Revm项目中BLS12-381预编译常量的模块化重构
2025-07-07 16:18:17作者:何将鹤
在区块链虚拟机开发领域,Revm作为一个重要的区块链虚拟机实现,其预编译模块的设计对性能优化和功能扩展至关重要。本文将深入分析Revm项目中关于BLS12-381预编译常量的模块化重构过程及其技术意义。
背景与问题
在Revm的预编译模块(revm-precompile)中,BLS12-381相关的预编译功能被置于blst特性标志之后。这种设计虽然合理,但却带来了一个限制:所有位于bls12_381模块中的内容都只能在标准(std)环境下使用。这对于需要在无标准库(no_std)环境中运行的区块链客户端(如kona)造成了不便,因为这些客户端需要访问预编译相关的常量定义,如输入长度、基础费用和预编译地址等。
技术挑战
核心问题在于如何将预编译实现与预编译常量分离,使得:
- 常量定义可以在no_std环境中使用
- 预编译实现仍保留在std环境中
- 保持代码结构的清晰性和可维护性
解决方案
经过讨论,团队决定采用"常量模块"的方案:
- 创建专门的consts.rs模块,存放所有BLS12-381相关的常量定义
- 移除bls12_381模块上的blst特性标志
- 仅对预编译实现部分保留blst特性标志
这种设计带来了清晰的模块结构:
- 在no_std环境下,仅暴露常量模块
- 在std环境下,同时暴露常量模块和预编译实现
实现细节
重构过程中,特别关注了以下技术点:
- 常量分类:将原本分散在各预编译文件中的常量集中管理
- 访问控制:确保no_std环境下只能访问必要的常量
- 特性标志管理:精确控制不同环境下暴露的API
- 向后兼容:确保现有代码不受影响
应用价值
这一改进为下游项目带来了显著好处:
- 无标准库环境支持:如kona等客户端现在可以直接使用Revm定义的预编译常量
- 代码复用:避免了常量在不同项目中的重复定义
- 一致性保证:所有项目使用相同的预编译参数定义
- 编译优化:no_std环境下无需编译不必要的预编译实现代码
总结
Revm项目对BLS12-381预编译常量的模块化重构展示了良好的软件工程实践。通过合理的模块划分和特性标志管理,既满足了不同运行环境的需求,又保持了代码的整洁性和可维护性。这种设计模式对于其他区块链基础设施项目的模块化设计也具有参考价值。
该改进已被合并到主分支,为Revm生态系统的进一步发展奠定了更坚实的基础。
登录后查看全文
热门项目推荐
相关项目推荐
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
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++
941
868
openEuler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。
C
394
292
暂无简介
Dart
911
219
🎉 (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
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557