Neo项目中的MaxBlockSystemFee限制优化探讨
2025-06-20 05:14:46作者:薛曦旖Francesca
背景与问题分析
在Neo区块链网络中,GAS作为主要的资源计量单位,用于支付交易执行所需的计算资源。理想情况下,交易消耗的GAS应该与其实际需要的计算资源成正比。然而,当前系统存在一些不足,使得DoS攻击的成本可能被低估。
当前Neo网络中的MaxBlockSystemFee默认设置为1500 GAS,这意味着一个区块中可以包含大量低GAS消耗的交易或少量高GAS消耗的交易。考虑到区块处理时间应该与区块生成时间相匹配,当前的设置可能导致区块处理时间过长,影响网络性能。
核心问题
- 资源限制不合理:当前1500 GAS的
MaxBlockSystemFee允许区块中包含过多的计算资源消耗 - 申请机制限制:
MaxBlockSystemFee不能低于NEO的RegisterPrice(当前为1000 GAS),这限制了我们对MaxBlockSystemFee的调整空间 - 交易费用估算问题:当前的
registerCandidate方法由于高GAS消耗,使得RPC节点难以进行准确的费用估算
解决方案
1. 修改候选节点申请机制
建议将现有的registerCandidate调用方式改为通过NEP-17转账实现:
- 用户向NEO合约地址转账申请费用
- 通过NEP-27的
data字段传递公钥信息 - NEO合约收到GAS后立即销毁
这种改变带来以下优势:
- 使申请交易的系统费用回归正常范围
- 允许将
MaxBlockSystemFee设置为低于RegisterPrice的值 - 解决了申请交易费用估算困难的问题
2. 调整执行费用因子
通过重新评估ExecFeeFactor和MaxBlockSystemFee的合理值,可以:
- 提高网络安全性
- 确保区块处理时间与区块生成时间相匹配
- 在保证常规交易费用合理的同时,防止资源滥用
3. 费用燃烧机制改进
建议合约开发者避免使用System.Runtime.BurnGas作为费用燃烧机制,转而采用转账方式。这样可以:
- 防止用户在交易失败时仍损失费用
- 提高系统的公平性和安全性
实施建议
- 将
MaxBlockSystemFee等参数纳入策略合约管理,提高灵活性 - 在Neo 3.8版本后实施这些改进
- 保持向后兼容性,逐步过渡到新机制
总结
通过对Neo网络中MaxBlockSystemFee限制的优化,我们可以显著提高网络的性能和安全性。关键点在于重构候选节点申请机制,合理调整费用参数,并改进费用燃烧方式。这些改变将使Neo网络更加健壮,能够更好地应对各种潜在的攻击和资源滥用情况,同时保持对开发者和用户的友好性。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
424
3.25 K
Ascend Extension for PyTorch
Python
231
263
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
331
暂无简介
Dart
686
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
667
仓颉编译器源码及 cjdb 调试工具。
C++
136
869