Viem项目中关于传统交易gasPrice优化的技术分析
背景介绍
在区块链交易处理中,Viem作为一个流行的区块链交互库,提供了sendTransaction方法来发送交易。交易分为两种主要类型:传统交易(Legacy Transaction)和EIP-1559交易。传统交易使用单一的gasPrice参数,而EIP-1559交易则使用maxFeePerGas和maxPriorityFeePerGas两个参数。
问题发现
在Viem的代码实现中,当处理EIP-1559交易时,如果调用方已经明确提供了maxFeePerGas和maxPriorityFeePerGas参数,系统会跳过不必要的RPC调用(如eth_getBlockByNumber),这是一种优化措施。
然而,在处理传统交易时,即使调用方已经明确指定了gasPrice参数,系统仍然会执行eth_getBlockByNumber的RPC调用。这种调用不仅增加了不必要的网络流量,还延长了交易到达节点的时间,影响了整体性能。
技术分析
深入分析Viem的源代码,我们可以发现:
- 对于EIP-1559交易,代码中有明确的检查逻辑:
if (
typeof request.maxFeePerGas === 'undefined' &&
typeof request.maxPriorityFeePerGas === 'undefined'
) {
// 执行相关RPC调用
}
- 但对于传统交易,代码直接执行了获取区块信息的操作,没有类似的检查:
// 传统交易处理分支
// 直接执行eth_getBlockByNumber调用
这种不一致的处理方式导致了性能问题。实际上,当用户已经明确指定了gasPrice时,系统完全不需要再查询区块信息来计算gas价格。
解决方案
针对这个问题,最简单的解决方案是在传统交易处理分支中添加类似的检查逻辑:
if (typeof request.gasPrice === 'undefined') {
// 执行相关RPC调用
}
这样修改后,当用户明确指定了gasPrice时,系统将跳过不必要的RPC调用,从而提高性能。
性能影响
这种优化虽然看似微小,但在以下场景中会产生显著影响:
-
高频交易场景:当系统需要处理大量传统交易时,减少每个交易的RPC调用可以显著降低网络负载。
-
低延迟要求场景:对于需要快速确认的交易,减少不必要的网络调用可以缩短交易传播时间。
-
高负载节点环境:当连接的区块链节点负载较高时,减少RPC调用可以降低节点压力。
最佳实践建议
基于这一发现,开发者在使用Viem发送传统交易时,可以采取以下最佳实践:
-
尽可能明确指定
gasPrice参数,避免依赖库的自动计算。 -
对于批量交易,考虑预先获取一次gas价格,然后复用这个值,而不是让每笔交易都查询。
-
监控交易发送性能,特别是在传统交易占比高的应用中,关注这一优化带来的改进。
总结
Viem库在处理传统交易时存在的这一优化空间,提醒我们在区块链应用开发中需要注意:
-
RPC调用的最小化原则:只有在确实需要时才发起网络请求。
-
一致性设计:相似的功能应该保持一致的优化策略。
-
性能意识的编码:即使是看似微小的优化,在高频场景下也可能产生显著影响。
这一优化已经被项目维护者采纳并合并,体现了开源社区对性能优化的持续关注和改进。
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