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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00