CLN项目中的Bolt12支付崩溃问题分析
问题背景
在CLN(Core Lightning)项目中,用户在使用Bolt12协议与Phoenix钱包进行交互时遇到了核心崩溃问题。具体表现为当尝试使用fetchinvoice命令获取Phoenix生成的Bolt12报价时,CLN节点会意外崩溃。
问题现象
用户报告了以下关键现象:
- 使用
decode命令解析Phoenix生成的Bolt12报价时工作正常 - 但使用
fetchinvoice命令获取发票时会导致CLN崩溃 - 崩溃日志显示是
SIGNAL 11错误,发生在pubkey_eq函数调用处 - 崩溃点位于
plugins/fetchinvoice.c文件的230行
技术分析
崩溃原因
通过分析崩溃堆栈和代码,发现问题出在fetchinvoice.c文件的以下代码段:
if (!inv->invoice_node_id || !pubkey_eq(inv->offer_issuer_id, sent->issuer_key)) {
badfield = "invoice_node_id";
goto badinv;
}
这里代码错误地检查了offer_issuer_id而不是invoice_node_id。由于Phoenix生成的Bolt12发票不包含offer_issuer_id字段,导致解引用空指针而崩溃。
临时解决方案
用户发现通过修改代码,将inv->offer_issuer_id替换为inv->invoice_node_id可以解决崩溃问题:
if (!inv->invoice_node_id || !pubkey_eq(inv->invoice_node_id, sent->issuer_key)) {
badfield = "invoice_node_id";
goto badinv;
}
这一修改使得CLN能够成功获取发票,尽管后续支付尝试因其他原因失败(这是预期的,因为Bolt12支持仍在开发中)。
深入理解
Bolt12协议是闪电网络的新功能,旨在提供更灵活的发票和报价系统。与传统的BOLT11发票不同,Bolt12允许:
- 可重复使用的报价
- 更丰富的元数据
- 更复杂的支付流程
在CLN的实现中,处理Bolt12发票时需要进行多重验证,包括节点ID匹配检查。原始代码错误地假设所有Bolt12发票都会包含offer_issuer_id字段,而实际上Phoenix生成的发票使用invoice_node_id字段。
影响范围
此问题影响:
- 所有尝试与Phoenix钱包进行Bolt12交互的CLN节点
- 使用CLN master分支(v24.05-213-gbf54913版本)的用户
- 任何不包含
offer_issuer_id的Bolt12发票处理场景
解决方案
项目维护者已经确认这是一个未测试的代码路径问题,并感谢用户及时发现。正确的修复方式是:
- 检查发票结构体中的正确字段(
invoice_node_id) - 添加对字段存在性的验证
- 完善测试用例以覆盖此类场景
开发者建议
对于闪电网络开发者:
- 处理Bolt12协议时要特别注意不同实现间的兼容性
- 对可能为空的字段进行防御性检查
- 在开发新功能时,考虑各种钱包实现的差异
对于用户:
- 关注CLN项目的更新,此问题将在后续版本修复
- 目前阶段Bolt12功能仍处于开发中,生产环境使用需谨慎
- 可以关注项目GitHub上的相关提交以获取修复进度
总结
这次崩溃事件揭示了CLN在Bolt12实现中的一个重要边界条件问题。通过社区用户的积极参与和开发团队的快速响应,问题得到了及时识别和修复。这也体现了开源协作在闪电网络发展中的重要性,以及协议演进过程中实现兼容性的挑战。
随着Bolt12协议的不断完善,开发者应持续关注不同实现间的交互测试,确保协议的跨实现兼容性,为用户提供更稳定、更强大的闪电网络体验。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。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
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
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
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-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00