Sui节点开发:本地网络初始化时预配置地址的方法解析
2025-06-01 04:52:57作者:羿妍玫Ivan
在Sui区块链开发过程中,开发者经常需要搭建本地测试网络进行功能验证。一个常见的痛点在于每次启动本地网络时,都需要通过水龙头(Faucet)重复申请测试代币,这不仅降低了开发效率,也使得自动化测试流程变得复杂。本文将深入探讨如何通过持久化网络状态的方法解决这一问题。
核心问题分析
Sui节点的本地网络默认采用临时存储模式,这意味着:
- 节点停止后所有链上数据会被清除
- 账户状态和代币余额不会保留
- 每次重启都需要重新初始化测试环境
这种设计虽然保证了测试环境的纯净性,但对于需要长期开发的场景却带来了不便。
持久化网络解决方案
Sui提供了网络状态持久化机制,通过以下步骤实现:
-
创建持久化存储目录 建议在项目目录外建立独立的数据存储文件夹,例如:
mkdir -p ~/sui-network-data -
指定数据目录启动节点 使用
--db-path参数指定存储位置:sui start --db-path ~/sui-network-data -
初始化测试账户 首次启动后,可以通过CLI工具创建并持久化测试账户:
sui client new-address ed25519 -
分配初始代币 使用以下命令为指定地址预分配测试SUI:
sui client transfer-sui --to <ADDRESS> --amount 100000000 --gas-budget 1000
高级配置技巧
对于更复杂的测试场景,开发者还可以:
-
预配置多个测试账户 在启动脚本中批量创建地址并分配初始资金
-
自定义初始代币量 通过修改本地网络的创世配置,调整初始代币分配方案
-
集成到CI/CD流程 将初始化脚本与自动化测试工具链集成,实现一键环境准备
注意事项
- 持久化数据可能包含敏感信息,应妥善保管存储目录
- 不同版本的Sui节点可能存在存储格式差异
- 测试代币仅限本地网络使用,与主网无关
通过合理使用网络状态持久化功能,开发者可以显著提升本地测试效率,将更多精力集中在核心业务逻辑的开发上。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
941
868
openEuler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。
C
394
292
暂无简介
Dart
911
219
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557