Hyperledger Fabric EVM Chaincode:将Ethereum智能合约带入Fabric世界
项目介绍
Hyperledger Fabric EVM Chaincode(EVMCC)是一个开源项目,旨在将Ethereum智能合约与Hyperledger Fabric区块链平台无缝集成。通过EVMCC,开发者可以在Hyperledger Fabric上运行用Solidity或Vyper等EVM兼容语言编写的智能合约,从而扩展Fabric的功能,使其能够支持更广泛的区块链应用场景。
项目技术分析
EVMCC的核心技术是将Hyperledger Burrow EVM封装在Go链码中,并通过EVMCC与Fabric网络进行交互。EVMCC作为智能合约的运行时环境,将部署的合约代码存储在Fabric的账本中。此外,项目还提供了Fab3,一个Web3提供者,它实现了Ethereum兼容的JSON RPC接口,使得开发者可以使用Web3.js等工具与Fabric上的EVMCC进行交互。
项目及技术应用场景
EVMCC和Fab3的结合,使得原本基于Ethereum的应用程序可以无缝迁移到Hyperledger Fabric上,而无需对代码进行大量修改。这对于那些希望在企业级区块链平台上运行去中心化应用(DApps)的开发者来说,是一个极具吸引力的解决方案。此外,EVMCC还可以用于构建跨链应用,实现不同区块链平台之间的互操作性。
项目特点
- 无缝集成:EVMCC允许在Hyperledger Fabric上运行Ethereum智能合约,无需对现有代码进行大规模修改。
- 开发者友好:通过Fab3,开发者可以使用熟悉的Web3.js等工具与Fabric上的智能合约进行交互,降低了学习成本。
- 灵活部署:EVMCC可以像其他用户链码一样部署到Hyperledger Fabric中,部署过程简单直观。
- 社区支持:项目活跃在Hyperledger社区的
#fabric-evm频道,开发者可以在这里获取帮助、反馈和参与开发。
如何开始
部署EVMCC
EVMCC的部署与普通链码类似,可以通过peer cli进行安装和实例化。以下是一个示例命令:
peer chaincode install -n evmcc -l golang -v 0 -p github.com/hyperledger/fabric-chaincode-evm/evmcc
peer chaincode instantiate -n evmcc -v 0 -C <channel-name> -c '{"Args":[]}' -o <orderer-address> --tls --cafile <orderer-ca>
运行Fab3
Fab3的构建和运行需要Go 1.11及以上版本。通过以下命令可以构建Fab3二进制文件:
make fab3
运行Fab3时,需要提供Fabric SDK配置文件和用户信息。可以通过环境变量或命令行参数进行配置。
总结
Hyperledger Fabric EVM Chaincode为开发者提供了一个强大的工具,使得Ethereum智能合约可以在Hyperledger Fabric上运行,从而扩展了Fabric的应用场景。无论是希望迁移现有Ethereum应用,还是构建新的跨链解决方案,EVMCC都是一个值得尝试的开源项目。加入我们,一起探索区块链技术的无限可能!
注意:该项目目前已被归档,原因是社区兴趣不足。尽管如此,EVMCC和Fab3的技术实现仍然具有很高的参考价值,适合对区块链技术有深入了解的开发者学习和研究。
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。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
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
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00