多租户服务器(MultiTenancyServer)使用指南
项目介绍
多租户服务器(MultiTenancyServer)是一个基于ASP.NET Core和EF Core的开源项目,旨在轻松地向任何代码库添加多租户支持。该项目的设计灵感源自ASP.NET Core Identity,允许开发者在不向类或实体添加任何租户键属性的情况下实现多租户功能。通过ASP.NET Core,当前租户可以通过自定义域名、子域、部分主机名、HTTP请求头、子URL路径、查询字符串参数、认证用户的声明或定制的请求解析器来识别。利用Entity Framework Core时,租户键作为阴影属性(或可选的实际属性)添加,并通过全局查询过滤器强制执行,所有配置选项都可从默认值覆盖或按实体细粒度调整。
项目快速启动
要迅速开始使用MultiTenancyServer,首先确保已安装.NET SDK,并遵循以下步骤:
步骤一:克隆项目
git clone https://github.com/MultiTenancyServer/MultiTenancyServer.git
步骤二:配置服务
打开项目中的Startup.cs文件,在ConfigureServices(IServiceCollection services)方法中集成多租户服务和数据库上下文:
public void ConfigureServices(IServiceCollection services)
{
// 示例数据库连接配置
var connectionString = Configuration.GetConnectionString("DefaultConnection");
var migrationsAssembly = typeof(AppDbContext).GetTypeInfo().Assembly.GetName().Name;
// 添加数据库上下文
services.AddDbContext<AppDbContext>(options =>
options.UseSqlServer(connectionString, sql => sql.MigrationsAssembly(migrationsAssembly)));
// 添加多租户支持,指定TTenant<TKey>为Tenant类型且ID为string
services.AddMultiTenancy<Tenant, string>();
// 配置请求解析器以识别租户,例如通过域名
services.AddRequestParsers(parsers =>
{
parsers.AddDomainParser();
// 其他解析器可以根据需求添加
});
// 使用内存中租户存储进行开发
services.AddInMemoryStore(new Tenant[] { /* 定义你的初始租户 */ });
// 生产环境可以改为使用EF Core存储
// services.AddEntityFrameworkStore<AppDbContext, Tenant, string>();
}
步骤三:配置中间件
在Configure(IApplicationBuilder app)方法中加入多租户中间件和其他必要的ASP.NET Core中间件:
public void Configure(IApplicationBuilder app)
{
app.UseStaticFiles(); // 使用静态文件中间件
app.UseMultiTenancy<Tenant>(); // 应用多租户中间件
app.UseRouting();
app.UseAuthentication();
app.UseAuthorization();
app.UseEndpoints(endpoints =>
{
endpoints.MapControllers(); // 或者是MapRazorPages()等,取决于你的应用类型
});
}
步骤四:运行项目
确保数据库迁移已完成,然后运行你的应用程序:
dotnet run
应用案例和最佳实践
使用MultiTenancyServer的最佳实践包括:
- 租户模型自定义:继承
TenancyTenant并添加额外的业务属性。 - 灵活的服务注册:根据需求选择性地注册租户相关的服务。
- 安全策略:每个租户的数据隔离应严格实施,确保数据安全性。
- 性能考虑:合理配置全球查询过滤器,避免不必要的性能开销。
- 部署与扩展:根据租户规模和需求设计动态扩缩容策略。
典型生态项目
MultiTenancyServer常与其他技术栈结合,如IdentityServer4进行身份验证与授权管理,以及ASP.NET Core Identity处理用户账户,构建高度安全和灵活的多租户应用。在实际部署中,也可以与云服务紧密集成,利用云的弹性能力,为不同租户提供稳定的服务体验。
以上就是MultiTenancyServer的基本使用流程和一些关键概念的简述。深入探索项目源码和示例,可以帮助您更熟练地掌握其特性和应用场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00