Audit.NET中JsonDocument序列化问题的解决方案
问题背景
在使用Audit.NET进行审计日志记录时,开发人员可能会遇到JsonDocument对象序列化不正确的问题。具体表现为当升级Audit.NET版本后,原本能够正常序列化的JsonDocument对象突然只能输出类似{"RootElement":{"ValueKind":1}}这样的简化信息,而不再包含完整的JSON数据内容。
问题根源分析
这个问题的根本原因在于Audit.NET内部使用了不同的JSON序列化器。从版本25.0.4升级到27.5.0后,Audit.NET默认使用System.Text.Json作为序列化器,而如果开发人员配置了Newtonsoft.Json适配器,就会导致两种JSON处理方式不兼容。
JsonDocument是System.Text.Json命名空间下的类型,当它被Newtonsoft.Json序列化时,无法正确识别其内部结构,只能输出简化信息。这种不匹配在审计日志记录中会导致关键参数信息丢失,严重影响日志的可读性和可用性。
解决方案
方案一:统一使用System.Text.Json
如果项目中没有特殊需求,最简单的解决方案是保持Audit.NET的默认配置,即使用System.Text.Json进行序列化:
Audit.Core.Configuration.Setup()
.UseFileLogProvider(f => f.Directory(@"C:\Logs"));
var jsonDocument = System.Text.Json.JsonDocument.Parse(jsonBody);
var auditScope = AuditScope.Create("Test", null);
auditScope.SetCustomField("Parameters", jsonDocument);
auditScope.Save();
这种方式能够正确处理JsonDocument对象,输出完整的JSON内容。
方案二:统一使用Newtonsoft.Json
如果项目中已经大量使用Newtonsoft.Json,或者有特殊需求必须使用Newtonsoft.Json,则应该使用JObject代替JsonDocument:
Audit.Core.Configuration.Setup()
.JsonNewtonsoftAdapter()
.UseFileLogProvider(f => f.Directory(@"C:\Logs"));
var jsonBody = "{\"Id\":1, \"Name\":\"Test\"}";
var jsonDocument = Newtonsoft.Json.Linq.JObject.Parse(jsonBody);
var auditScope = AuditScope.Create("Test", null);
auditScope.SetCustomField("Parameters", jsonDocument);
auditScope.Save();
这种方式确保了JSON处理方式的一致性,避免了序列化问题。
最佳实践建议
-
一致性原则:在整个项目中保持JSON处理方式的一致性,要么全部使用System.Text.Json,要么全部使用Newtonsoft.Json。
-
明确配置:在使用Audit.NET时,明确配置所需的JSON适配器,避免依赖默认行为。
-
版本升级检查:在升级Audit.NET版本时,特别注意JSON处理相关的变更,必要时进行适配性测试。
-
日志验证:实现自动化测试来验证审计日志的输出格式是否符合预期。
总结
Audit.NET作为强大的审计日志框架,提供了灵活的配置选项。开发人员在使用时需要注意JSON序列化器的选择,确保与项目中其他组件的JSON处理方式保持一致。通过正确配置JSON适配器,可以避免JsonDocument序列化问题,保证审计日志的完整性和可用性。
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