Safe智能合约中模块守卫上下文数据传递方案探讨
2025-07-05 10:31:57作者:俞予舒Fleming
背景介绍
在Safe智能合约的模块管理系统中,模块守卫(Module Guard)是一个重要的安全组件,它负责验证模块发起的交易。然而,当前模块守卫接口存在一个限制:它无法接收任何额外的上下文信息或数据,这在一定程度上限制了其功能的灵活性。
问题分析
在实现负控制(Negative Control)功能时,开发团队发现模块守卫需要验证共同签名者的签名信息,但现有的接口设计无法传递这些额外数据。这引发了对模块守卫接口扩展性的深入思考:是否需要为模块守卫提供接收上下文数据的能力?如果需要,应该如何设计这个功能?
技术方案比较
方案一:修改Safe合约及模块守卫接口
该方案通过在模块守卫的checkModuleTransaction函数中添加context参数,并在Safe合约中新增支持上下文参数的重载函数。
优点:
- 模块守卫接口尚未正式发布,修改不会造成兼容性问题
- 对现有Safe合约保持向后兼容
- 实现直接且直观
缺点:
- 增加Safe合约的大小(但仍保持在24kb限制内)
- 需要模块适配新接口才能使用此功能
方案二:执行前设置守卫上下文
此方案通过让模块守卫提供设置上下文的方法,在执行模块交易前存储上下文信息。
优点:
- 无需修改Safe合约
- 实现相对灵活
缺点:
- 模块守卫需要额外实现上下文存储逻辑
- 增加gas成本
- 需要在交易执行前单独调用守卫设置上下文
方案三:模块自行存储上下文
该方案让模块自行存储上下文信息,守卫通过模块接口获取所需数据。
优点:
- 无需修改Safe合约
- 上下文管理完全由模块控制
缺点:
- 模块需要实现额外接口
- 增加gas成本
- 模块与守卫需要约定数据协议
专家评估与结论
经过深入讨论和技术评估,Safe团队认为:
- 上下文需求目前主要局限于特定用例(如负控制),尚不具备普遍性
- 通过Multisend方式已经可以实现上下文传递,无需修改核心合约
- 强制性的接口标准化可能增加开发复杂度和审计难度
- 特定功能可以通过共享库或ERC7579标准实现,保持核心合约简洁
因此,团队决定不修改Safe合约或引入新的协议强制要求守卫或模块实现特定接口。这种决策保持了系统的简洁性和灵活性,同时为特定用例提供了替代解决方案。
技术启示
这个案例展示了区块链系统设计中常见的权衡:在增加功能灵活性和保持系统简洁性之间的选择。Safe团队选择了保守的方案,这体现了其对系统稳定性和安全性的重视,同时也为未来的扩展留下了空间。开发者在使用Safe模块系统时,应当根据具体需求选择最适合的上下文传递方式,必要时可以利用共享库或行业标准来实现特定功能。
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
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