LND路由构建中入站费用计算问题的技术分析
2025-05-29 00:01:26作者:瞿蔚英Wynne
问题背景
在Lightning Network Daemon(LND)项目中,routerClient.BuildRoute方法在构建支付路由时存在一个重要的功能缺陷——它未能正确处理入站费用(inbound fees)的计算。这个问题会导致构建出的路由费用计算不准确,特别是在涉及费用折扣的情况下。
问题表现
当开发者使用lnClient.QueryRoutes查询路由时,系统会返回包含入站费用折扣的正确路由信息。然而,当尝试使用相同的节点公钥列表通过routerClient.BuildRoute重建路由时,生成的路由费用计算会出现显著差异。
实际测试数据显示,在相同节点路径下:
- 使用
QueryRoutes返回的总费用为294,296毫聪 - 使用
BuildRoute重建的路由总费用却达到428,286毫聪
这种差异主要来源于入站费用计算的缺失,导致某些中继节点的费用折扣未被正确应用。
技术原理分析
路由构建的基本流程
LND中的路由构建过程通常包含以下关键步骤:
- 从接收方向发送方传递,处理最小HTLC限制
- 从发送方向接收方传递,确定最终接收金额
- 调用
newRoute构建包含指定接收金额的完整路由
入站费用的计算复杂性
入站费用的引入带来了特殊的计算挑战,主要体现在:
- 递归依赖性:入站费用依赖于后续所有跳的费用(由于受出站费用上限的限制)
- 策略合成:由于可能存在并行通道,需要合成统一的策略来遵守HTLC的最小/最大限制
- 金额相关性:统一策略依赖于转发的金额量,使得策略不是预先确定的
解决方案探讨
现有实现的问题
当前BuildRoute的实现存在以下局限性:
- 最小金额模式下需要进行多次传递计算
- 入站费用的不可逆性使得从接收金额反推发送金额变得复杂
- 策略合成与金额计算的相互依赖形成递归关系
可能的改进方向
- 近似解法:使用反向传递中确定的策略进行入站费用反转计算,虽然不完全精确但实用
- 架构调整:让路径查找算法本身处理路由构建,使用跳约束作为输入
- 放宽最优性要求:放弃接收金额最大化的严格需求,简化计算过程
实际影响
这一缺陷主要影响以下场景:
- 通道再平衡操作
- 最小金额支付路由构建
- 涉及费用折扣节点的支付路径
开发者在使用BuildRoute重建路由时应当注意费用计算的差异,必要时进行手动调整或使用替代方法。
结论
LND路由构建中的入站费用计算问题反映了闪电网络协议实现中的复杂性。虽然存在技术挑战,但通过合理的近似和架构调整可以找到平衡精确性与实用性的解决方案。对于开发者而言,理解这一限制有助于更好地设计基于LND的闪电网络应用,特别是在涉及复杂路由和费用优化的场景中。
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
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322