Blockscout项目中的Arbitrum批次索引问题解析
背景介绍
Blockscout是一个开源的区块链浏览器项目,用于浏览和查询区块链网络上的交易、地址、合约等信息。近期在Blockscout的Arbitrum Sepolia实例中,出现了一个关于批次索引停滞的技术问题。
问题现象
在Arbitrum Sepolia网络的Blockscout实例中,系统日志显示批次索引进程意外终止。错误信息表明,在处理某些特定交易时,系统遇到了无法匹配的函数调用模式。具体表现为当尝试解析addSequencerL2BatchFromBlobsDelayProof等函数的调用数据时,解析逻辑中没有相应的处理分支。
技术分析
Arbitrum的批次提交机制
Arbitrum网络采用了一种特殊的批次提交机制,其中Sequencer(排序器)将L2的交易批量打包后提交到L1的合约中。在Arbitrum Sepolia网络中,近期引入了几种新的批次提交函数:
addSequencerL2BatchFromBlobsDelayProofaddSequencerL2BatchFromOriginDelayProofaddSequencerL2BatchDelayProof
这些函数属于SequencerInbox合约的一部分,主要用于在特定条件下(如需要延迟证明时)提交L2批次数据。
Blockscout的索引机制
Blockscout的后端索引系统需要解析这些提交批次的交易,以正确跟踪和索引L2的区块数据。当前的实现中,索引器通过解析交易调用数据来识别和处理不同类型的批次提交。
问题根源
经过分析,问题的根本原因在于:
- Blockscout的ABI定义中尚未包含这些新增的函数接口
- 在解析交易调用数据的逻辑中,没有为这些新函数添加相应的处理分支
当索引器遇到这些新类型的批次提交交易时,由于无法识别函数签名和解析参数,导致进程崩溃,进而使整个批次索引过程停滞。
解决方案建议
要解决这个问题,需要对Blockscout的后端代码进行以下修改:
-
更新合约ABI定义:在EthereumJSONRPC.Arbitrum.Constants.Contracts模块中添加新函数的ABI定义,确保系统能够识别这些函数调用。
-
完善调用数据解析:在add_sequencer_l2_batch_from_origin_calldata_parse函数中,添加对新函数调用数据的解析逻辑,包括参数提取和处理。
-
增强错误处理:考虑在解析逻辑中添加更健壮的错误处理机制,避免因遇到未知函数类型而导致进程崩溃。
影响评估
这个问题主要影响以下几个方面:
- 数据完整性:导致部分批次数据无法被正确索引,影响区块链浏览器的数据展示。
- 系统稳定性:索引进程崩溃会影响后续批次的处理。
- 用户体验:用户可能无法查询到最新的交易和区块信息。
总结
随着Arbitrum网络的不断演进,其底层合约也在持续更新。作为区块链浏览器项目,Blockscout需要及时跟进这些变化,确保能够正确解析和处理各种新的交易类型。这个问题提醒我们,在区块链基础设施开发中,保持与底层协议的同步更新至关重要。对于开发者而言,建立完善的协议变更监测机制和快速响应流程,将有助于提高系统的稳定性和可靠性。
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