Aptos-core对象代码部署中的AuthRef机制解析
2025-06-03 14:17:53作者:俞予舒Fleming
背景与现状
在Aptos-core区块链平台中,开发者可以通过两种主要方式部署智能合约代码:基于资源账户(resource account)的部署和基于对象(object)的部署。当前版本中,当使用object_code_deployment::publish在对象下发布包时,模块在初始化期间无法获取发布对象的ExtendRef引用,这导致了几个关键问题:
- 资金锁定风险:发送到对象主可替代存储(fungible store)的资金可能永久锁定,因为无法为该对象生成签名者
- 开发复杂性增加:开发者不得不采用变通方案,如创建额外的对象来存储ExtendRef
- 功能不对称:与资源账户部署相比,对象部署缺少了初始化期间获取签名能力的关键功能
技术痛点分析
对象模型的核心安全机制是将ExtendRef安全地封装在ManagingRefs结构中。这种设计虽然提供了良好的安全性,但也带来了使用上的不便:
- 签名能力缺失:无法为已部署代码的对象生成签名者,限制了合约功能
- 资金管理困难:对象的原生地址无法被合约本身控制,导致资金管理受限
- 开发模式不统一:与资源账户模式存在体验差异,增加了开发者的认知负担
解决方案设计
提出的AuthRef机制提供了一种优雅的解决方案,其核心设计包含三个关键组件:
1. AuthRef结构体
struct AuthRef has store {
object_address: address
}
这个轻量级结构体仅存储对象地址,作为生成签名者的凭据。
2. 生成函数
public fun generate_auth_ref(publisher: &signer): AuthRef
在模块初始化时调用,基于发布者签名生成AuthRef。
3. 签名者生成函数
public fun generate_signer_for_auth(auth_ref: &AuthRef): signer
使用存储的AuthRef生成对象签名者,内部安全地访问ManagingRefs中的ExtendRef。
实现优势
-
安全性保持:
- 不直接暴露ExtendRef
- 仍然通过ManagingRefs进行安全访问
- 符合Move的能力安全模型
-
开发体验提升:
- 使用模式与资源账户的SignerCapability相似
- 消除了资金锁定的风险
- 减少了额外的对象创建需求
-
兼容性保障:
- 不需要修改现有的发布流程
- 完全向后兼容
- 不影响现有合约功能
典型使用场景
开发者可以按照以下模式使用AuthRef机制:
// 1. 在模块初始化时存储AuthRef
fun init_module(publisher: &signer) {
let auth_ref = object_code_deployment::generate_auth_ref(publisher);
move_to(publisher, GlobalAuthRef { auth_ref });
}
// 2. 在需要时生成签名者
public fun get_signer(): signer acquires GlobalAuthRef {
let auth_ref = &borrow_global<GlobalAuthRef>(@module_addr).auth_ref;
object_code_deployment::generate_signer_for_auth(auth_ref)
}
// 3. 使用签名者执行特权操作
public fun privileged_operation() acquires GlobalAuthRef {
let signer = get_signer();
// 使用签名者进行操作...
}
技术影响评估
这一改进将对Aptos生态系统产生多方面影响:
- 开发者体验:降低对象部署模式的学习曲线,使其更接近资源账户的使用体验
- 合约能力:解锁了对象地址资金管理的能力,扩展了合约设计可能性
- 安全模型:保持了对象模型的安全优势,同时增加了必要的灵活性
- 生态系统发展:可能促进更多项目采用对象部署模式,丰富Aptos的DApp生态
总结
AuthRef机制的引入填补了Aptos-core对象代码部署功能中的一个重要空白,在保持安全性的同时显著提升了开发便利性。这一改进体现了区块链平台设计中安全与可用性平衡的艺术,为开发者提供了更强大的工具,同时不妥协于核心安全原则。随着这一功能的实现,Aptos的对象模型将变得更加强大和易用,有望推动更多创新应用的开发。
登录后查看全文
热门项目推荐
相关项目推荐
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.85 K
Ascend Extension for PyTorch
Python
383
457
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++
894
680
暂无简介
Dart
804
198
openEuler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。
C
353
210
昇腾LLM分布式训练框架
Python
119
146
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
12
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
68
20
🎉 (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
1.37 K
781