Blockscout项目中地址交易列表加载性能优化分析
2025-06-17 02:48:49作者:裘晴惠Vivianne
在区块链浏览器Blockscout的使用过程中,我们发现当查询某些智能合约地址的交易历史时,页面加载速度异常缓慢。经过深入分析,这个问题源于PostgreSQL数据库查询优化器选择了不合适的索引策略,导致查询效率低下。
问题背景
Blockscout作为区块链生态中广泛使用的区块链浏览器,需要高效地处理大量交易数据的查询请求。特别是在查询具有以下特征的地址时,性能问题尤为突出:
- 目标地址是智能合约地址
- 该地址有大量历史交易记录
- 这些交易都发生在较早的区块高度
技术分析
通过执行计划分析,我们发现当前查询语句使用了以下执行路径:
EXPLAIN SELECT * FROM transactions
WHERE to_address_hash='\xa45b42a4855ac5cfefc64fd7079da6416511ec22'
ORDER BY block_number DESC limit 51;
查询优化器选择了transactions_block_number_index索引进行反向扫描,然后对结果进行过滤。这种执行计划对于具有大量历史交易的地址效率极低,因为:
- 需要扫描大量不相关的区块数据
- 然后对每条记录进行地址匹配过滤
- 整个过程可能需要超过1分钟才能完成
优化方案
实际上,数据库中已经存在一个更适合此类查询的复合索引:
"transactions_to_address_hash_with_pending_index_asc"
btree (to_address_hash, block_number, index, inserted_at, hash DESC)
这个索引的结构完全匹配我们的查询条件:
- 首先按地址哈希过滤
- 然后按区块号排序
- 其他字段确保索引的唯一性
如果查询优化器能够选择这个索引,查询效率将大幅提升,因为:
- 直接定位到目标地址的所有交易
- 按区块号降序排列
- 只需读取前51条记录即可返回结果
解决方案建议
针对这个问题,我们建议采取以下优化措施:
-
查询重写:修改API端点中的查询语句,使用更明确的语法提示优化器选择正确的索引
-
索引提示:在PostgreSQL中通过设置
enable_indexscan等参数强制使用特定索引 -
统计信息更新:确保数据库的统计信息是最新的,帮助优化器做出更好的决策
-
复合索引优化:考虑调整现有复合索引的字段顺序,使其更符合常见查询模式
性能影响
实施优化后,预期性能提升将非常显著:
- 查询响应时间从分钟级降低到毫秒级
- 数据库服务器负载降低
- 用户体验大幅改善
结论
数据库索引选择是影响区块链浏览器性能的关键因素。通过深入分析查询模式和索引结构,我们可以显著提升Blockscout在处理大量历史交易查询时的性能。这种优化不仅解决了当前报告的具体问题,也为处理类似场景提供了参考方案。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
677
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146