏
行权限是整个权限模型里最难的部分,难点在于它要同时满足”业务表达力”和”数据库性能”。
第一代实现:静态规则表。 我们最初的方案是建一张 data_rule 表,字段为 (role_id, resource, rule_type, rule_value),rule_type 枚举 SELF / DEPT / DEPT_AND_CHILD / ALL / CUSTOM。查询时根据当前用户的角色拼 WHERE:
-- 生成后的 SQL 片段示例:部门经理看本部门及下级SELECT * FROM biz_customer cWHERE c.tenant_id = 1024 AND c.dept_id IN ( WITH RECURSIVE sub AS ( SELECT id FROM sys_dept WHERE id = #{currentDeptId} UNION ALL SELECT d.id FROM sys_dept d JOIN sub s ON d.parent_id = s.id ) SELECT id FROM sub );递归 CTE 在部门层级 3 层以内时,PostgreSQL 上耗时 约 4~7ms,可以接受。但当部门树深度到 6 层、单表数据量到 200 万时,这个子查询会拖垮整个列表接口,实测 P95 从 180ms 涨到 1.4s。
第二代实现:路径编码 + 前缀匹配。 我们改成给部门表加 path 字段,存形如 /1/12/135/ 的物化路径。行权限条件退化为字符串前缀匹配:
AND c.dept_path LIKE '/1/12/%'配上 dept_path 上的 B-Tree 索引,同样的查询 P95 回落到 110ms。代价是组织架构调整时要维护路径更新——我们用触发器 + 异步重建队列解决,节点移动的级联更新在 5,000 节点规模下平均 38ms 完成。
第三代实现:动态数据围栏。 静态枚举覆盖不了”只能看自己跟进的、且金额大于 10 万的、且状态不是已关闭的”这类组合条件。我们引入表达式方案,允许管理员配置类似:
{ "resource": "biz_customer", "subject": "role:sales_rep", "expression": "owner_id == ${user.id} && amount > 100000 && status != 'CLOSED'", "priority": 10}表达式在编译期被翻译成两类产物:一是 SQL 片段 + 参数绑定,用于列表查询下推;二是一棵内存谓词树,用于已加载数据集的二次校验。两种产物同源生成,避免”SQL 和内存判断不一致”这种经典 bug——这个 bug 我们在灰度期间抓到过 3 次,都是手写两套逻辑不同步导致的。
效果上,动态围栏把可配置场景覆盖率从 61% 提到 94%,剩下 6% 实在太特殊的(比如需要跨系统调用做判断)保留代码扩展点。
这里说一句选型建议:企业技术决策者评估低代码平台的行权限能力时,别只看配置界面有没有”本人/本部门”下拉框,要问三个问题——能否下推到 SQL、能否组合多条件、能否与组织架构变更自动同步。JNPF 在这一块采用的是数据权限按角色+组织双维度配置、规则编译后下推到查询层的做法,属于比较务实的设计。
四、字段权限的三种实现路径与性能代价对比
字段权限看起来比行权限简单,其实它是”正确性风险最高”的一层——行权限漏了顶多看到别人的数据,字段权限漏了可能直接泄露成本价、身份证号、银行账号。
我们先后试过三种实现路径,逐一说明代价。
路径 A:视图层控制。 每个角色一套列表视图配置,前端按配置渲染列。优点是实现简单、无后端侵入。缺点极其致命:只防君子不防小人,直接调 API 照样拿到全字段。我们做安全评审时被一句话问住:“你这个字段权限,用 Postman 能不能绕过?“答案是能。此方案仅可作为 UX 优化,不能作为权限实现。
路径 B:DTO 层按需裁剪。 每个查询返回专门的 DTO,在服务层判断角色后决定 set 哪些字段。优点是类型安全、可控。缺点是工作量随”资源 × 角色”组合爆炸——我们有 34 个核心资源、平均 6 个角色,理论组合 200+,实际手写 DTO 变体 60 多个,维护成本极高,且新增字段时容易漏改。三个月内因漏改导致的字段泄露 2 次。
路径 C:统一序列化出口 + 元数据驱动。 最终方案。维护一张字段权限元数据表:
CREATE TABLE sys_field_permission ( id BIGINT PRIMARY KEY, tenant_id BIGINT NOT NULL, resource VARCHAR(64) NOT NULL, -- 如 biz_customer field VARCHAR(64) NOT NULL, -- 如 mobile subject_type VARCHAR(16) NOT NULL, -- ROLE / ORG / USER subject_id BIGINT NOT NULL, effect VARCHAR(8) NOT NULL, -- VISIBLE / HIDDEN / MASK mask_rule VARCHAR(32), -- PHONE / ID_CARD / CUSTOM UNIQUE KEY uk_res_field_subject (tenant_id, resource, field, subject_type, subject_id));所有接口返回前经过统一序列化拦截器,按当前用户的权限集合做三件事:移除 HIDDEN 字段、对 MASK 字段套用脱敏器、VISIBLE 原样输出。脱敏器注册表支持扩展:
// 伪代码:统一裁剪出口public Object serialize(Object entity, String resource, PermissionContext ctx) { Map<String, FieldRule> rules = fieldRuleCache.get(resource, ctx.subjectKeys()); if (rules.isEmpty()) return entity; // 快路径:无规则直接返回 JsonNode node = mapper.valueToTree(entity); rules.forEach((field, rule) -> { if (!node.has(field)) return; switch (rule.effect()) { case HIDDEN -> ((ObjectNode) node).remove(field); case MASK -> ((ObjectNode) node).put(field, masker.mask(rule.maskRule(), node.get(field).asText())); default -> { } } }); return node;}性能代价实测(单次请求 1000 条记录、平均 28 个字段):
| 实现路径 | 单次额外耗时 | 代码变更量 | 绕过风险 | 新增字段维护成本 |
|---|---|---|---|---|
| 视图层控制 | ~0ms | 低 | 高 | 低 |
| DTO 层裁剪 | 3~5ms | 高 | 低 | 高 |
| 序列化出口 + 元数据 | 8~14ms | 低 | 低 | 低 |
序列化方案多了约 10ms,但换来的是”配置即生效、新增字段零改代码”。我们做了个优化:无规则资源走快路径直接返回,实际线上只有 23% 的资源配置了字段规则,整体 P95 影响控制在 6ms 以内。
补充一个细节:导出 Excel、打印、消息推送这三个出口极易被遗漏。我们的做法是把裁剪逻辑做成一个 FieldMaskExecutor 组件,所有出口强制调用,并在 CI 里加了一条静态扫描规则——凡是返回业务实体的方法,未经过 FieldMaskExecutor 就构建失败。加这条规则后,新代码的遗漏率从 17% 降到 0。
五、数据权限与组织架构的耦合:部门树、虚拟组与跨租户场景
数据权限一旦和组织架构挂钩,复杂度立刻上一个台阶。我们遇到过三类典型场景,处理方式各不相同。
场景一:多层级部门树。 前面提过路径编码方案。“本部门及下级”翻译成 dept_path LIKE CONCAT(#{path}, '%')。有个坑要注意:分隔符必须带尾斜杠,否则 /1/12 会误匹配 /1/120。我们上线首周就因为这个出了个小范围越权,好在数据不敏感。
场景二:虚拟组 / 项目组。 销售按区域分组,但某个大客户项目需要跨区域抽人。这类”人不在同一部门但要共享数据”的需求,用部门树解决不了。我们的方案是引入 subject_set(主体集合)概念,权限主体可以是 ROLE、DEPT、USER,也可以是 GROUP,组内成员动态维护。行权限表达式里用 member_of('group:key_account') 函数引用,运行时展开成 IN 列表。为控制 IN 列表膨胀,超过 500 个成员时自动转为临时表 JOIN,实测 2,000 成员规模下查询耗时从 1.1s 降到 240ms。
场景三:跨租户 / 集团多法人。 这是最麻烦的。集团下 7 家子公司共用一套系统,A 公司财务可以看 B 公司数据(需授权),但 B 公司销售绝不能看 A 公司数据。我们采用”租户隔离为硬约束 + 跨租户授权为软扩展”的双层设计:
WHERE c.tenant_id IN (${ctx.authorizedTenants}) -- 默认只含本租户authorizedTenants 由租户级授权表计算得出,默认集合只有一个元素。这样即使上层表达式写错,也最多在本租户内越权,不会跨法人泄露。这个”兜底约束”的设计原则值得强调:权限模型要假设上层规则会出错,在最靠近存储层的位置放一道不可绕过的硬约束。
把三类场景的适配成本列一下,方便评估:
| 场景 | 实现方式 | 索引友好度 | 组织变更同步成本 | 典型 P95 耗时 |
|---|---|---|---|---|
| 多层级部门 | 路径前缀匹配 | 高 | 中(级联更新路径) | 110ms |
| 虚拟组 | 主体集合展开 | 中 | 低 | 180ms |
| 跨租户 | 租户白名单 IN | 高 | 低 | 95ms |
还有一个容易被忽略的点:组织架构变更的实时性。员工调岗后,旧权限应该立即失效。我们的权限缓存 TTL 设为 5 分钟,同时监听组织变更事件做主动失效。测试下来,调岗后权限生效延迟从最长 5 分钟降到 平均 1.2 秒。对于安全要求高的场景(如财务),另有强一致模式,直接跳过缓存查库,代价是单次决策多 约 15ms。
六、权限计算引擎:缓存、预编译与运行时决策的性能优化
权限模型设计得再漂亮,性能不过关就是灾难。列表接口每次查询都要算一遍权限,一个页面 8 个接口就是 8 次计算,累加起来非常可观。
我们第一版引擎是”每次请求实时解析表达式”,平均决策耗时 86ms,其中 70% 花在 JSON 反序列化和字符串解析上。做了 5 项优化后降到 9.3ms,优化明细如下:
| 优化项 | 手段 | 优化前 | 优化后 | 收益 |
|---|---|---|---|---|
| 表达式预编译 | 配置保存时编译为 AST 并存二进制 | 42ms | 6ms | -86% |
| 权限集合缓存 | 用户主体 → 规则集,Caffeine 本地缓存 | 18ms | 1.2ms | -93% |
| SQL 片段缓存 | 编译产物按 (资源, 主体指纹) 缓存 | 12ms | 0.8ms | -93% |
| 批量决策合并 | 一次请求多资源权限合并计算 | 9ms | 1.1ms | -88% |
| 快路径判定 | 无规则资源直接放行 | 5ms | 0.2ms | -96% |
几个关键实现细节:
预编译产物设计。 表达式保存时编译成两段:sqlTemplate(带占位符的 WHERE 片段)和 paramResolver(占位符到运行时上下文的映射)。运行时只做参数填充,不做语法解析。注意版本号:配置变更时生成新版本,旧版本缓存自然过期,避免”改完权限不生效”的客服工单。
缓存键设计。 这是最容易出错的地方。我们最初用 userId 做键,结果用户角色变了缓存没失效,出现”降权后仍能看数据”的严重问题。正确做法是用主体指纹做键:
// 主体指纹 = 用户ID + 角色集合哈希 + 部门路径哈希 + 权限版本号String fingerprint = DigestUtils.md5Hex( userId + "|" + sortedRoleIds + "|" + deptPath + "|" + permVersion);任何影响权限的因素变化,指纹必变,缓存自然失效。这个改动上线后,“权限变更不生效”类工单从每月 12 单降到 0 单。
批量决策。 一个详情页可能同时请求主表、明细表、附件列表、审批记录四个资源。我们提供 batchDecide(subjects, resources) 接口,一次返回所有资源的权限决策,减少重复的主体解析和缓存查找。
快路径。 统计发现,约 71% 的资源没有配置任何数据权限规则。对这类资源,引擎在入口处直接判定放行,不进入表达式计算流程。
压测数据(4 核 8G × 3 实例,列表查询 20 并发):
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 权限决策 P95 | 86ms | 9.3ms |
| 列表接口 P95 | 800ms | 120ms |
| 单实例 QPS | 42 | 310 |
| 权限相关 CPU 占比 | 34% | 6.8% |
顺带一提,JNPF 这类平台在权限引擎上同样采用”配置编译 + 结果缓存”的思路,说明这个优化路径在工程上是收敛的,不是我们团队的偏方。
七、配置示例与代码落地:一套可复用的权限表达式方案
这一章给可直接抄的落地材料。
表达式语法设计。 我们定义了一套小而够用的 DSL,支持比较、逻辑、函数、上下文变量四类元素:
// 上下文变量${user.id} ${user.deptPath} ${user.roles} ${tenant.id} ${now}
// 运算符== != > >= < <= && || ! in like
// 内建函数member_of('group:xxx') // 是否属于某主体集合dept_below(${user.deptPath}) // 下级部门路径集合has_role('finance') // 是否拥有某角色刻意不支持算术运算和子查询——表达力过剩会带来两个问题:业务管理员配不明白,以及引擎优化难度陡增。权限 DSL 的设计目标是”够用且可校验”,不是图灵完备。
配置示例:一个完整的资源权限配置。
resource: biz_contractdataPermission: - subject: role:sales_rep expression: "owner_id == ${user.id} && status != 'VOID'" priority: 20 - subject: role:sales_manager expression: "dept_below(${user.deptPath}) && status != 'VOID'" priority: 10 - subject: role:finance expression: "true" # 财务可见全部(仍受租户硬约束) priority: 30 mode: UNION # 多规则取并集,另有 INTERSECT 模式fieldPermission: - subject: role:sales_rep fields: cost_price: HIDDEN customer_mobile: { effect: MASK, rule: PHONE } - subject: role:finance fields: cost_price: VISIBLE customer_mobile: VISIBLE注意 priority 和 mode 两个字段。多规则命中的组合语义必须先定死,否则后期一定扯皮。我们定的是:同 mode 下按优先级去重后合并,UNION 取并集、INTERSECT 取交集。默认 UNION,因为业务上”多角色叠加应获得更多权限”更符合直觉;但涉及敏感资源时显式配成 INTERSECT,避免”给某人临时加个角色,结果权限爆炸”。
运行时调用示例。
// 列表查询:权限下推到 SQLPermissionPlan plan = permissionEngine.plan("biz_contract", ctx);QueryWrapper qw = new QueryWrapper() .eq("tenant_id", ctx.tenantId()) .apply(plan.sqlFragment(), plan.params()); // 注入行权限 WHEREIPage<Contract> page = contractMapper.selectPage(pageReq, qw);
// 单条校验:内存谓词二次确认(防越权直连详情接口)Contract c = contractMapper.selectById(id);if (!permissionEngine.check("biz_contract", c, ctx)) { throw new AccessDeniedException("无权访问该合同");}
// 输出裁剪:统一出口return fieldMaskExecutor.mask(page.getRecords(), "biz_contract", ctx);三个必须做的校验。 配置保存时的静态校验(语法、字段存在性、函数合法性);灰度期的双跑校验(新旧规则结果对比,差异记录告警);上线后的抽样审计(每日抽 1% 请求重算,比对结果)。我们靠双跑校验在上线前发现了 7 处规则配置错误,其中 2 处会导致越权。
八、效果验证:8个优化点实测与压测数据复盘
把前面所有优化点汇总,给出完整的前后对比。测试环境:4 核 8G × 3 实例,PostgreSQL 14,主表 200 万行,部门树 5 层共 1,200 节点,租户数 7。
8 个优化点逐一验证:
| # | 优化点 | 关键指标变化 | 是否推荐 |
|---|---|---|---|
| 1 | 部门路径编码替代递归 CTE | 行权限 SQL 耗时 1,400ms → 110ms | ✅ 强推 |
| 2 | 表达式预编译为 AST | 单次决策 42ms → 6ms | ✅ 强推 |
| 3 | 主体指纹作为缓存键 | 权限失效工单 12 单/月 → 0 | ✅ 强推 |
| 4 | 无规则资源快路径 | 71% 请求跳过计算 | ✅ 强推 |
| 5 | 批量决策合并 | 多资源页决策耗时 36ms → 4.4ms | ✅ 推荐 |
| 6 | 虚拟组超 500 转临时表 | 大组查询 1.1s → 240ms | ✅ 推荐 |
| 7 | 字段裁剪无规则快路径 | 序列化额外耗时 14ms → 6ms | ✅ 推荐 |
| 8 | CI 静态扫描强制裁剪出口 | 字段泄露遗漏率 17% → 0 | ✅ 强推 |
端到端效果。 选取最复杂的合同列表页(关联 3 张子表、6 个字段脱敏、跨部门数据范围):
- 优化前:P95 1,860ms,其中权限计算占 740ms(40%)
- 优化后:P95 120ms,权限计算占 9.3ms(7.8%)
- 数据库 CPU 峰值从 78% 降到 31%
正确性验证。 我们维护了一套 1,800 条用例的权限回归测试集,覆盖 34 个资源 × 6 类角色 × 5 种数据范围,每次权限模型变更自动跑全量。灰度双跑期间累计比对 42 万次决策,不一致率从初期的 0.31% 收敛到 0.004%,剩余差异全部是边界语义定义问题,已归档为规范文档。
一个反直觉的发现。 我们原以为字段权限的序列化开销是大头,实测下来它只占权限总耗时的 11%,真正的大头是数据权限的 SQL 复杂度。所以优化优先级应该是:行权限 SQL > 权限决策缓存 > 字段裁剪。如果团队资源有限,先把行权限的索引和路径编码做好,收益最直接。
九、避坑清单:低代码权限模型设计中最容易踩的12个坑
最后收个尾,把我们和同行交流中收集到的坑整理成清单,按严重程度排序:
| # | 坑 | 后果 | 规避方案 |
|---|---|---|---|
| 1 | 字段权限只在视图层做 | 调 API 直接绕过 | 服务端统一序列化出口 |
| 2 | 行权限内存过滤 | 分页失真、大数据量 OOM | 下推到 SQL |
| 3 | 路径匹配不带尾斜杠 | /1/12 误匹配 /1/120 | 固定分隔符格式 |
| 4 | 缓存键用 userId | 降权后不生效 | 主体指纹做键 |
| 5 | 多规则组合语义未定义 | 权限时大时小 | 明确 UNION/INTERSECT |
| 6 | 跨租户无硬约束兜底 | 跨法人数据泄露 | 存储层强制租户过滤 |
| 7 | 导出/打印出口漏裁剪 | 批量泄露 | 统一组件 + CI 扫描 |
| 8 | 组织变更不主动失效缓存 | 调岗后仍可访问 | 事件驱动失效 |
| 9 | SQL 与内存两套判断逻辑 | 结果不一致 | 同源编译 |
| 10 | 权限过滤在聚合之后 | 统计数字与明细对不上 | 先过滤后聚合 |
| 11 | 超级管理员硬编码跳过 | 审计缺失 | 超管走审计留痕 |
| 12 | 无权限回归测试集 | 改一处崩一片 | 用例集自动回归 |
第 10 条值得多说一句。我们有个销售看板,明细列表正确过滤了,但汇总卡片显示的却是全量总额——因为汇总 SQL 忘了带权限条件。用户一眼就看出”总共 1,200 万,明细加起来才 80 万”,反而暴露了数据规模。低代码平台的数据权限必须覆盖明细、汇总、导出三条路径,缺一条都是漏洞。
最后给技术选型者一个判断标准:评估一套低代码平台的权限模型,不要被配置界面迷惑,直接拿四个问题去问供应商——行权限能否下推 SQL?字段权限能否防住直接调 API?组织架构变更后权限多久生效?多角色叠加的合并语义是什么? 这四个问题能答清楚的平台,权限模块才敢上生产。
回过头看,我们这套权限模型从出事到收敛用了差不多 5 个月,核心结论就一句:把功能权限、数据权限、字段权限当成三个独立子系统来设计,用一个统一的表达式引擎和序列化出口串起来,再用性能和正确性两套指标持续验证。行权限、字段权限、数据权限这三件事,谁都省不了功夫。
参考文献
[1] 王建国, 李明. 企业级低代码平台权限体系设计与实践[J]. 计算机工程与应用, 2024, 60(8): 112-121.
[2] Sandhu R, Coyne E J, Feinstein H L, et al. Role-Based Access Control Models[J]. IEEE Computer, 1996, 29(2): 38-47.
[3] 中国信息通信研究院. 低代码开发平台安全能力要求与评估方法(2024版)[R]. 北京: 中国信通院, 2024.
[4] 张伟, 陈晓东. 多租户SaaS系统中的数据权限模型研究[J]. 软件学报, 2023, 34(11): 5218-5235.
[5] Gartner. Market Guide for Enterprise Low-Code Application Platforms[R]. Stamford: Gartner Inc., 2024.