Foundry项目中Invariant测试状态变更导致的潜在问题分析
2025-05-26 21:29:45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
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 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 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 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 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
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