FuelLabs/fuels-rs项目中的重入调用返回值解析问题分析
2025-05-02 19:19:25作者:董斯意
问题背景
在Fuel区块链生态系统中,fuels-rs作为Rust实现的SDK,负责与Fuel虚拟机交互并处理交易回执。近期发现了一个关于重入调用(reentrant calls)场景下返回值解析错误的严重问题。
问题本质
在Fuel虚拟机的执行过程中,当一个合约在执行过程中再次调用自身或其他合约时,会产生多个Return类型的回执(receipt)。当前ReceiptParser的实现错误地假设每个合约ID只会对应一个Return回执,这在重入调用场景下会导致返回值解析错误。
技术细节分析
重入调用示例
考虑以下调用链:
- 脚本调用合约A
- 合约A调用合约B
- 合约B又回调合约A
这个调用过程会产生多个Return回执,包括:
- 合约B执行完成的Return
- 合约A被重入调用执行完成的Return
- 合约A初始调用执行完成的Return
当前实现的问题
现有ReceiptParser简单地通过合约ID来查找Return回执,当遇到多个相同合约ID的Return回执时,会错误地选择不匹配的回执。例如在上述场景中,可能会选择重入调用产生的Return值(1337)而非原始调用的正确返回值(42)。
回执数据结构
典型的回执序列包含以下关键信息:
- Call类型回执:记录调用目标、参数和指令指针
- Return类型回执:包含返回值、合约ID和指令指针
- ScriptResult:记录脚本执行最终结果
其中,指令指针(pc)和调用栈指针(is)是区分不同调用层级的重要标识。
解决方案探讨
简单修复方案
最直接的修复方式是总是选择最后一个匹配合约ID的Return回执。这种方法可以解决简单重入场景的问题,但在更复杂的多调用场景下会失效。
多调用场景的挑战
当脚本中连续多次调用同一个合约的不同方法时:
- 每个方法调用可能产生不同数量的重入调用
- Return回执数量变得不可预测
- 仅依靠顺序无法准确关联回执与原始调用
更健壮的解决方案
需要综合考虑多个因素来正确匹配Return回执:
- 调用栈指针(is):可以标识调用层级
- 指令指针(pc):辅助判断执行位置
- 调用顺序:维护调用链信息
- 合约ID:基础匹配条件
理想情况下,Fuel虚拟机可能需要提供更多调用上下文信息来帮助准确关联回执与调用。
安全影响
这个问题不仅影响功能正确性,还可能带来安全隐患:
- 错误的返回值可能导致应用逻辑错误
- 在DeFi等场景下可能被利用进行攻击
- 影响合约间的可靠交互
总结
FuelLabs/fuels-rs中的重入调用返回值解析问题揭示了当前回执处理机制的局限性。要彻底解决这个问题,需要重新设计回执解析逻辑,考虑调用链的完整上下文,而不仅仅是简单的合约ID匹配。这既是对SDK的挑战,也反映了区块链虚拟机与SDK交互设计中的深层次问题。
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
最新内容推荐
全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.2 K
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
暂无简介
Dart
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
661