Power-Fx 表达式匿名化处理中的自定义函数支持
背景介绍
Power-Fx 是微软开发的一种低代码公式语言,广泛应用于各种业务逻辑和自动化场景中。在实际应用中,用户经常会定义和使用自定义函数来满足特定业务需求。当系统需要对用户输入的表达式进行匿名化处理时(例如用于日志记录或错误报告),正确处理这些自定义函数就显得尤为重要。
问题描述
在 Power-Fx 的早期版本中,表达式匿名化功能主要针对内置函数进行处理。当遇到用户自定义函数时,系统无法正确识别并将其匿名化,这可能导致敏感信息泄露或日志可读性降低。
例如,当用户输入表达式 UserNewFunction(1) 时,理想的匿名化结果应该是类似 #$customfunction$#(#$decimal$#) 的形式,而不是保留原始函数名。
技术实现方案
为了解决这个问题,开发团队在 Power-Fx 的核心解析器中实现了以下改进:
-
函数类型识别机制:系统现在能够区分内置函数和用户自定义函数。通过维护一个内置函数列表(BuiltinCore),可以快速判断函数是否为用户定义。
-
自定义函数标记:当解析器遇到不在内置函数列表中的函数调用时,会将其标记为自定义函数类型,而不是直接保留原始名称。
-
统一匿名化格式:所有自定义函数在匿名化后都使用统一的占位符格式
#$customfunction$#,保持输出的一致性。 -
参数处理保留:虽然函数名被匿名化处理,但参数的类型信息仍然保留,这对于调试和错误分析仍然有价值。
实现细节
在具体实现上,开发团队修改了表达式解析器的匿名化逻辑:
- 新增了对函数调用节点的特殊处理分支
- 实现了函数类型的快速查询机制
- 确保匿名化过程不影响原始表达式的语义结构
- 保持与现有匿名化格式的兼容性
实际应用价值
这一改进带来了多方面的好处:
-
增强隐私保护:用户定义的特殊函数名不会出现在日志或错误报告中,降低了信息泄露风险。
-
提高日志可读性:统一的匿名化格式使得日志更加整洁,便于自动化处理和分析。
-
保持调试能力:虽然函数名被匿名化,但保留了参数类型信息,开发人员仍能获取有价值的调试信息。
-
系统兼容性:不影响现有表达式的解析和执行,只是改变了匿名化输出的形式。
总结
Power-Fx 对自定义函数的匿名化支持体现了微软对开发者体验和系统安全性的持续关注。这一改进虽然看似微小,但对于使用 Power-Fx 构建企业级应用的用户来说,能够有效平衡调试需求和隐私保护,是低代码平台成熟度提升的重要标志。随着 Power-Fx 的不断发展,我们可以期待更多类似的细致优化,使开发者能够更安全、高效地构建业务解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00