Revm项目中的Exec API设计与实现思考
2025-07-07 21:46:39作者:薛曦旖Francesca
背景与现状
在区块链虚拟机(Revm)项目中,当前存在一个Exec trait,它定义了执行交易的基本接口。这个trait目前是在Evm结构体上实现的,而Evm结构体同时包含了执行上下文(Context)和处理程序(Handler)。这种设计存在一定的不合理性,因为实际上执行交易只需要上下文就足够了。
问题分析
当前设计的主要问题在于:
- 执行逻辑与处理程序耦合度过高
- 难以支持不同链(如主网和Layer2网络)的差异化执行
- 缺乏统一的执行接口,导致代码复用性差
改进方案
基于上下文的Exec实现
核心思想是将Exec trait的实现从Evm迁移到Context上。这样做的优势在于:
- 简化执行流程,只需要上下文即可完成交易执行
- 减少不必要的依赖和耦合
- 提高代码的模块化程度
多链执行支持
为了支持Layer2网络等不同链的执行,可以引入L2Context新类型包装器。这种设计模式允许我们:
- 为不同链定义特定的执行逻辑
- 保持统一的执行接口
- 在需要时进行链类型转换
执行器与检查器分离
建议将执行逻辑与检查逻辑分离:
Exectrait专注于纯粹的执行功能- 新增
Inspecttrait处理检查逻辑 - 通过组合而非继承的方式实现功能扩展
技术实现细节
类型系统设计
// Layer2上下文包装器
pub struct L2Ctx<TX,BLOCK,CFG,DB: Database,JOURNAL: Journal<Database=DB>>(
Context<BLOCK,TX,CFG,DB,JOURNAL,L1BlockInfo>
);
// 基础执行trait
trait L2Exec: TransactionSetter + BlockSetter {
type Output;
fn l2_exec(&mut self) -> Self::Output;
fn l2_exec_with_tx(&mut self, tx: Self::Transaction) -> Self::Output;
}
// 检查trait
trait L2Inspect: L2Exec {
fn inspect(&mut self, insp: ()) -> Self::Output;
fn inspect_with_tx(&mut self, tx: Self::Transaction, insp: Inspector) -> Self::Output;
}
// 链类型转换trait
trait L2Into {
fn into_l2(self) -> L2Ctx<TX,..>;
fn into_mainnet(self) -> Ctx<TX,..>;
}
实现策略
- 为
Context实现L2Exec和L2Inspecttrait - 为
L2Ctx实现相同的trait以保持接口一致性 - 提供统一的
Exec和Inspecttrait实现 - 通过
L2Intotrait实现链类型转换
使用示例
fn api(tx: L2Transaction<TxEnv>) {
// 创建基础上下文
let mut ctx = Context::new(...);
ctx.set_block(BlockEnv::default());
// 作为主网执行
let out = ctx.exec(tx);
// 转换为Layer2执行
let mut ctx = ctx.with_chain(L1BlockInfo::default());
let out = ctx.l2_exec(tx);
// 显式类型转换
let mut ctx = ctx.into_l2();
ctx.exec(tx); // 现在使用Layer2逻辑执行
// 检查器使用
ctx.inspect(tx, Inspector::new());
}
设计优势
- 清晰的职责分离:将执行逻辑与上下文管理解耦
- 灵活的多链支持:通过类型系统优雅处理不同链的特殊逻辑
- 统一的接口:无论主网还是Layer2网络都使用相同的执行接口
- 可扩展性:易于添加新的链支持或执行变体
- 类型安全:利用Rust类型系统防止错误使用
总结
Revm项目中的Exec API重构方案通过将执行逻辑下移到上下文层,并引入类型系统来区分不同链的执行逻辑,实现了更清晰、更灵活的设计。这种改进不仅解决了当前架构中的耦合问题,还为未来的扩展提供了良好的基础。特别是通过新类型模式处理多链差异的设计,既保持了接口的统一性,又确保了各链特殊逻辑的正确实现。
登录后查看全文
热门项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C037
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0115
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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
433
3.29 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
352
Ascend Extension for PyTorch
Python
237
271
暂无简介
Dart
690
162
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
仓颉编程语言运行时与标准库。
Cangjie
143
881
React Native鸿蒙化仓库
JavaScript
266
327
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
211
115
仓颉编译器源码及 cjdb 调试工具。
C++
138
869