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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00