Cardano Node 10.4.1版本发布:UTxO-HD存储架构的重大升级
Cardano是一个开源的区块链平台,采用权益证明共识机制,其核心组件cardano-node负责网络参与、交易验证和区块生产等关键功能。最新发布的10.4.1版本引入了一项重大技术革新——UTxO-HD存储架构,这将显著改变节点处理未花费交易输出(UTxO)的方式。
UTxO-HD架构解析
UTxO-HD是Cardano节点共识层的重构,它提供了两种UTxO存储模式选择:
-
全内存模式(V2InMemory):与传统版本相同,UTxO完全存储在内存中,提供最高性能,适合区块生产节点和中继节点。
-
外部存储模式(V2OnDisk):UTxO存储在外部介质(如SSD或HDD)上,通过LMDB后端实现,显著降低内存需求但牺牲部分速度。
这种架构创新使得节点可以根据不同角色和硬件配置选择最优存储方案。对于边缘节点(如钱包、浏览器、第三方服务等),外部存储模式可以在保持可接受性能的同时大幅降低内存需求;而对于需要高性能的区块生产节点,仍可使用内存模式确保最佳表现。
技术实现细节
UTxO-HD的第一个版本采用了LMDB(Lightning Memory-Mapped Database)作为后端存储引擎。LMDB是一个内存映射的键值数据库,具有以下特点:
- 极低的内存占用
- 完整的ACID特性
- 零拷贝的读取操作
- 单写多读的并发模型
未来版本计划引入基于LSM树(Log-Structured Merge-Tree)的定制化存储后端,这将进一步优化存储性能和资源利用率。
其他重要改进
除了UTxO-HD这一核心特性外,10.4.1版本还包含多项重要改进:
-
配置重构:将与LedgerDB相关的配置选项集中到新的"LedgerDB"配置键下,提高了配置的组织性和可维护性。
-
追踪系统增强:修复了connectionManager和slotsMissed等指标的追踪问题,重命名了部分指标以提高一致性,改进了追踪信息的可读性。
-
时钟同步优化:将最大允许的时钟偏差从5秒减少到2秒,提高了网络时间同步的精确度。
-
CLI工具改进:
- 修正了query stake-pools命令的输出格式问题
- 统一了query utxo命令的输出格式默认行为
- 增加了交易构建和签名命令的规范CBOR输出选项
-
API增强:
- 改进了交易余额计算中的负余额报告
- 增加了新的UTxO操作函数,提高了开发灵活性
迁移注意事项
从旧版本迁移时需要注意:
-
必须按照迁移指南正确配置节点并转换数据库,以避免从创世区块重新同步。
-
主网区块生产节点及其关联的中继节点应仅使用V2InMemory后端。
-
LMDB后端尚未完成性能基准测试,目前不建议用于主网区块生产或中继节点。
性能与稳定性
系统测试结果显示10.4.1版本在各种场景下表现稳定。性能基准测试表明:
- 内存模式下,节点性能与之前版本相当
- 磁盘模式下,内存占用显著降低,但交易处理吞吐量有所下降
- 网络同步性能保持稳定
总结
Cardano Node 10.4.1通过引入UTxO-HD架构,为不同使用场景提供了更灵活的存储选择,使资源受限的设备也能有效参与网络。这一创新不仅解决了内存占用问题,还为未来的性能优化奠定了基础。随着后续LSM树后端的引入,Cardano节点的存储效率有望进一步提升。
对于生产环境,建议区块生产节点继续使用内存模式,而资源受限的边缘节点可以尝试磁盘模式以获得更好的资源利用率。开发团队将持续优化这一架构,未来版本可能会带来更多性能改进和新特性。
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