Kysely项目中实现PostgreSQL行级安全(RLS)的技术方案
2025-05-19 14:44:07作者:蔡怀权
背景介绍
在现代多租户SaaS应用中,行级安全(Row-Level Security)是隔离租户数据的重要机制。PostgreSQL原生支持RLS功能,允许开发者通过设置会话变量来控制数据访问权限。本文将探讨如何在Kysely项目中优雅地实现这一功能。
核心挑战
在Kysely中实现RLS面临几个技术难点:
- 需要在每个查询前设置租户上下文变量
- 需要确保会话变量设置与业务查询的原子性
- 需要保持代码的整洁性和可维护性
解决方案设计
基础方案分析
直接在每个查询前添加SET语句虽然可行,但会导致代码重复和维护困难。更优雅的方式是通过Kysely的插件系统或连接管理机制来实现。
连接服务封装
我们可以创建一个ConnectionService来封装租户上下文设置逻辑:
type Callback = (db: Database) => any;
@Injectable()
export class ConnectionService {
constructor(@InjectDb() private db: Database) {}
getConnection() {
const connection = this.db.connection();
return async <T extends Callback>(
callback: Callback,
): Promise<ReturnType<T>> => {
const setTenant = sql`SET app.current_tenant = ${sql.raw(ctx.getTenant())}`;
return await connection.execute(async (db) => {
await db.executeQuery(setTenant.compile(db));
return callback(db);
});
};
}
}
应用层使用示例
在业务服务中,我们可以这样使用封装好的连接服务:
class SomeService {
constructor(private connectionService: ConnectionService) {}
async someMethod() {
const withConnection = this.connectionService.getConnection();
const queryFn = async (db: Database) => {
return db.selectFrom('users').selectAll().executeTakeFirst();
};
const result = await withConnection<typeof queryFn>(queryFn);
console.log('result', result);
}
}
技术实现细节
- 连接管理:通过Kysely的connection()方法获取底层连接
- 会话变量设置:在执行用户查询前,先执行SET语句设置租户上下文
- 类型安全:使用泛型确保回调函数的类型安全
- 依赖注入:通过装饰器实现服务的依赖注入
替代方案比较
- 直接修改查询:在每个查询前手动添加SET语句,简单但维护成本高
- 自定义驱动:实现更底层的控制,但开发复杂度高
- 使用现有插件:如kysely-access-control,但不直接支持PostgreSQL原生RLS
最佳实践建议
- 错误处理:增强连接服务中的错误处理逻辑
- 性能考量:考虑连接池管理和SET语句的执行开销
- 测试覆盖:确保租户隔离在各种场景下的正确性
- 日志记录:添加适当的日志记录以方便调试
总结
通过封装连接服务的方式在Kysely中实现PostgreSQL RLS,既保持了代码的整洁性,又确保了租户隔离的安全性。这种方案虽然需要执行两条SQL语句,但在可维护性和功能性之间取得了良好的平衡。开发者可以根据具体项目需求,在此基础上进一步扩展和完善。
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
269
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
620
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