LND节点listpayments命令性能问题分析与解决方案
问题现象
在运行LND节点的过程中,用户发现listpayments命令执行异常缓慢。具体表现为:仅查询209条支付记录需要耗时43秒,而查询34万条转发记录却能在不到1秒内完成。更严重的是,当尝试使用--include_incomplete false参数排除未完成支付时,节点甚至出现了20分钟无响应并最终重启的情况。
根本原因分析
通过对CPU性能分析文件的深入检查,技术团队发现了以下关键问题点:
-
内存与垃圾回收瓶颈:性能分析显示大部分CPU时间消耗在
allocgc/scanObject垃圾回收调用上。这表明系统内存资源已接近耗尽,导致频繁的垃圾回收操作严重拖慢了处理速度。 -
查询设计问题:当前实现中,
listpayments命令会获取完整的HTLC数据,而实际上这些数据并非总是必要。此外,查询参数max_payments被设置为最大值(MaxUint64),这会导致所有支付记录都被加载到内存中,对系统资源造成极大压力。 -
硬件资源不足:特别是当节点同时运行Elements、Bitcoin全节点和LND时,8GB内存明显不足,导致系统频繁使用交换空间(swap),进一步加剧了性能问题。
技术背景
LND默认使用bbolt作为数据库后端,这种键值存储数据库在处理大量小规模读写时表现良好,但在执行全表扫描类查询时性能会显著下降。支付数据在LND中被设计为包含完整的HTLC信息,这使得每条支付记录都较为复杂,当需要处理大量记录时,内存消耗会急剧增加。
解决方案与优化建议
短期解决方案
-
增加系统内存:对于同时运行多个区块链服务的节点,建议至少配置16GB内存,避免使用交换空间。
-
优化查询参数:在查询时添加合理的限制条件,避免一次性加载过多数据:
lncli listpayments --max_payments 100 -
选择性获取数据:如果不需要HTLC详细信息,可以暂时使用其他替代命令获取概要信息。
长期改进
LND开发团队已经意识到这个问题,并计划通过以下方式从根本上解决:
-
实现新的支付SQL模式:将支付数据迁移到更适合复杂查询的关系型数据库结构中。
-
添加查询参数:计划增加标志位来控制是否获取HTLC数据,减少不必要的数据加载。
-
设置合理的默认限制:将对
max_payments参数设置合理的上限,防止意外的大量数据查询。
最佳实践建议
-
定期维护:对于高频使用的节点,建议定期清理不需要的支付数据。
-
监控资源使用:设置系统监控,及时发现内存不足的情况。
-
版本升级:关注LND新版本发布,及时升级以获取性能改进。
-
数据库选择:对于大型节点,考虑使用PostgreSQL等替代数据库后端。
总结
LND节点的listpayments命令性能问题主要源于内存资源不足和查询设计上的优化空间。通过硬件升级和合理的查询参数设置可以在短期内缓解问题,而开发团队正在进行的架构改进将从长期解决这一性能瓶颈。节点运营者应当根据自身业务需求,选择合适的硬件配置和查询策略,确保节点稳定高效运行。
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。C036
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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