Foundry项目中vm.expectRevert在UUPS代理升级测试中的特殊处理
2025-05-26 17:09:13作者:宣海椒Queenly
在Foundry测试框架中,开发者经常使用vm.expectRevert来验证合约函数是否会按预期回滚。然而,当这种验证应用于UUPS代理升级场景时,特别是在使用openzeppelin-foundry-upgrades库的UnsafeUpgrades.upgradeProxy方法时,会出现一些特殊的行为需要开发者注意。
问题现象
在测试UUPS可升级合约时,开发者期望通过vm.expectRevert捕获_authorizeUpgrade函数中的权限错误(如OwnableUnauthorizedAccount)。然而实际测试中,Foundry无法正确捕获预期的错误,而是会在更深层次的代理调用中产生一个普通的EvmError: Revert。
根本原因
这种现象源于Foundry对vm.expectRevert的处理机制。Foundry只能捕获外部调用(external call)中的回滚,而UnsafeUpgrades是一个内联(inline)库,其调用不会被当作外部调用处理。当升级逻辑通过代理合约的delegatecall执行时,回滚发生在代理上下文内部,导致vm.expectRevert无法正确捕获。
解决方案
要正确测试这种场景,需要将升级操作包装在一个外部合约调用中。具体实现步骤如下:
- 创建一个专门的升级器合约:
contract Upgrader {
function upgradeProxy(address proxy, address newImpl, bytes memory data, address tryCaller) external {
UnsafeUpgrades.upgradeProxy(
proxy,
newImpl,
data,
tryCaller
);
}
}
- 在测试用例中,改为调用这个外部合约:
Upgrader upgrader = new Upgrader();
vm.expectRevert(expectedRevertData);
upgrader.upgradeProxy(
proxyAddress,
address(tokenV2Impl),
bytes(""),
nonOwner
);
技术原理
这种解决方案有效的关键在于:
- 通过外部合约调用,使得回滚能够被Foundry的异常捕获机制识别
- 保持了原有的测试逻辑和断言条件
- 不改变实际的升级流程,只是改变了测试环境中的调用方式
最佳实践建议
- 对于涉及代理模式和
delegatecall的测试,建议总是通过外部合约来封装测试逻辑 - 在编写可升级合约测试时,特别注意
vm.expectRevert的使用场景 - 对于复杂的升级流程,考虑分层测试:先单独测试授权逻辑,再测试完整的升级流程
总结
Foundry作为强大的智能合约测试框架,在处理特殊模式如UUPS代理升级时,需要开发者理解其内部机制并采取适当的测试策略。通过将内联库调用转换为外部合约调用,可以确保vm.expectRevert等断言能够正常工作,从而编写出更可靠的安全测试用例。
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137