Cardano节点中的代币燃烧交易反序列化问题解析
问题背景
在Cardano区块链的本地测试网络环境中,开发团队发现了一个与代币燃烧操作相关的反序列化问题。具体表现为:当尝试燃烧-1个代币时,交易无法通过cardano-submit-api的反序列化检查,而燃烧-10个代币的交易却能正常通过。
技术细节分析
这个问题出现在Cardano节点v8.8.0版本中,主要涉及Mary时代的原生代币功能。从技术角度来看,这是一个典型的序列化/反序列化不一致问题。
交易的核心部分包含以下关键元素:
- 输入:指定了UTXO的引用
- 输出:包含接收地址和金额
- 铸造字段:包含代币燃烧操作(负值表示燃烧)
- 见证:包含签名验证信息
问题交易的特殊之处在于其铸造字段尝试燃烧-1个特定代币(资产名为"handle1")。从YAML格式的交易视图来看,交易结构本身是合法的,且可以通过cardano-cli工具进行完整的往返序列化测试。
错误表现
当通过cardano-submit-api提交交易时,系统会抛出反序列化失败的错误:
DecoderFailure (LocalTxSubmission... (DeserialiseFailure 56 "expected word")
这表明在反序列化过程中,系统在某个位置期望读取到一个"word"类型的数据,但实际得到的内容不符合预期。
根本原因
经过Cardano开发团队的深入调查,发现问题出在解码环节而非交易本身。具体来说,是处理反序列化失败时的PredicateFailure机制存在问题。当系统尝试解析包含特定负值(如-1)的代币数量时,解码逻辑未能正确处理这种情况。
解决方案
该问题已在cardano-ledger仓库的PR#4288中得到修复。修复的核心是改进了反序列化逻辑,使其能够正确处理各种边界情况下的代币数量值,包括负值情况。
技术启示
这个问题为我们提供了几个重要的技术启示:
-
边界值测试的重要性:即使是看似简单的数值操作(如代币数量的增减),也需要对各种边界值进行充分测试。
-
序列化一致性:在区块链系统中,序列化和反序列化的一致性至关重要,任何微小的不匹配都可能导致交易被拒绝。
-
错误处理机制:完善的错误处理机制(如
PredicateFailure)需要能够覆盖所有可能的异常情况。 -
工具链验证:不同工具(如
cardano-cli和cardano-submit-api)之间的行为一致性需要得到保证。
总结
这个案例展示了区块链系统中一个典型的数据序列化/反序列化问题。虽然表面上看是简单的数值处理问题,但实际上涉及到底层协议实现的多个层面。Cardano开发团队通过及时修复这个问题,进一步增强了系统的稳定性和可靠性,为处理各种复杂的代币操作提供了更坚实的基础。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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