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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00