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
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
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥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
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869