Revm项目中BLS12-381预编译常量的模块化重构
2025-07-07 22:45:54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
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
411
3.16 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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
659
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
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
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146