【SAP Basis】SAP用户权限管理

本文详细介绍了SAP用户权限管理的各个环节,包括术语解释、创建用户和角色、菜单事务码功能授权、系统权限对象权限分配、自定义权限对象和数据权限,以及如何通过代码实现权限检查和角色管理。

1、术语说明

账号(User Account):即我们平常说的用户账号,也称为“USER ID”,通过Password登录SAP GUI。
角色(Role):组织设定同类用户的权限集合,方便授权管理。每个角色可以分配给多个用户,每个用户也可以同时拥有多个角色。角色的分类:分为Single Role和Composite Role两种,后者其实是前者的集合。即单一角色是一个独立的权限对象,而复合角色可以由多个单一角色组合而成,能够同时继承不同单一角色的权限。
参数文件(Profile)真正记录权限设定的文件,每个角色都会生成一个对应的参数文件,SAP通过参数文件检查用户访问系统的权限。 SAP有很多预置的参数文件,如:SAP_ALL(所有SAP系统权限),S_A.SYSTEM(系统管理员即超级用户)。一般普通用户不会授予这两种权限,但有个特殊的应用场景,当用户类型为SYSTEM或Communications Data类型时,可以结合SAP_ALL授权,实现系统间的通讯。
用户组(Group):对用户账号进行分组,可以实现对用户管理的分散维护。管理员是可以维护系统中所有用户的权限的,而被分配权限检查用户组的账号,则拥有管理该用户组中其他成员的权限。通过用户组分配可以减少管理员对用户账号维护的工作量,适用于一些较大企业账号分地区管理的模式。通过事务代码SU10实现对用户组的批量维护。
功能权限 Activity:用户具备的哪些TCODE的操作权限,即业务模块的增删改查权限。
数据权限:用户具备的哪些数据细分权限,如限定业务的组织、公司、区域、类型等范围权限。
权限对象(Authorization Object):给角色进行授权的单元。
系统权限架构:即对系统权限设定的一个整体规划与应用方案,以符合企业管理应用需要。主要通过组合使用以下两类角色来实现:
① 功能权限:不同岗位职责用户所具有的业务模块功能权限。
② 数据权限:相同岗位职责用户所具有的不同数据访问权限。
菜单权限:用于定义并分配对应角色所能操作的事务代码,简单讲,角色就是若干事务代码的集合,会直接显示在用户的登录菜单栏。
权限:SAP会根据对应角色的菜单权限,列出具体的权限对象,或者是单独添加的权限对象,并对权限字段具体参数值进行设定,控制具体的操作权限和数据权限。

2、用户授权(添加菜单事务码-功能)

(1)主要TCODE:

创建用户:SU01
创建角色:PFCG
用户权限检查:SU53

(2)创建用户 SU01

参考上篇

(3)创建角色 PFCG

SAP针对不同的功能模块提供了很多内置的角色,如SD模块的权限角色名都是以 SAP_SD 为前缀,HR模块以 SAP_HR为前缀。

示例:创建角色 ZROLE_S_SU53,授予 SU53 权限。
在这里插入图片描述
① 输入角色名称:ZROLE_S_SU53
② 单击创建 Single Role
在这里插入图片描述
① 输入角色说明
② 切换 Menu 页签,提示保存
③ 选择 Yes,保存
在这里插入图片描述
① 初始菜单权限为空
② 可通过添加事务码来授权
③ 授权前,我们先来检查下用户权限
在这里插入图片描述
在这里插入图片描述

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
评论 1
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