System.Linq.Dynamic.Core 在.NET 8中的EF类型加载问题解析
问题背景
System.Linq.Dynamic.Core是一个流行的动态LINQ查询库,它允许开发者在运行时构建LINQ查询。近期有开发者报告,在将项目从.NET Core 3.1升级到.NET 8后,遇到了性能问题,特别是在使用Radzen数据网格时首次加载或排序数据时表现明显。
问题根源
问题的核心在于库中的PredefinedTypesHelper类在静态构造函数中尝试加载Entity Framework 6的类型。这些类型包括:
- System.Data.Objects.EntityFunctions
- System.Data.Objects.SqlClient.SqlFunctions
- System.Data.Objects.SqlClient.SqlSpatialFunctions
- System.Data.Entity.Core.Objects.EntityFunctions
- System.Data.Entity.DbFunctions
- System.Data.Entity.Spatial.DbGeography
- System.Data.Entity.SqlServer.SqlFunctions
- System.Data.Entity.SqlServer.SqlSpatialFunctions
在.NET Core 3.1及更早版本中,这些类型会被NETSTANDARD预处理器指令排除。但在.NET 5及更高版本中,这些指令不再适用,导致库尝试加载这些EF 6类型。
性能影响
当应用程序目录中存在大量未引用的程序集时,Type.GetType()调用会强制加载所有这些程序集到AppDomain中。对于拥有数百个程序集的大型项目,这会显著影响首次查询的性能。
解决方案
开发团队针对此问题实施了以下改进:
-
条件加载优化:修改了
PredefinedTypesHelper,仅在检测到特定EF类型时才尝试加载相关程序集。通过检查EntityFramework.DynamicLinq.EFType和Microsoft.EntityFrameworkCore.DynamicLinq.EFType类型的存在性来决定是否加载EF相关类型。 -
程序集加载控制:新增了
LoadAdditionalAssembliesFromCurrentDomainBaseDirectory配置选项,默认值为false。这可以防止自动加载应用程序目录中的所有程序集,只有当明确需要时才启用此功能。 -
预处理器指令调整:将EF类型加载逻辑限制在.NET Framework和.NET Standard 2.1环境下,避免在.NET 5及更高版本中不必要地加载这些类型。
开发者应对建议
对于遇到此问题的开发者,可以采取以下措施:
-
升级到最新版本:确保使用包含这些修复的最新版System.Linq.Dynamic.Core。
-
自定义类型提供程序:如需要更精细的控制,可以实现自定义的
IDynamicLinqCustomTypeProvider:
public class CustomDynamicLinqTypeProvider : AbstractDynamicLinqCustomTypeProvider, IDynamicLinkCustomTypeProvider
{
// 实现必要的接口方法
}
然后在应用程序启动时配置:
ParsingConfig.Default.CustomTypeProvider = new CustomDynamicLinqTypeProvider();
- 配置程序集加载行为:根据需求设置
LoadAdditionalAssembliesFromCurrentDomainBaseDirectory属性:
ParsingConfig.Default.LoadAdditionalAssembliesFromCurrentDomainBaseDirectory = false;
总结
System.Linq.Dynamic.Core在.NET 8环境下的这一改进,有效解决了因不必要加载EF 6类型和额外程序集导致的性能问题。开发者现在可以更灵活地控制类型解析行为,特别是在拥有大量插件或模块化架构的应用程序中,这一改进将显著提升首次查询的性能表现。
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