Hyperledger Besu 中 EIP-7702 实现的问题分析与解决
2025-07-10 13:12:53作者:柏廷章Berta
在 Hyperledger Besu 项目中,开发团队在实现 EIP-7702(一种新的交易类型,允许在交易中设置合约代码)时遇到了一系列测试失败问题。这些问题主要出现在区块链测试和状态测试中,涉及交易签名验证和授权机制。
问题背景
EIP-7702 引入了一种新的交易类型,允许在交易中设置合约代码。这种交易类型需要处理复杂的授权机制,包括多个授权元组的验证。在 Besu 的实现过程中,测试用例发现了几个关键问题:
- 无效授权签名的处理不当
- 多个有效授权元组中第一个无效签名的处理问题
- 固有 gas 成本计算错误
- 签名恢复 ID 范围验证缺失
具体问题分析
授权签名验证问题
测试用例发现,当交易包含无效授权签名时,Besu 的实现没有正确处理这些情况。具体表现为:
- 对于 v 值为 27、28、35、36 以及 2^8-1 的签名,系统未能正确识别并拒绝这些无效签名
- 当 r 和 s 值为 2^256-1 时,签名验证逻辑存在缺陷
多重授权处理问题
在测试多个有效授权元组但第一个授权无效的场景时,系统表现不符合预期。日志显示:
- 系统正确识别了第一个授权的无效性(nonce 不匹配)
- 但随后错误地处理了后续的有效授权,仍然标记它们为无效
- 最终导致区块 gas 使用量计算不匹配(预期 293,106,实际 280,606)
签名恢复 ID 范围检查缺失
测试过程中发现 libsecp256k1 库报错:"illegal argument: recid >= 0 && recid <= 3",这表明系统未能正确处理签名恢复 ID 的有效范围验证。
解决方案
开发团队通过两个主要提交解决了这些问题:
-
第一个提交修复了多重授权元组处理的逻辑,确保:
- 正确验证每个授权的 nonce 值
- 独立处理每个授权元组
- 准确计算交易执行后的 gas 消耗
-
第二个提交完善了签名验证机制,特别是:
- 添加了恢复 ID 的有效范围检查
- 修正了各种边界条件下的签名验证逻辑
- 确保符合 EIP-7702 规范的所有要求
技术启示
这次问题的解决过程展示了在实现新 EIP 时需要注意的几个关键点:
- 边界条件测试的重要性:特别是对于签名参数的各种极端值
- 复杂授权机制的处理:需要确保每个授权元组都能被独立验证
- gas 计算的准确性:新交易类型必须精确计算固有 gas 成本和执行 gas 消耗
- 加密库的合理使用:需要充分理解底层加密库的输入要求和限制
通过这些修复,Besu 项目现在能够正确处理 EIP-7702 定义的所有测试场景,为后续的 Prague 升级提供了可靠的基础设施支持。
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