Nano节点单元测试中final vote构造的优化实践
2025-06-20 22:44:27作者:舒璇辛Bertina
在Nano节点项目的开发过程中,单元测试是保证代码质量的重要环节。近期,项目团队对测试代码中final vote(最终投票)的构造方式进行了优化,使用更简洁的辅助函数替代了原有的冗长构造方式。
背景
在Nano节点的测试代码中,经常需要构造final vote对象来模拟网络中的投票行为。原本的构造方式较为冗长,需要手动指定多个参数:
auto vote = std::make_shared<nano::vote>(
nano::dev::genesis_key.pub,
nano::dev::genesis_key.prv,
nano::vote::timestamp_max,
nano::vote::duration_max,
std::vector<nano::block_hash>(1, send->hash())
);
这种方式不仅代码量大,而且容易出错,特别是在需要频繁构造vote对象的测试场景中。
解决方案
项目引入了nano::test::make_final_vote()辅助函数来简化这一过程。新的构造方式如下:
nano::test::make_final_vote(nano::dev::genesis_key, { send });
这种改进带来了几个显著优势:
- 代码简洁性:从多行代码缩减为一行,大大提高了代码的可读性
- 可维护性:统一了final vote的构造方式,减少了出错概率
- 一致性:确保所有测试中的final vote都使用相同的参数构造
- 意图明确:函数名直接表明了构造的是final vote,而非其他类型的vote
实现细节
在实现上,make_final_vote()函数内部封装了final vote的标准参数:
- 使用
nano::vote::timestamp_max作为时间戳 - 使用
nano::vote::duration_max作为持续时间 - 自动处理公私钥对的使用
- 简化了区块哈希列表的构造
这种封装符合DRY(Don't Repeat Yourself)原则,避免了在多个测试文件中重复相同的构造逻辑。
影响范围
此次优化主要针对final vote的构造,项目中有大约10处类似的构造被替换。值得注意的是,Nano测试中还有其他类型的vote构造,这些保持不变以确保修改的专注性和可审查性。
总结
通过引入make_final_vote()辅助函数,Nano节点项目的测试代码变得更加简洁和可维护。这种改进体现了良好的软件开发实践:
- 通过辅助函数封装重复逻辑
- 提高代码表达力
- 降低维护成本
- 保持修改范围的可控性
对于开发者而言,这种优化也使得编写测试更加高效,可以更专注于测试逻辑本身而非繁琐的对象构造过程。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218