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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
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++
894
679
暂无简介
Dart
803
198
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
353
209
昇腾LLM分布式训练框架
Python
119
146
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
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781