KtORM 中实现类似 Hibernate 的字段加密转换功能
在数据库应用开发中,数据加密是一个常见的安全需求。本文将介绍如何在 KtORM 框架中实现类似 Hibernate 的 @ColumnTransformer 功能,用于对数据库字段进行透明加密和解密操作。
背景与需求
在实际项目中,我们经常需要对敏感数据进行加密存储。在 PostgreSQL 数据库中,可以使用内置的 pgp_sym_encrypt 和 pgp_sym_decrypt 函数进行对称加密。Hibernate 通过 @ColumnTransformer 注解可以方便地实现这一功能:
@ColumnTransformer(
read = "pgp_sym_decrypt(field, current_setting('encrypt.key'))",
write = "pgp_sym_encrypt(?, current_setting('encrypt.key'))"
)
而在 KtORM 中,我们需要找到对应的实现方式。
解决方案一:自定义 SqlType
KtORM 提供了自定义 SqlType 的能力,我们可以通过实现 SqlType 接口来封装加密解密逻辑:
object EncryptedStringSqlType : SqlType<String>(Types.VARCHAR, "varchar") {
override fun doSetParameter(ps: PreparedStatement, index: Int, parameter: String) {
val encrypted = encrypt(parameter) // 实现加密逻辑
ps.setString(index, encrypted)
}
override fun doGetResult(rs: ResultSet, index: Int): String? {
val encrypted = rs.getString(index)
return decrypt(encrypted) // 实现解密逻辑
}
}
// 在实体类中使用
@Table
interface User : Entity<User> {
@Column(sqlType = EncryptedStringSqlType::class)
val sensitiveData: String
}
这种方式的优点是将加密解密逻辑完全封装在 Kotlin 代码中,与数据库无关。但缺点是如果加密密钥存储在数据库中(如 PostgreSQL 的 current_setting),则无法直接使用。
解决方案二:使用 FunctionExpression
对于需要数据库端加密的场景,KtORM 提供了 FunctionExpression 来构造 SQL 函数调用。我们可以创建辅助函数来简化使用:
// 解密函数
fun pgpSymDecrypt(column: ColumnDeclaring<String>): FunctionExpression<String> {
return FunctionExpression(
functionName = "pgp_sym_decrypt",
arguments = listOf(
column.asExpression(),
FunctionExpression(
functionName = "CURRENT_SETTING",
arguments = listOf(ArgumentExpression("encrypt.key", VarcharSqlType)),
sqlType = VarcharSqlType
)
),
sqlType = VarcharSqlType
)
}
// 加密函数
fun pgpSymEncrypt(value: String): FunctionExpression<String> {
return FunctionExpression(
functionName = "pgp_sym_encrypt",
arguments = listOf(
ArgumentExpression(value, VarcharSqlType),
FunctionExpression(
functionName = "CURRENT_SETTING",
arguments = listOf(ArgumentExpression("encrypt.key", VarcharSqlType)),
sqlType = VarcharSqlType
)
),
sqlType = VarcharSqlType
)
}
使用示例:
// 查询时解密
database.from(Users)
.select(Users.id, pgpSymDecrypt(Users.sensitiveData).aliased("decrypted"))
.forEach { row ->
val decrypted = row.getString("decrypted")
// 处理解密后的数据
}
// 插入时加密
database.insert(Users) {
set(it.sensitiveData, pgpSymEncrypt("要加密的数据"))
}
方案对比与选择
-
自定义 SqlType:
- 优点:透明化处理,业务代码无需关心加密细节
- 缺点:需要在应用层实现加密逻辑,无法利用数据库内置函数
-
FunctionExpression:
- 优点:可以利用数据库内置加密函数,密钥管理在数据库端
- 缺点:需要显式调用辅助函数,代码稍显冗长
根据具体场景选择合适方案。如果加密逻辑简单且不依赖数据库特性,推荐使用自定义 SqlType;如果需要利用数据库内置加密功能,则应选择 FunctionExpression 方案。
总结
KtORM 虽然不像 Hibernate 那样提供直接的注解支持字段转换,但通过自定义 SqlType 或 FunctionExpression 也能实现类似的功能。这两种方法各有优劣,开发者可以根据项目具体需求选择最适合的方案。
对于需要高度透明化的场景,可以进一步封装,创建自定义的 Column 实现或扩展函数,使 API 更加友好。KtORM 的灵活架构为各种定制需求提供了充分的可能性。
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