Audit.NET 中使用 EF Core 拦截器时异常处理的注意事项
问题背景
在使用 Audit.NET 框架与 Entity Framework Core 集成时,开发人员可能会遇到一个棘手的问题:当数据库操作发生异常时,系统会陷入无限循环,最终导致堆栈溢出。这种情况特别容易在使用 AuditSaveChangesInterceptor 拦截器时出现。
问题现象
当配置了 Audit.NET 的 EF Core 拦截器后,如果数据库操作(如违反主键约束)抛出异常,系统不会正常处理这个异常,而是会不断尝试记录审计日志,形成递归调用,最终导致进程崩溃。
根本原因
这个问题的核心在于审计日志记录和业务操作使用了同一个 DbContext 实例。当主操作失败时,审计拦截器会尝试记录这个失败操作,但由于审计记录本身也需要使用同一个 DbContext,这就形成了一个循环依赖:
- 业务操作失败抛出异常
- 拦截器尝试记录审计日志
- 审计日志记录需要保存到数据库
- 保存审计日志时又触发了拦截器
- 重复步骤1-4,直到堆栈溢出
解决方案
方案1:使用独立的 DbContext 实例
最可靠的解决方案是确保审计日志使用独立的 DbContext 实例。可以通过以下方式实现:
Audit.Core.Configuration.Setup()
.UseEntityFramework(ef => ef
.UseDbContext(ev => new AuditDbContext(/* 连接字符串 */))
.DisposeDbContext()
.AuditTypeMapper(t => typeof(AuditLog))
// 其他配置...
);
方案2:使用 DbContext 工厂模式
如果项目中使用依赖注入,可以注册 DbContext 工厂:
services.AddDbContextFactory<AuditDbContext>();
// 配置 Audit.NET
Audit.Core.Configuration.Setup()
.UseEntityFramework(ef => ef
.UseDbContext(ev =>
ev.GetEntityFrameworkEvent()
.GetDbContext()
.GetService<IDbContextFactory<AuditDbContext>>()
.CreateDbContext())
// 其他配置...
);
方案3:继承 AuditDbContext
对于许多项目来说,继承 AuditDbContext 可能是更简单可靠的方案:
public class MyDbContext : AuditDbContext
{
// 正常的 DbContext 实现
}
这种方式内部已经处理好了审计日志的记录逻辑,避免了循环依赖问题。
最佳实践建议
-
隔离审计日志:审计日志表最好放在单独的数据库中,或者至少使用单独的 DbContext 实例
-
错误处理:在审计日志记录逻辑中加入适当的错误处理,避免审计过程本身导致业务操作失败
-
性能考虑:对于高频操作,考虑异步记录审计日志或使用批处理
-
测试验证:特别要测试各种异常场景下的审计日志记录行为
总结
在使用 Audit.NET 进行 EF Core 操作审计时,正确处理 DbContext 的生命周期和实例隔离是关键。通过采用上述任一解决方案,可以避免异常情况下的堆栈溢出问题,同时保持系统的审计功能正常运行。对于大多数项目,继承 AuditDbContext 的方式提供了最佳的开箱即用体验和稳定性。
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
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