Stellar-core项目中BucketListDB测试覆盖率的优化实践
2025-06-25 15:03:13作者:劳婵绚Shirley
在分布式账本系统Stellar-core的开发过程中,测试覆盖率是保证代码质量的重要指标。近期开发团队针对BucketListDB(以下简称BLDB)的测试覆盖率进行了专项优化,这是一个典型的技术债务清理案例,值得深入分析。
背景与问题
Stellar-core作为恒星网络的核心实现,其数据存储层经历了从传统SQL数据库到高性能BucketListDB的演进。在过渡期间,测试代码中保留了DEPRECATED_SQL_LEDGER_STATE=true的标记,这实际上是一种技术债务——虽然保证了测试的兼容性,但阻碍了新存储引擎的完整测试。
测试套件中存在两类典型情况:
- 需要验证BLDB功能但当前未覆盖的测试用例(如升级测试)
- 只需要内存账本事务而不依赖存储引擎的测试用例
技术解决方案
开发团队采取了分而治之的策略:
对于第一类测试,通过审计测试套件识别出所有未覆盖BLDB的测试场景,特别是升级路径等关键功能点。这些测试需要显式启用BLDB来验证其在新存储引擎下的行为。
对于第二类测试,保持其使用内存账本事务的原有设计,但通过显式设置SQL启用标志,确保这些测试在BLDB环境下仍能正常运行。这种处理方式既保持了测试的独立性,又避免了技术债务的积累。
实现细节
在具体实现上,团队做了以下关键改进:
- 将存储引擎配置从全局编译选项改为测试用例级配置,允许单个测试灵活选择存储后端
- 为BLDB特有的功能点(如批量操作、版本管理等)新增专项测试用例
- 重构测试基础设施,使测试初始化过程能自动感知存储引擎类型
- 建立存储引擎兼容性矩阵,确保所有测试至少在一个存储后端上运行
技术价值
这项优化工作带来了多重收益:
- 质量提升:BLDB获得了完整的测试覆盖,潜在问题能够更早暴露
- 维护简化:消除了技术债务,使代码库更加整洁
- 性能优化:测试执行可以充分利用BLDB的高性能特性
- 未来扩展:为后续存储引擎的进一步优化奠定了基础
经验总结
这个案例展示了分布式系统存储层演进的典型挑战。其核心经验包括:
- 技术债务需要及时清理,否则会阻碍新特性的完整测试
- 测试基础设施的灵活性对系统演进至关重要
- 存储抽象层的设计应该允许不同实现共存
- 测试覆盖审计应该成为架构演进的标准流程
对于其他区块链项目的开发者,这个案例也提供了有价值的参考:在存储引擎升级过程中,测试策略需要同步演进,才能确保系统的整体可靠性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
305
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
635
🎉 (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
1.06 K
614
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
195
71
仓颉编程语言测试用例。
Cangjie
36
634