ThingsBoard审计日志机制深度解析与Dashboard访问监控实践
2025-05-12 02:46:00作者:宣海椒Queenly
一、审计日志功能概述
ThingsBoard作为物联网平台,其审计日志功能提供了对系统操作行为的记录能力。在配置文件中,审计日志支持三种级别设置:
- OFF:完全禁用日志记录
- W:仅记录写操作
- RW:同时记录读和写操作
二、审计日志的运作机制
通过分析ThingsBoard 3.8.1版本的实现,我们发现审计日志基于REST API调用进行记录。对于Dashboard实体,"读操作"的判定标准与传统认知存在差异:
- 直接打开Dashboard界面不会触发读操作记录
- 只有通过"属性"标签页查看Dashboard属性时才会记录读操作
这种设计源于平台对"读操作"的严格定义——仅当通过特定API端点获取数据时才视为有效读操作。
三、各实体类型的读操作触发条件
经过深入测试,我们整理出各实体类型的读操作触发条件对照表:
| 实体类型 | 读操作触发条件 |
|---|---|
| 设备(Device) | 查看详情、属性、最新遥测等标签页 |
| 资产(Asset) | 查看属性标签页 |
| 客户(Customer) | 查看属性标签页 |
| 用户(User) | 查看属性标签页 |
| 规则链(Rule Chain) | 查看属性标签页 |
| 边缘(Edge) | 查看属性标签页 |
| 其他实体 | 无有效读操作记录 |
四、Dashboard访问监控的替代方案
针对需要记录Dashboard访问场景的需求,我们推荐以下两种实现方案:
方案一:自定义计数组件
- 创建专用设备作为计数器载体
- 为每个Dashboard创建独立的服务器属性
- 开发自定义组件,在初始化时自动递增计数器
该方案优势在于实现简单,适合基础访问统计需求。
方案二:高级访问追踪组件
基于ThingsBoard的Widget API,可以实现更精细的访问记录:
// 组件初始化逻辑示例
function onInit() {
const user = getCurrentUser();
const dashboard = getCurrentDashboard();
saveTimeseriesData('access_log', {
userIdentifier: user.id,
userName: user.name,
dashboardId: dashboard.id,
accessTime: Date.now()
});
}
这种实现可以记录:
- 访问用户标识信息
- 精确时间戳
- Dashboard标识信息
- 其他上下文数据
五、最佳实践建议
- 对于审计合规场景,建议结合系统日志与自定义监控方案
- 重要Dashboard建议采用方案二实现细粒度监控
- 定期检查审计日志配置,确保关键操作被适当记录
- 考虑性能影响,高频访问场景建议采用批处理方式记录日志
六、技术实现注意事项
- 自定义组件应处理好并发访问情况
- 时间序列数据需考虑存储策略和保留周期
- 重要信息记录需符合数据隐私规范
- 生产环境部署前应进行压力测试
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-1.5HunyuanVideo-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
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 STM32到GD32项目移植完全指南:从兼容性到实战技巧 Jetson TX2开发板官方资源完全指南:从入门到精通 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 WebVideoDownloader:高效网页视频抓取工具全面使用指南 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
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++
649
270
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
297
111
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
384
3.68 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
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
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143