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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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