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 StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0125
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07