Foundry项目中的状态记录异常问题分析与解决方案
2025-05-26 18:49:58作者:邬祺芯Juliet
问题背景
在Foundry测试框架的使用过程中,开发者报告了一个与状态记录相关的异常问题。当测试代码中调用了startStateDiffRecording方法但随后发生回滚时,系统会抛出"missing CALL account accesses"的错误并导致测试崩溃。
问题现象
该问题表现为测试执行过程中的意外崩溃,错误信息明确指出缺少CALL账户访问记录。崩溃发生在cheatcodes模块的inspector.rs文件中,具体位置是1453行。错误提示开发者这是一个bug,建议向项目方报告。
问题复现
通过简化后的测试案例可以清晰地复现该问题:
contract CounterTest is Test {
CounterTestA public counter;
function setUp() public {
counter = new CounterTestA();
}
function test_Increment() public {
counter.increment();
}
}
contract CounterTestA is Test {
function increment() public returns (uint256) {
vm.startStateDiffRecording();
require(1 > 2);
}
}
在这个例子中,startStateDiffRecording被调用后立即触发了回滚条件,导致系统无法正确处理状态记录。
技术分析
该问题的根本原因在于状态记录机制的设计缺陷。当测试代码开始记录状态差异(startStateDiffRecording)但随后发生回滚时,系统期望能够追踪到相应的调用账户访问记录,但实际上这些记录并不存在。这导致系统在尝试处理不存在的记录时发生panic。
从技术实现角度来看,问题出在状态记录的处理逻辑没有充分考虑回滚场景。当调用深度发生变化且发生回滚时,系统未能正确处理状态记录的清理工作。
解决方案
项目维护者提出了两种解决方案:
- 临时解决方案:开发者可以将
startStateDiffRecording调用移到更高层级的函数中,确保它在可能发生回滚的代码之前执行。例如:
function test_Increment() public {
vm.startStateDiffRecording();
counter.increment();
}
- 永久修复方案:项目方计划修改代码实现,记录
startStateDiffRecording被调用的深度信息。当调用在该深度发生回滚时,系统将跳过相关处理,而不是抛出错误。
最佳实践建议
在使用Foundry的状态记录功能时,开发者应当注意:
- 尽量在测试的最外层开始状态记录,而不是在被测合约内部
- 确保状态记录的开始和结束成对出现,特别是在可能发生回滚的场景中
- 考虑使用try-catch块来处理可能发生的回滚情况
- 关注Foundry的版本更新,及时获取相关修复
总结
这个问题展示了测试框架中状态记录功能的一个边界情况处理缺陷。通过理解问题的本质和解决方案,开发者可以更安全地使用Foundry的状态记录功能,同时也能更好地理解测试框架内部的工作原理。项目方的快速响应和明确的修复计划也体现了开源社区对问题处理的专业态度。
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
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