Substrate开发者指南:深入理解链下功能特性
2025-07-05 17:36:35作者:温艾琴Wonderful
引言
在区块链开发中,我们经常需要处理链下数据并将其整合到链上状态。传统解决方案是通过预言机(Oracle)实现的,但这种方法在安全性、可扩展性和基础设施效率方面存在诸多不足。Substrate框架提供了一套完整的链下功能特性,为开发者提供了更安全高效的解决方案。
链下功能概述
Substrate的链下功能主要包括三大组件:
- 链下工作者(Off-Chain Worker, OCW):允许执行长时间运行且可能非确定性的任务
- 链下存储(Off-Chain Storage):提供节点本地的存储空间
- 链下索引(Off-Chain Indexing):允许运行时直接写入链下存储
这些功能运行在独立的Wasm执行环境中,与Substrate运行时分离,确保不会影响区块生产。但由于它们与运行时声明在同一代码中,可以轻松访问链上状态进行计算。

链下工作者详解
链下工作者提供了丰富的API与外部世界交互:
核心功能
- 交易提交:可以向链上提交签名或未签名的交易来发布计算结果
- HTTP客户端:完整的HTTP客户端支持,可从外部服务获取数据
- 密钥管理:访问本地密钥库进行签名和验证
- 本地KV存储:所有链下工作者共享的键值数据库
- 随机数生成:安全的本地熵源
- 时间管理:访问节点的精确本地时间
- 任务控制:支持睡眠和恢复工作
实现机制
链下工作者通过运行时实现中的特殊函数offchain_worker(block: T::BlockNumber)启动。每个区块导入时都会生成一个新的链下工作者线程,因此同一时间可能有多个工作者线程在运行。
需要注意的是,链下工作者的结果不受常规交易验证约束。开发者需要实现适当的验证机制(如投票、平均、签名检查等)来确定哪些信息可以进入链上。
链下存储系统
链下存储是节点本地的存储空间,具有以下特点:
访问控制
- 链下工作者:读写权限
- 链上逻辑:仅写权限(通过链下索引)
使用场景
- 线程间通信:不同链下工作者线程间的数据交换
- 临时数据存储:存储不需要全网共识的用户/节点特定数据
- 大数据处理:适合存储无限增长的历史数据或用户生成数据
并发控制
由于可能同时存在多个工作者线程,Substrate提供了互斥锁机制来保证数据一致性。
链下索引技术
链下索引是Substrate的一项重要特性:
与传统存储对比
| 特性 | 链上存储 | 链下索引 |
|---|---|---|
| 存储位置 | 所有节点 | 本地节点 |
| 成本 | 高 | 低 |
| 数据一致性 | 全网共识 | 节点本地 |
| 适用场景 | 关键状态数据 | 历史/用户数据 |
工作特点
- 全节点同步:在区块链初始同步时也会执行
- 数据一致性:所有启用索引的节点数据完全一致
- 启用方式:需要通过
--enable-offchain-indexing标志启动节点
最佳实践与示例
交易提交模式
// 签名交易示例
let signed = runtime::Signer::<T>::send_unsigned_transaction(
// 回调函数
|acct| Call::submit_data(acct, data),
);
HTTP请求处理
let request = http::Request::get("https://api.example.com/data");
let timeout = runtime::timestamp().add(1000);
let response = await!(request.deadline(timeout)).map_err(|_| "请求超时")?;
链下存储操作
// 写入数据
runtime::storage::set(b"my_key", b"my_value");
// 读取数据
let value = runtime::storage::get(b"my_key");
链下索引实现
#[derive(Encode, Decode)]
struct IndexingData {
block_number: u64,
timestamp: u64,
}
fn on_initialize() {
let data = IndexingData {
block_number: <system::Module<T>>::block_number(),
timestamp: <timestamp::Module<T>>::get(),
};
runtime::offchain_index::set(b"block_data", &data.encode());
}
总结
Substrate的链下功能为开发者提供了强大的工具集,能够在不影响链上性能的前提下处理复杂的外部交互和大数据存储。通过合理使用链下工作者、链下存储和链下索引,开发者可以构建出更加强大和灵活的区块链应用。
对于初学者来说,建议从简单的链下工作者示例开始,逐步掌握HTTP请求、交易提交等基础功能,然后再深入研究链下存储和索引的高级用法。记住,链下功能的强大之处在于它的灵活性,但也需要开发者自行设计适当的数据验证机制来保证系统的安全性。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
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++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322