LND项目中合作关闭通道后结算余额显示错误的深度分析
问题概述
在LND项目中,当用户通过合作方式关闭支付通道时,如果关闭时将资金发送到不属于当前LND钱包的地址,会导致settled_balance值显示不正确。具体表现为,即使关闭通道时用户拥有全部资金,结算余额也会错误地显示为0。
技术背景
LND是Lightning Network的一个实现,它允许用户在区块链上建立支付通道进行快速、低成本的交易。通道关闭是闪电网络操作中的一个关键环节,分为合作关闭和强制关闭两种方式。
在合作关闭过程中,LND会生成一个结算交易,将通道中的资金按照最终余额分配发送到双方指定的地址。settled_balance参数本应反映用户在通道关闭后实际获得的资金量。
问题详细分析
问题触发条件
经过测试,这个问题在两种情况下会出现:
- 在通道创建时通过
close_address参数指定了非LND钱包地址 - 在通道关闭时通过
delivery_addr参数指定了非LND钱包地址
问题根源
深入分析LND源代码后发现,问题出在chain_watcher.go文件中的余额计算逻辑。具体来说:
SettledBalance的值来源于localAmt变量localAmt通过toSelfAmount函数计算toSelfAmount函数依赖isOurAddr函数判断地址归属- 当前
isOurAddr实现只识别钱包控制的地址,不考虑用户指定的close_address
技术细节
在通道关闭交易确认后,LND会通过以下流程计算结算余额:
- 解析关闭交易输出
- 对每个输出调用
isOurAddr检查地址归属 - 累加属于用户的输出金额作为
settled_balance
问题在于,即使用户明确指定了close_address,当前的isOurAddr实现也不会将这些地址识别为"我们的地址",导致相关输出被忽略。
解决方案探讨
潜在修复方案
最直接的解决方案是修改isOurAddr函数的实现,使其能够识别:
- 通道创建时指定的
close_address - 通道关闭时指定的
delivery_addr
这需要在chain_arbitrator.go中扩展isOurAddr函数的逻辑,使其在判断地址归属时考虑这些特殊情况。
实现考虑
修改后的isOurAddr函数需要:
- 访问通道的
close_address配置(如果存在) - 检查当前关闭操作是否指定了
delivery_addr - 将这些特殊地址与交易输出地址进行比较
影响评估
这种修改不会影响实际的资金流向,只是修正了余额报告功能。它保持了向后兼容性,因为:
- 不改变现有的通道关闭流程
- 只增加了额外的地址匹配逻辑
- 不影响强制关闭场景
用户影响
对于普通用户来说,这个问题会导致:
- 钱包界面显示错误的余额信息
- 可能影响资金对账和会计记录
- 在依赖
settled_balance的自动化流程中产生问题
值得注意的是,这只是一个显示问题,实际资金安全不受影响,资金确实会被发送到用户指定的地址。
结论
LND中合作关闭通道的结算余额计算存在逻辑缺陷,未能正确处理用户指定的外部关闭地址。通过扩展isOurAddr函数的地址识别逻辑可以解决这个问题,确保余额报告准确反映实际资金流向。这种修改将提高LND的准确性和用户体验,同时保持系统的稳定性和兼容性。
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