CLN闪电网络节点支付问题分析与解决方案
引言
在闪电网络(CLN)的最新版本v25.02rc1中,开发者和用户报告了一个关于支付流程的重要问题:当尝试通过fetchinvoice获取的发票进行支付时,出现了支付失败的情况。本文将深入分析这一问题的技术背景、产生原因以及最终的解决方案。
问题现象
用户在使用CLN节点时发现,当两个节点直接相连且都不公开IP地址时,通过fetchinvoice获取的发票无法成功支付。具体表现为:
- 使用pay命令支付时返回"WIRE_INVALID_ONION_BLINDING"错误
- 使用xpay插件支付时提示"insufficient capacity"容量不足
- 但keysend支付方式却能正常工作
值得注意的是,在之前的版本v24.11中,相同的操作可以正常完成支付。
技术背景分析
闪电网络的BOLT12规范引入了"盲路径"(blinded path)的概念,这是一种增强隐私保护的技术。盲路径允许支付在不暴露收款方真实网络位置的情况下完成,通过中间节点转发支付信息。
在CLN v25.02rc1版本中,实现了一个重要变更:当节点没有公布IP地址时,系统会自动添加一个盲路径到具有可达地址的节点。这与之前版本的行为不同,之前版本会使用自身作为入口点并生成一个虚拟跳转作为盲路径。
问题根源
经过开发团队深入分析,发现问题的根源在于:
-
盲路径实现变更:新版本强制为未公布地址的节点添加真实盲路径,而非之前的虚拟路径。这增加了支付路径的复杂性,可能导致流动性不足。
-
xpay插件计算问题:xpay插件在计算CLTV(CheckLockTimeVerify)时存在错误,导致数值翻倍,超出了节点可接受的范围。
-
错误信息不明确:在盲路径中,任何错误都会被转换为"WIRE_INVALID_ONION_BLINDING",这给调试带来了困难。
解决方案
开发团队通过以下方式解决了这一问题:
-
修复xpay插件的CLTV计算:修正了导致CLTV数值翻倍的问题。
-
改进错误处理:使错误信息更加明确,便于诊断问题。
-
临时回退变更:在v25.02正式版中暂时回退了强制添加盲路径的变更,留待后续版本完善。
用户应对方案
对于遇到此问题的用户,可以采取以下临时解决方案:
-
公布本地IP地址:在配置文件中添加本地IP地址可以避免系统自动添加盲路径。
-
使用min-capacity-sat参数:如果不希望他人主动建立通道,可以设置一个极高的min-capacity-sat值。
-
等待正式修复版本:关注CLN的后续版本更新,获取完整的修复方案。
总结
这次事件展示了闪电网络协议演进过程中的技术挑战,特别是在隐私保护功能与实际支付可靠性之间的平衡。CLN开发团队通过快速响应和深入分析,不仅解决了眼前的问题,也为未来的协议改进积累了宝贵经验。
对于闪电网络节点运营者而言,理解这些底层技术细节有助于更好地配置和维护自己的节点,确保支付流程的顺畅运行。随着闪电网络技术的不断成熟,我们有理由期待更加稳定和隐私保护的支付体验。
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