Audit.NET 中 AuditDbContext 继承导致 SaveChanges 属性修改问题的分析与解决方案
问题背景
在使用 Audit.NET 框架进行数据审计时,开发人员发现当继承自 AuditDbContext 并启用 ReloadDatabaseValues 功能时,原本标记为未修改的 CreatedOn 等字段会被意外更新。这是一个典型的 ORM 与审计框架交互时产生的边界情况问题。
问题现象
在标准 Entity Framework Core 使用场景中,开发人员通常会通过以下方式保护某些字段不被修改:
Entry(entity).Property(x => x.CreatedOn).IsModified = false;
然而当结合 Audit.NET 的 AuditDbContext 并启用 ReloadDatabaseValues = true 时,这种保护机制会失效,导致 CreatedOn 等字段被意外修改为默认值(如 01/01/0001)。
技术原理分析
这个问题本质上源于 EF Core 的变更跟踪机制与 Audit.NET 的数据库值重载功能的交互方式:
-
标准 EF Core 行为:当设置 IsModified = false 时,EF Core 会忽略该属性的变更,不生成对应的 UPDATE 语句。
-
AuditDbContext 行为:当启用 ReloadDatabaseValues 时,框架会执行两个关键操作:
- 调用 GetDatabaseValues() 重新加载数据库当前值
- 使用 OriginalValues.SetValues() 重置实体原始值
-
冲突产生原因:这些操作发生在开发人员设置的 IsModified = false 之后,导致变更跟踪状态被重置,CreatedOn 字段重新被标记为已修改。
解决方案比较
方案一:使用拦截器替代继承
这是作者最终采用的解决方案,主要优势在于:
- 避免继承 AuditDbContext 带来的副作用
- 可以更精细地控制审计逻辑
- 保留对变更跟踪的完全控制权
实现要点:
// 注册拦截器
protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
{
optionsBuilder.AddInterceptors(new AuditSaveChangesInterceptor());
base.OnConfiguring(optionsBuilder);
}
// 自定义重载逻辑
private void ReloadOriginalValues()
{
ChangeTracker.DetectChanges();
foreach (var changedEntity in ChangeTracker.Entries().Where(x => x.State == EntityState.Modified).ToList())
{
var newvalues = changedEntity.CurrentValues.Clone();
changedEntity.Reload();
changedEntity.CurrentValues.SetValues(newvalues);
changedEntity.State = EntityState.Modified;
}
}
方案二:调整字段保护时机
理论上可以在 Audit.NET 完成重载后再次设置 IsModified = false,但实际实现较为复杂,需要深入了解框架内部机制。
最佳实践建议
-
谨慎使用 ReloadDatabaseValues:评估是否真正需要此功能,它会对性能有一定影响。
-
考虑审计策略:对于只需要记录变更的场景,可以只审计变更字段而非完整实体。
-
字段保护双重机制:
- 使用 [AuditIgnore] 特性标记不应审计的字段
- 在业务逻辑层进行验证
-
测试覆盖:特别关注部分更新场景,确保关键字段不会被意外修改。
总结
在 EF Core 与 Audit.NET 集成过程中,变更跟踪是一个需要特别注意的领域。通过改用拦截器模式并实现自定义的重载逻辑,可以有效解决 AuditDbContext 继承方式下的字段保护问题。这种方案既保留了审计功能,又确保了对关键字段的保护,是复杂审计场景下的推荐实践。
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