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。
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