Nano节点单元测试中final vote构造的优化实践
2025-06-20 20:59:28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
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- 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
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
573
3.87 K
Ascend Extension for PyTorch
Python
392
472
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++
898
694
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
358
217
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
123
160
🎉 (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
1.38 K
784
昇腾LLM分布式训练框架
Python
122
147
暂无简介
Dart
811
199
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
533
235
React Native鸿蒙化仓库
JavaScript
312
363