Account Abstraction项目中的EIP-712用户操作哈希方案演进
在区块链账户抽象(Account Abstraction)项目中,用户操作(UserOperation)的哈希计算方式经历了重要演变。本文将深入解析这一技术演进背后的设计考量和实现细节。
原始哈希计算方案
在早期版本(v0.7)中,EntryPoint合约采用了一种自定义的哈希计算方式:
- 首先对动态字段(initCode、callData和paymasterAndData)进行单独哈希
- 然后将静态字段与动态字段的哈希值按固定顺序编码并再次哈希
- 最后将用户操作哈希与entrypoint地址和chainId一起编码并生成最终哈希
这种方案虽然功能完整,但在与外部签名设备(如硬件钱包)交互时存在用户体验问题。由于生成的哈希值对用户完全不可读,签名请求显示为无意义的十六进制字符串,无法提供任何操作上下文。
EIP-712方案的引入
为解决上述问题,社区提出了采用EIP-712标准来构造用户操作哈希。EIP-712是一种结构化数据签名标准,它允许将复杂数据结构以人类可读的方式呈现给签名者。
新的哈希计算方案主要改进包括:
- 在内部哈希步骤前添加EIP-712类型哈希(typehash)
- 使用包含chainId和verifyingContract的域分隔符(domain separator)替代原有的外层哈希
- 保持原有用户操作字段的编码顺序不变
技术优势分析
采用EIP-712方案带来了多重技术优势:
兼容性提升:支持标准的eth_signTypedData_v4 RPC方法,使得现有硬件钱包和移动钱包无需修改即可作为智能账户的签名器使用。
安全性增强:在签名请求中可显示结构化数据,用户能够看到操作的基本信息而非不透明的哈希值,降低了误签风险。
成本优化:相比在智能账户合约内重新计算EIP-712哈希,在EntryPoint层面实现可避免validateUserOp中的重复计算。
实现细节
EIP-712方案的具体实现包含以下关键要素:
-
类型哈希:定义UserOperation结构体的类型描述,确保签名数据的结构化表示。
-
域分隔符:包含chainId和verifyingContract,保证跨链和跨合约的签名唯一性。
-
字段编码:保持与原有方案相同的字段顺序,确保向后兼容。
未来展望
虽然EIP-712方案解决了基本可读性问题,但用户操作的完整解析仍需要钱包端的专门支持。未来可能出现更深入的结构解析,例如:
- 对callData的进一步解码,显示具体调用的合约和方法
- 支付金额和接收方的可视化呈现
- 操作风险的自动化评估提示
这种演进将进一步提升账户抽象生态的安全性和可用性,推动大规模采用。
总结
Account Abstraction项目通过引入EIP-712标准改进了用户操作哈希的计算方式,在保持原有功能的同时显著提升了与现有钱包基础设施的兼容性和用户体验。这一技术演进体现了区块链生态对安全性和可用性并重的设计理念,为账户抽象的广泛应用奠定了基础。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust069- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00