Audit.NET中移除审计事件内置字段的技术方案
背景介绍
在软件开发中,审计日志记录是一个关键功能,它帮助开发者追踪系统操作、排查问题并满足合规要求。Audit.NET是一个流行的.NET审计日志库,它提供了丰富的功能来记录应用程序中的各种事件。
问题描述
在使用Audit.NET时,开发者可能会遇到需要精简审计日志内容的情况。例如,某些内置字段(如Duration、EntityFrameworkEvent.Result等)可能包含不必要的信息,或者出于安全考虑需要从日志中移除。然而,这些字段是AuditEvent类的内置属性,不是简单的自定义字段,无法通过常规的CustomFields集合来移除。
解决方案
JSON序列化控制方案
针对这个问题,最有效的解决方案是利用.NET的JSON序列化控制功能。在.NET 7及以上版本中,可以通过TypeInfoResolver和JsonTypeInfo来精细控制序列化过程。
实现步骤
-
创建类型信息修改器:定义一个静态方法AuditEventModifier,用于修改特定类型的序列化行为。
-
配置属性序列化规则:在修改器中,针对AuditEvent和EntityFrameworkEvent类型,设置特定属性的ShouldSerialize回调,使其始终返回false。
-
应用到全局配置:将自定义的JsonSerializerOptions配置到Audit.NET的全局设置中。
代码示例
static void AuditEventModifier(JsonTypeInfo typeInfo)
{
if (typeof(AuditEvent).IsAssignableFrom(typeInfo.Type))
{
foreach (var prop in typeInfo.Properties)
{
if (prop.Name == nameof(AuditEvent.Duration))
{
prop.ShouldSerialize = static (_, _) => false;
}
}
}
else if (typeof(EntityFrameworkEvent).IsAssignableFrom(typeInfo.Type))
{
foreach (var prop in typeInfo.Properties)
{
if (prop.Name == nameof(EntityFrameworkEvent.Result))
{
prop.ShouldSerialize = static (_, _) => false;
}
}
}
}
// 应用到全局配置
Audit.Core.Configuration.JsonSettings = new JsonSerializerOptions
{
TypeInfoResolver = new DefaultJsonTypeInfoResolver
{
Modifiers = { AuditEventModifier }
}
};
通用化解决方案
为了更灵活地控制多个类型的多个属性,可以采用字典来管理需要保留的属性,实现更通用的解决方案:
private static readonly Dictionary<Type, List<string>> DefaultAuditEventProperties = new()
{
{ typeof(AuditEventEntityFramework), new List<string> {
nameof(AuditEventEntityFramework.EntityFrameworkEvent),
nameof(AuditEventEntityFramework.Environment),
nameof(AuditEventEntityFramework.StartDate) } },
{ typeof(EntityFrameworkEvent), new List<string> {
nameof(EntityFrameworkEvent.Entries) } },
{ typeof(EventEntry), new List<string> {
nameof(EventEntry.Name),
nameof(EventEntry.Action),
nameof(EventEntry.Changes),
nameof(EventEntry.ColumnValues) } },
{ typeof(AuditEventEnvironment), new List<string> {
nameof(AuditEventEnvironment.UserName),
nameof(AuditEventEnvironment.DomainName) } },
};
private static void DefineAuditableFields() =>
Audit.Core.Configuration.JsonSettings = new JsonSerializerOptions
{
TypeInfoResolver = new DefaultJsonTypeInfoResolver
{
Modifiers = { AuditEventModifier },
},
};
private static void AuditEventModifier(JsonTypeInfo typeInfo)
{
DefaultAuditEventProperties.TryGetValue(typeInfo.Type, out var auditProperties);
auditProperties ??= new List<string>();
foreach (var property in typeInfo.Properties)
{
property.ShouldSerialize = (_, _) => auditProperties.Contains(property.Name);
}
}
技术原理
这种解决方案利用了System.Text.Json在.NET 7中引入的TypeInfoResolver功能。TypeInfoResolver允许开发者在运行时修改类型的序列化行为,而ShouldSerialize回调则决定了特定属性是否应该被序列化。
当设置为返回false时,对应的属性将不会出现在最终的JSON输出中,从而达到"移除"字段的效果。这种方法实际上是在序列化阶段过滤掉了不需要的字段,而不是真正从对象中删除它们。
注意事项
-
版本要求:此方案需要.NET 7或更高版本,因为它依赖于System.Text.Json的新特性。
-
性能考虑:虽然这种解决方案非常灵活,但添加过多的类型修改器可能会对序列化性能产生轻微影响。
-
数据完整性:移除内置字段可能会影响审计日志的完整性,请确保移除的字段不会影响后续的日志分析和问题排查。
-
存储格式:此方案主要适用于JSON格式的存储,如果使用其他格式的数据提供程序,可能需要不同的实现方式。
总结
通过利用.NET的JSON序列化控制功能,开发者可以灵活地控制Audit.NET中审计事件的输出内容。这种方案不仅适用于移除内置字段,还可以扩展到更复杂的日志内容定制场景,为应用程序的审计日志提供了更高的可定制性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00