Mikro-ORM 中实现 PostgreSQL 行级安全(RLS)的实践指南
2025-05-28 11:18:05作者:劳婵绚Shirley
背景介绍
PostgreSQL 的行级安全(Row Level Security, RLS)是一种强大的数据访问控制机制,它允许开发者在数据库层面实现细粒度的权限控制。在多租户应用中,RLS 可以确保每个租户只能访问自己的数据,而不会意外看到其他租户的信息。
技术挑战
在使用 Mikro-ORM 这样的 ORM 框架时,实现 RLS 面临的主要挑战是如何在每次数据库操作前正确设置会话级别的配置参数。由于 ORM 抽象了底层的连接管理,我们需要找到合适的方式来注入这些配置。
解决方案探索
1. 直接连接控制方案
通过获取显式连接并执行 SQL 命令来设置参数是最直接的方式:
const conn = this.em.getConnection();
await conn.execute("SELECT set_config('app.bypass_rls', 'off', FALSE)");
await conn.execute(`SELECT set_config('app.current_tenant', '${tenantId}', FALSE)`);
await conn.execute(`SELECT * from rls_protected_table`);
这种方式的缺点是需要在每个操作前手动设置参数,容易遗漏且维护成本高。
2. 连接池拦截方案
更优雅的解决方案是利用连接池的生命周期钩子。Mikro-ORM 底层使用 Knex.js 和 Tarn.js 管理连接池,我们可以通过以下方式拦截连接:
// 初始化 Mikro-ORM 时配置
const orm = await MikroORM.init({
// ...其他配置
driverOptions: {
connection: {
afterCreate: async (conn, done) => {
await conn.query(`SELECT set_config('app.current_tenant', '${currentTenant}', FALSE)`);
done(null, conn);
}
}
}
});
这种方式确保了每次从连接池获取连接时都会自动设置正确的租户ID。
3. 请求上下文感知方案
对于 Web 应用,最佳实践是将租户信息与请求上下文绑定:
// 中间件示例
app.use(async (req, res, next) => {
const tenantId = extractTenantFromRequest(req);
// 为当前请求创建专用的 ORM 实例
req.orm = await createOrmForTenant(tenantId);
next();
});
async function createOrmForTenant(tenantId: string) {
return MikroORM.init({
// ...基础配置
driverOptions: {
connection: {
afterCreate: async (conn, done) => {
await conn.query(`SELECT set_config('app.current_tenant', '${tenantId}', FALSE)`);
done(null, conn);
}
}
}
});
}
性能考量
虽然为每个请求创建新的 ORM 实例听起来开销很大,但实际上:
- 连接池是共享的,不会为每个实例创建新池
- ORM 实例本身的创建成本很低
- 这种设计确保了完美的隔离性
最佳实践建议
- 统一参数管理:将所有的 RLS 相关参数集中管理,避免散落在代码各处
- 错误处理:确保在连接失败时能正确处理回退逻辑
- 测试验证:编写专门的测试用例验证 RLS 是否按预期工作
- 性能监控:监控 RLS 对查询性能的影响
总结
在 Mikro-ORM 中实现 PostgreSQL RLS 需要理解 ORM 的连接管理机制。通过合理利用连接池钩子和请求上下文,我们可以构建出既安全又高效的多租户应用架构。关键在于找到抽象与控制的平衡点,既享受 ORM 的便利,又不失去数据库层面的安全控制能力。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1