Stacks Core项目中的区块提交逻辑重构与测试优化
2025-06-27 15:45:27作者:傅爽业Veleda
在区块链开发中,测试的稳定性对于确保系统可靠性至关重要。Stacks Core项目最近针对其测试套件中的区块提交逻辑进行了重要重构,解决了长期存在的测试不稳定问题。
问题背景
在Stacks Core的测试环境中,特别是在Nakamoto签名者模块中,存在一个核心问题:测试用例经常因为等待区块提交的逻辑不稳定而失败。这些问题主要表现在两个方面:
- 等待提交的区块可能没有针对正确的燃烧区块高度
- 提交可能指向错误的Stacks链尖端
这些问题源于测试代码中一个名为next_block_and_wait_for_commits的函数,该函数负责在测试期间等待新区块被提交。该函数实现中存在明显的缺陷,特别是它依赖于硬编码的10秒超时机制,这是测试不稳定的典型征兆。
原有实现分析
原函数的主要工作流程如下:
- 记录测试开始前的区块处理状态和提交计数
- 生成新区块
- 等待以下条件满足:
- 提交计数增加
- 区块处理计数增加(可选)
- 提交时间晚于区块处理时间(可选)
该实现存在几个关键问题:
- 使用全局计数器而非特定高度检查
- 依赖时间戳比较而非确定性状态检查
- 逻辑分支复杂,容易出错
- 硬编码超时机制导致测试不稳定
重构方案
重构工作主要围绕以下几个方面展开:
-
使用计数器变量替代时间检查:引入新的计数器变量来精确跟踪已提交的Stacks高度和燃烧高度,取代原有的时间戳比较机制。
-
简化等待逻辑:将复杂的条件分支简化为基于确定性的高度检查,确保测试只关注必要的状态变化。
-
统一测试工具:将分散在各测试用例中的提交等待逻辑集中到公共函数中,提高代码复用性和一致性。
-
逐步迁移策略:优先重构最常出现问题的测试用例,其余测试用例在出现问题时再进行相应调整。
技术实现细节
重构后的实现主要改进点包括:
- 移除了对
Instant和Duration的依赖,完全基于区块高度进行状态检查 - 使用原子计数器确保线程安全的状态跟踪
- 简化了条件判断逻辑,使测试行为更加可预测
- 提供了更清晰的错误信息,便于调试失败的测试用例
测试稳定性提升
通过这次重构,Stacks Core项目的测试套件获得了显著的稳定性提升:
- 消除了因时间竞争条件导致的测试失败
- 减少了测试运行时间,因为不再需要等待保守的超时期限
- 提高了测试的确定性,使CI/CD流程更加可靠
- 为未来添加更复杂的测试场景奠定了基础
总结
这次重构展示了在区块链测试中处理异步事件的最佳实践:避免依赖时间检查,转而使用确定性的状态变化作为同步点。这种模式不仅适用于Stacks Core项目,也可以为其他区块链项目的测试设计提供参考。
通过持续关注和优化测试基础设施,Stacks Core项目能够保持高代码质量,同时加速开发迭代周期,这对于任何区块链核心系统的长期健康发展都至关重要。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
304
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
133
162
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++
630
222
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
459
暂无简介
Dart
595
130
React Native鸿蒙化仓库
JavaScript
232
307
🎉 (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
1.06 K
613
仓颉编译器源码及 cjdb 调试工具。
C++
123
612
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
361
2.56 K