Graph Node 优化:声明式区块链调用提升索引效率
2025-06-27 00:24:04作者:何举烈Damon
背景与问题分析
在区块链数据索引领域,Graph Node 作为重要的基础设施,其性能直接影响着去中心化应用的响应速度。当前版本中,子图(subgraph)通过 blockchain.call 进行智能合约查询时存在显著性能瓶颈。这些调用不仅需要串行执行,而且由于嵌入在 WASM 代码中,Graph Node 无法提前预知调用需求,导致索引过程效率低下。
现有机制的问题
- 串行执行瓶颈:每个
chain_call必须等待前一个调用完成后才能开始,无法利用现代多核处理器的并行能力 - 延迟感知:调用请求只有在处理程序运行时才会被发现,无法提前准备
- 重复计算:相同参数的调用可能在不同区块被重复执行,缺乏全局优化
解决方案:声明式调用
核心思想
通过在子图清单(manifest)中预先声明需要的智能合约调用,Graph Node 可以:
- 提前收集所有需要的调用请求
- 并行执行多个不相关的调用
- 将结果缓存供后续处理程序使用
语法设计
新的清单语法允许为事件处理器添加 calls 部分:
eventHandlers:
- event: Swap(indexed address,indexed address,int256,int256,uint160,uint128,int24)
handler: handleSwap
calls:
- global0X128: Pool[event.address].feeGrowthGlobal0X128()
- global1X128: Pool[event.address].feeGrowthGlobal1X128()
技术优势
- 并行化:Graph Node 可以批量发送多个调用请求到区块链节点
- 预取:在处理程序执行前完成所有必要的数据获取
- 缓存友好:相同参数的调用可以共享结果
- 代码清晰:将数据需求显式声明,提高子图可维护性
实现细节
参数绑定机制
声明式调用支持动态参数绑定:
- 事件地址:
event.address - 事件参数:
event.params.token0 - 合约数组访问:
Pool[event.address]
例如获取代币精度的调用:
calls:
- ERC20DecimalsToken0: ERC20[event.params.token0].decimals()
运行时行为
当处理程序执行时,相关的调用结果已经就绪:
// 传统方式
let poolContract = PoolABI.bind(event.address)
let feeGrowthGlobal0X128 = poolContract.try_feeGrowthGlobal0X128()
// 声明式方式下,上述代码直接从内存缓存获取结果
性能影响
这种优化特别适合以下场景:
- 高频调用的子图
- 需要多个独立查询的处理程序
- 跨多个区块重复相同参数的调用
预期性能提升幅度取决于:
- 子图中调用的数量
- 调用的响应时间
- 调用的重复程度
总结
声明式区块链调用是 Graph Node 性能优化的重要方向,通过将隐式的调用需求显式声明,为运行时优化创造了条件。这种设计不仅提升了索引效率,也使得子图的维护更加直观。随着区块链数据量的增长,此类优化将变得越来越重要。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
138
169
暂无简介
Dart
598
130
React Native鸿蒙化仓库
JavaScript
235
309
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++
632
232
仓颉编译器源码及 cjdb 调试工具。
C++
123
703
🎉 (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
616
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
197
74
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
460