Lightning Network/lnd项目中的UTXO处理优化:保持费率连续性
2025-05-28 00:32:10作者:齐添朝
在Lightning Network的lnd实现中,UTXO(未花费交易输出)的处理是一个关键机制,特别是在处理HTLC(哈希时间锁合约)时。本文将深入分析一个重要的优化点:在重新聚合交易时保持费率连续性。
背景与问题
当多个HTLC需要被处理时,lnd的清扫器(sweeper)会将具有相同截止时间的HTLC聚合到同一笔交易中。这种聚合策略能有效减少链上交易数量,降低手续费成本。然而,当通道对手方在链上成功申领了其中一个HTLC时,原先聚合的交易就会失效。
此时,清扫器会执行以下操作:
- 移除已被申领的HTLC
- 将剩余的HTLC重新聚合为一笔新交易
问题在于,重新聚合时费率计算会从最低值重新开始,而不是延续之前的费率增长曲线。这种重置行为会导致两个不良后果:
- 交易确认可能被不必要地延迟
- 费率增长曲线被人为打断,不符合预期设计
技术解决方案
针对这一问题,开发团队提出了利用现有的StartingFeeRate字段来保持费率连续性。具体实现思路如下:
- 当输入被标记为
PublishFailed(发布失败)时,将当前的费率值存储在SweeperInput.params的StartingFeeRate字段中 - 在重新聚合时,线性费率函数将从存储的费率值开始计算,而不是从最低费率重新开始
这种方案对于当前的线性费率函数完全适用且实现简单。考虑到未来可能引入更复杂的费率函数,开发团队也意识到可能需要更复杂的处理机制。
技术意义
这项优化带来了几个重要改进:
- 费率连续性:保持了费率增长的连续性,使交易确认行为更加可预测
- 效率提升:避免了不必要的低费率阶段,提高了资金回收速度
- 用户体验:用户资金被锁定的时间可能缩短
- 费用优化:减少了因费率重置导致的潜在手续费浪费
实现细节
在具体实现上,需要注意以下几点:
- 状态保存时机:仅在交易发布失败时才保存当前费率
- 字段复用:巧妙利用现有字段,无需新增数据结构
- 边界处理:需要考虑各种边界情况,如费率最大值限制等
未来扩展
虽然当前解决方案针对线性费率函数工作良好,但开发团队已经考虑到更复杂场景:
- 非线性费率函数:可能需要扩展状态保存机制
- 多维度费率策略:可能需要保存更多状态信息
- 动态费率调整:可能需要考虑网络状况变化
这项优化展示了lnd团队对系统细节的持续关注和改进,体现了Lightning Network实现中对于效率和用户体验的不懈追求。通过这样的精细调整,整个网络的运行将更加顺畅高效。
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
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218