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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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