Blockscout项目中Rollups交易批次的监控机制优化

在区块链浏览器Blockscout的最新开发中，团队针对Rollups技术栈（包括Arbitrum、Optimism、ZkSync等）的交易批次监控功能进行了重要升级。这项改进主要涉及两个方面：API健康检查端点的功能扩展和Prometheus监控指标的引入。

健康检查端点增强

原有的/api/health端点仅提供区块实时索引的状态信息，现已扩展为包含交易批次的监控数据。新的响应结构采用模块化设计，将区块和批次信息分离，各自包含健康状态和最新数据：

{
    "metadata": {
        "blocks": {
            "latest_block": {
                "cache": {
                    "timestamp": "2025-02-13 13:48:19.000000Z",
                    "number": "131927861"
                },
                "db": {
                    "timestamp": "2025-02-13 13:48:25.000000Z",
                    "number": "131927864"
                }
            },
            "healthy": true
        },
        "batches": {
            "latest_batch": {
                "timestamp": "2025-02-13 13:48:19.000000Z",
                "number": "100500"
            },
            "healthy": false
        }
    },
    "healthy": false
}

各Rollups实现的监控逻辑

针对不同类型的Rollups解决方案，Blockscout实现了特定的批次监控函数：

Arbitrum实现

Arbitrum模块通过查询最新的10个批次及其对应的L1提交交易来计算平均批次间隔时间。核心函数位于Explorer.Chain.Arbitrum.Reader.Common模块中，主要逻辑包括：

• 获取最新10个批次及其提交交易的时间戳
• 计算相邻批次间的时间差平均值
• 返回最新批次号、时间戳和平均间隔

Optimism实现

Optimism采用FrameSequence模型，其监控函数特点包括：

• 查询最近100个已就绪(view_ready)的帧序列
• 计算首尾批次的时间跨度平均值
• 特别处理当批次数量不足时的边界情况

Polygon zkEVM实现

针对Polygon zkEVM的特殊性，实现关注的是最终确定的批次：

• 同样基于最近100个批次计算
• 只考虑已设置时间戳的最终确定批次
• 计算方式与Optimism类似但针对不同数据模型

Scroll实现

Scroll的实现特点：

• 直接查询Batch表中的提交时间戳
• 采用与其他实现相同的100批次窗口
• 返回数据结构保持一致性

Prometheus监控集成

除了API端点外，项目还在各Rollups的批次导入关键位置添加了Prometheus指标采集点：

1. Arbitrum：在发现新批次时触发指标更新
2. Optimism：在批次导入事务完成后记录
3. Polygon zkEVM：在批量导入循环中采集
4. ZkSync：在发现流程结束时记录最高批次号

这些指标包括：

• 最新批次号
• 最新批次时间戳
• 批次间平均时间间隔
• 导入批次数量等运营指标

技术实现细节

在计算批次间隔平均值时，项目采用了稳健的算法：

batches
|> Enum.zip(tl([latest_batch | batches]))
|> Enum.map(fn {newer, older} ->
    DateTime.diff(newer.timestamp, older.timestamp, :second)
end)
|> then(fn diffs ->
    div(Enum.sum(diffs), length(diffs))
end)

这种实现确保了即使在高吞吐链环境下也能准确计算批次间隔。对于边界情况（如首批次或少量批次）也有专门处理，保证系统稳定性。

总结

Blockscout的这次监控增强使得运维人员能够全面掌握Rollups链的实时状态，不仅知道区块同步情况，还能监控L2到L1的批次提交健康度。这种细粒度的监控对于维护高性能Rollups浏览器至关重要，特别是在网络拥堵或同步延迟时能快速定位问题。模块化的设计也便于未来支持更多类型的Rollups解决方案。