Audit.NET 中 MongoDB 数据提供程序的 JSON 序列化问题解析
在使用 Audit.NET 进行审计日志记录时,开发者可能会遇到 MongoDB 数据提供程序中自定义字段的序列化问题。本文将深入分析该问题的成因,并提供多种解决方案。
问题现象
当开发者使用 MongoDB 数据提供程序并配置 Newtonsoft.Json 序列化器时,通过 SetCustomField 方法添加的自定义字段会被嵌套在 "customFields" 对象中,而不是直接出现在文档的根级别。这与预期行为不符,特别是在需要保持数据结构扁平化的场景下。
问题根源
这个问题源于 MongoDB 数据提供程序的序列化机制与 Newtonsoft.Json 的交互方式。当使用 Newtonsoft.Json 作为 JSON 适配器时,如果配置了 CamelCasePropertyNamesContractResolver 作为合约解析器,会覆盖 Audit.NET 内部使用的 AuditContractResolver,导致扩展数据属性无法正确序列化到根级别。
解决方案
方案一:启用 BSON 原生序列化
最简单的解决方案是启用 MongoDB 驱动程序的 BSON 原生序列化功能:
Audit.Core.Configuration.Setup()
.JsonNewtonsoftAdapter(jsonSerializerSettings)
.UseMongoDB(mongo => mongo
.ConnectionString("mongodb://localhost:27017")
.Database("DbName")
.Collection("ColName")
.SerializeAsBson());
启用此选项后,审计事件将直接序列化为 BSON 文档,绕过 JSON 中间格式,从而保持字段结构的扁平化。
方案二:配置 MongoDB 命名约定
如果需要保持 camelCase 命名风格,可以配置 MongoDB 的命名约定:
using MongoDB.Bson.Serialization.Conventions;
var conventionPack = new ConventionPack { new CamelCaseElementNameConvention() };
ConventionRegistry.Register("CamelCase", conventionPack, type => true);
这种方法允许在保持 BSON 序列化的同时,实现字段名的自动转换。
方案三:自定义 AuditContractResolver
对于必须使用 Newtonsoft.Json 的场景,可以自定义 AuditContractResolver 来实现 camelCase 命名:
var jsonSerializerSettings = new JsonSerializerSettings
{
Formatting = Formatting.Indented,
ContractResolver = new AuditContractResolver {
NamingStrategy = new CamelCaseNamingStrategy()
},
Converters = new List<JsonConverter> { new JavaScriptDateTimeConverter() }
};
这种方法既保持了字段的扁平化结构,又实现了命名的规范化。
技术原理
Audit.NET 在处理自定义字段时,依赖于 JsonExtensionDataAttribute 来将动态属性序列化到根级别。当使用自定义的合约解析器时,这一机制可能会被破坏。而 BSON 序列化则直接操作对象图,避免了 JSON 序列化过程中的这一限制。
最佳实践建议
- 对于 MongoDB 存储,优先考虑使用 BSON 原生序列化
- 如果需要特定的命名风格,使用 MongoDB 的命名约定系统
- 仅在必要时使用 Newtonsoft.Json 适配器,并注意合约解析器的配置
- 考虑迁移到 System.Text.Json 作为默认序列化器,以获得更好的性能和兼容性
通过理解这些机制和解决方案,开发者可以更灵活地配置 Audit.NET 以满足各种审计日志需求。
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