2 Repos
Awesome GitHub RepositoriesData Auditing
Automatic tracking of record creation, modification, and timestamps for database entities.
Distinct from Automatic Record Timestamping: Extends beyond simple timestamping to include identity tracking of who created or modified a record.
Explore 2 awesome GitHub repositories matching data & databases · Data Auditing. Refine with filters or upvote what's useful.
Awesome Data Auditing GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- dotnetcore/util
dotnetcore/Util
4,610Auf GitHub ansehenUtil ist ein umfassendes Entwicklungsframework für .NET, das darauf ausgelegt ist, geschichtete Architekturen und Domain-Driven-Design zu implementieren. Es bietet ein Toolkit aus Basisklassen und Tools für den Aufbau von Full-Stack-Anwendungen, wobei der Fokus insbesondere auf der Erstellung von Backend-Admin-Frameworks und Verwaltungsoberflächen liegt. Das Projekt zeichnet sich durch einen Boilerplate-Generator aus, der die notwendigen Typen und Klassen produziert, um repetitive Architekturmuster zu standardisieren. Es enthält zudem einen Micro-Frontend-Orchestrator, der die Aufteilung großer Frontend-Module in unabhängige Projekte für separate Entwicklung und Bereitstellung ermöglicht. Das Framework deckt eine breite Palette an Funktionsbereichen ab, einschließlich Identitäts- und Zugriffsmanagement mit rollenbasierter Steuerung, Multi-Tenant-Datenisolierung und automatisierter Abhängigkeitsregistrierung. Es bietet zudem Utilities für Datenänderungsaudits, Inhaltslokalisierung, Objektspeicherintegration und die Generierung von CRUD-Schnittstellen. Das System unterstützt die Erstellung von Admin-Oberflächen mittels vorintegrierter UI-Komponenten und serverseitigem Rendering via Razor-TagHelpers.
Automatically records the creator, modifier, and timestamps whenever a database record is saved.
C#angularaspnetcoredotnetcore - quartz/bad-data-guide
Quartz/bad-data-guide
4,120Auf GitHub ansehenDieses Projekt ist eine Sammlung von Referenzmaterialien und Richtlinien für die Implementierung von Data-Audit-Frameworks. Es dient als Referenzleitfaden für Datenqualität und als Handbuch zur Datensatzvalidierung für die Identifizierung häufiger struktureller und statistischer Fehler in Datensätzen. Das Projekt bietet eine strukturierte Wissensbasis für Datenbereinigung, inklusive eines Katalogs realer Datenfehler und praktischer Strategien für deren Erkennung und Behebung. Es enthält spezifische Frameworks zur Evaluierung der Datenherkunft (Provenance) und der Zuverlässigkeit aggregierter Informationen. Das Material deckt ein breites Spektrum an Datenanalyse-Funktionen ab, einschließlich statistischer Integritätsvalidierung zur Erkennung von Manipulationen, Assessments der Stichprobengültigkeit zur Identifizierung von Populations-Bias und Methoden zur strukturellen Fehlererkennung wie Kodierungsprobleme. Zudem beschreibt es Prozesse zur Wiederherstellung tabellarischer Informationen aus visuellen Dokumenten mittels OCR (Optical Character Recognition).
Identifies patterns of unreliable data such as suspicious default values and inconsistent spelling.
datadocumentationguide
