Rust-Bitcoin项目中的费用计算精度问题解析
2025-07-02 02:23:54作者:韦蓉瑛
在Rust-Bitcoin项目中,开发团队发现了一个关于交易费用计算的精度问题。这个问题源于项目内部使用的费用率单位与主流实现不一致,导致在某些边界情况下计算结果出现偏差。
问题背景
Rust-Bitcoin项目在处理交易费用时,使用"每千重量单位satoshis"(sat/kwu)作为基本单位,而主流实现则使用"每千虚拟字节satoshis"(sat/kvb)作为计算基准。由于1虚拟字节(vB)等于4重量单位(wu),这种单位差异在除法运算时导致了精度损失。
技术细节分析
在交易中,交易大小可以通过两种方式衡量:
- 虚拟字节(vB):实际用于计算费用的单位
- 重量单位(wu):用于衡量区块大小限制的单位
两者之间的换算关系为:1 vB = 4 wu。当使用重量单位作为费用计算基础时,由于需要进行除以4的操作,会引入精度损失。例如,当计算122虚拟字节的交易费用时:
主流实现的计算方式: 123 sat/kvb × 122 vb = 15.006 sats → 向上取整为16 sats
而Rust-Bitcoin当前实现可能得到15 sats的结果,出现了1 sat的偏差。
解决方案探讨
开发团队讨论了多种可能的解决方案:
- 保持现状:最简单的选择,但会与主流行为不一致
- 调整取整方式:将
from_sat_per_kvb改为向上取整,或提供ceil/floor两种方法 - 统一使用sat/kvb:将内部表示改为与主流一致的单位
- 使用浮点数表示:采用f64类型存储费用率,可以精确处理整数运算
- 分数表示法:类似主流实现正在考虑的实现方式
技术决策考量
经过深入讨论,团队更倾向于将内部表示改为sat/kvb,主要原因包括:
- 与主流行为保持一致
- 提供更高的计算精度
- 避免不必要的除法运算导致的精度损失
- 保持整数运算的简单性和效率
同时,团队也注意到主流实现未来可能会转向使用重量单位,因此设计方案时需要保持一定的灵活性。
实现建议
对于具体实现,建议:
- 修改
FeeRate内部表示使用sat/kvb - 添加全面的单元测试,特别是边界条件测试
- 考虑添加显式的取整方法(ceil/floor)
- 在文档中明确说明精度处理方式
这个问题虽然看似简单,但涉及到交易处理的核心逻辑,正确处理费用计算对于保证交易可靠性和网络兼容性至关重要。Rust-Bitcoin团队通过深入分析和讨论,找到了既保持精度又与主流行为兼容的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0194
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 Notebook0121
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 Notebook06
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
766
4.99 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.94 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
686
1.34 K
Ascend Extension for PyTorch
Python
721
888
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++
1.08 K
1.1 K
deepin linux kernel
C
32
16
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
458
445
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
617