Foundry项目中Invariant测试状态变更导致的潜在问题分析
2025-05-26 21:42:48作者:平淮齐Percy
问题背景
在Foundry项目的测试框架中,Invariant测试是一种重要的测试方法,它通过随机生成输入序列来验证合约的不变性。然而,最近发现了一个潜在问题:在测试执行过程中,由于状态字典的变更,可能导致测试意外失败或返回错误信息。
技术细节
问题的核心在于测试执行过程中状态字典的动态更新与proptest库的预期行为之间存在冲突。具体表现为:
-
状态生成机制:测试框架通过
fuzz_param_from_state函数从状态字典中生成随机参数。对于地址类型参数,会过滤掉预部署的库合约地址。 -
状态变更时机:测试执行期间通过
collect_data更新状态字典,这会改变随机数生成器(RNG)的状态。 -
proptest库行为:proptest在测试失败后会尝试使用
case.current()获取失败用例,但由于状态已变更,可能导致:- 返回的输入与实际执行的输入不一致
- 在极端情况下返回
None导致panic
问题影响
这种状态不一致可能导致:
- 测试结果不可靠,可能误报或漏报问题
- 测试意外崩溃,影响测试流程
- 调试困难,因为报告的失败用例与实际执行的用例可能不一致
解决方案探讨
经过深入分析,提出了几种可能的解决方案:
-
避免测试期间变更RNG状态:
- 优点:从根本上解决问题
- 缺点:限制了测试的动态性,无法利用新创建合约的地址进行测试
-
修改proptest库:
- 使其不再依赖
case.current()获取测试后的用例 - 挑战:proptest库维护不活跃,合并PR周期长
- 使其不再依赖
-
优化地址生成策略:
- 当遇到预部署库地址时,使用确定性算法生成替代地址
- 优点:保持测试动态性,避免panic
- 实现方式:使用确定性RNG递增地址直到找到有效地址
最终解决方案
基于实际考虑,选择了第三种方案,通过以下方式实现:
- 当从状态字典中获取到预部署库地址时
- 使用确定性算法(如递增)生成替代地址
- 确保替代地址不是预部署库地址
- 保持测试的动态性和随机性
这种方案既解决了panic问题,又保持了测试框架的灵活性,同时对性能影响最小。
经验总结
这个案例提供了几个有价值的经验:
- 在动态测试环境中,状态管理需要特别谨慎
- 使用
filter_map等可能返回None的操作时要考虑其对整个测试流程的影响 - 当依赖第三方库存在限制时,有时需要在应用层寻找创新解决方案
- 测试框架的稳定性与功能的丰富性需要平衡考虑
Foundry团队通过这个问题进一步优化了测试框架的健壮性,为后续版本打下了更好的基础。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
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
480
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
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210