Status Mobile钱包中桥接交易费用设置重置问题分析
2025-06-17 10:51:33作者:何举烈Damon
问题背景
在Status Mobile钱包应用的桥接流程中,开发团队发现了一个关于交易费用设置的异常行为。当用户在确认界面修改交易费用后,系统会意外地将费用设置重置为默认的"快速"费率,而不是保留用户选择的值。这个问题在Android和iOS平台上均能复现,特别是在处理ERC-20资产的桥接交易时表现得更为明显。
技术分析
问题表现
在桥接流程中,用户可以在确认界面自定义交易费用设置。正常情况下,用户选择非默认费率后,系统应该保留这个选择直至交易完成。但实际观察到的行为是:
- 用户进入桥接流程
- 在确认界面修改交易费用
- 系统自动将费用重置为默认的"快速"费率
根本原因
经过深入分析,发现问题源于桥接交易的特殊性。当处理ERC-20资产的桥接时,系统实际上需要处理两个独立的交易:
- 授权交易(Approval Tx):允许桥接合约处理用户的代币
- 桥接交易(Bridge Tx):实际执行资产跨链转移
当前实现中存在两个关键问题:
- 系统没有区分处理这两种交易的费用设置,导致用户修改的费用只应用于其中一种交易
- 当路由更新时,未正确保留用户的自定义费用设置
解决方案
正确的实现应该:
- 分别处理授权交易和桥接交易的费用设置
- 当用户修改费用时,需要同时调用两次SetFeeMode:
- 第一次针对授权交易(isApprovalTx=true)
- 第二次针对桥接交易(isApprovalTx=false)
- 在UI层面,应该明确区分并分别展示两种交易的费用设置选项
实现建议
基于技术分析,建议采用以下改进方案:
- 修改路由处理逻辑,确保正确识别和处理ApprovalRequired标志
- 在桥接流程中实现交易分步确认:
- 首先确认授权交易参数
- 然后确认桥接交易参数
- 每次参数确认后,调用相应的SetFeeMode或SetCustomTxDetails
- 所有参数确认完成后,再调用BuildTransactionsFromRoute
用户体验考量
从用户体验角度,这种改进虽然增加了操作步骤,但提供了更透明的交易过程:
- 用户可以清楚地看到每笔交易的细节
- 能够分别控制两笔交易的费用设置
- 避免了当前实现中费用设置被意外重置的困惑
总结
Status Mobile钱包中的桥接交易费用重置问题揭示了在处理复杂交易流程时需要考虑的多个技术细节。通过正确区分和处理授权交易与桥接交易,不仅可以解决当前的问题,还能为用户提供更清晰、更可控的交易体验。这一改进也为未来支持更多桥接提供商打下了良好的基础架构。
登录后查看全文
热门项目推荐
相关项目推荐
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
404
3.14 K
Ascend Extension for PyTorch
Python
224
250
暂无简介
Dart
672
159
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++
663
319
React Native鸿蒙化仓库
JavaScript
262
325
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
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
657
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220