Autorizzazione Multi-Livello in Piattaforme SaaS Multi-Tenant: Un Approccio di Difesa in Profondità al Controllo degli Accessi

Abstract

La transizione dalle architetture monolitiche on-premise al Software-as-a-Service (SaaS) multitenant ha dissolto i tradizionali perimetri di rete, spostando l'onere della sicurezza interamente sul livello applicativo. Nei complessi ambienti B2B2C, i modelli standard di controllo degli accessi basato sui ruoli (RBAC) spesso non riescono a soddisfare i requisiti ortogonali di governance gerarchica, controllo delle funzionalità basato su abbonamento e rigoroso isolamento dei dati, in particolare quando si integrano l'IA Generativa e la Retrieval-Augmented Generation (RAG). Questa tesi affronta tali sfide attraverso la progettazione e l'implementazione della "Multi-Bot AI Platform", un sistema SaaS di livello produttivo sviluppato utilizzando Python, Flask e MongoDB. Adottando una metodologia di Design Science Research (DSR), questo studio formalizza e convalida un Modello di Autorizzazione a 4 Livelli. Questo framework innovativo integra RBAC Gerarchico per la gestione delle identità, Autorizzazione Basata sulle Funzionalità per i diritti di fatturazione, Permessi Granulari per lo scoping dei dipendenti e un rigido Isolamento dei Namespace all'interno dei database vettoriali (Pinecone) per prevenire la fuga di dati tra tenant. L'artefatto dimostra una solida strategia di Difesa in Profondità, utilizzando un approccio Zero Trust per la convalida degli input e l'autenticazione JWT stateless per mitigare rischi critici come il problema del "Confused Deputy" e la Prompt Injection. La valutazione attraverso test unitari completi e audit di sicurezza conferma che l'architettura applica efficacemente un rigoroso isolamento dei tenant e un rafforzamento operativo senza compromettere la scalabilità o le prestazioni del sistema.

The transition from monolithic on-premise architectures to multi-tenant Software-as-a-Service (SaaS) has dissolved traditional network perimeters, shifting the burden of security entirely to the application layer. In complex B2B2C environments, standard Role-Based Access Control (RBAC) models often fail to address the orthogonal requirements of hierarchical governance, subscription-based feature gating, and strict data isolation, particularly when integrating Generative AI and Retrieval-Augmented Generation (RAG). This thesis addresses these challenges through the design and implementation of the "Multi-Bot AI Platform," a productiongrade SaaS system developed using Python, Flask, and MongoDB. Adopting a Design Science Research (DSR) methodology, this study formalizes and validates a 4-Layer Authorization Model. This novel framework integrates Hierarchical RBAC for identity management, Feature-Based Authorization for billing entitlements, Granular Permissions for employee scoping, and rigid Namespace Isolation within vector databases (Pinecone) to prevent cross-tenant data leakage. The artifact demonstrates a robust Defense-in-Depth strategy, utilizing a Zero Trust approach to input validation and stateless JWT authentication to mitigate critical risks such as the "Confused Deputy" problem and Prompt Injection. Evaluation through comprehensive unit testing and security audits confirms that the architecture effectively enforces strict tenant isolation and operational hardening without compromising system scalability or performance.