BSC节点中PathSchema与PebbleDB的配置验证方法
2025-06-27 10:48:47作者:宣聪麟
在运行BNB Smart Chain(BSC)节点时,了解当前使用的状态存储方案(State Scheme)和底层数据库引擎对于节点性能调优和问题排查至关重要。本文将详细介绍如何验证BSC节点是否使用了PathSchema状态方案和PebbleDB数据库引擎。
状态方案与数据库引擎的基本概念
PathSchema(也称为PBSS)是BSC采用的一种新型状态存储方案,相比传统的HashSchema,它能够显著提升状态访问效率并减少磁盘I/O操作。PebbleDB则是BSC推荐的高性能键值存储引擎,相比LevelDB在同步速度和资源占用方面有显著优势。
验证方法
通过日志文件确认
最直接的验证方式是通过检查节点的日志文件:
- 使用grep命令搜索日志文件中的关键信息:
cat bsc.log.* | grep -E "scheme|backing database"
- 预期输出应包含以下关键信息:
Using pebble as the backing database- 确认使用PebbleDB引擎State scheme set to already existing disk db scheme=path- 确认使用PathSchema状态方案state_scheme=path- 再次确认状态方案类型
通过启动参数确认
在节点的启动命令中,以下参数与配置相关:
--db.engine=pebble- 显式指定使用PebbleDB引擎- 虽然没有直接指定状态方案的参数,但BSC节点会根据数据目录中已有的状态自动选择合适的方案
配置建议
为了确保节点使用最优配置,建议在启动命令中包含以下参数:
/data/geth_linux --config ./config.toml --datadir ./geth/ --cache 8000 \
--rpc.allow-unprotected-txs --tries-verify-mode none \
--history.transactions=0 --syncmode=full \
--tries-verify-mode=local --pruneancient --db.engine=pebble
性能优化提示
当确认使用PathSchema和PebbleDB后,可以根据日志中的内存分配信息进一步优化:
trie_clean_cache="2.88 GiB"- 干净Trie节点的缓存大小trie_dirty_cache="256.00 MiB"- 脏Trie节点的缓存大小snapshot_cache="1.56 GiB"- 快照数据的缓存大小
这些值可以根据服务器实际内存情况进行调整,以达到最佳性能。
通过以上方法,节点运营者可以准确确认当前BSC节点的存储配置,为后续的性能调优和问题排查奠定基础。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137