Namada项目中离线签名参数的设计优化
背景介绍
Namada是一个注重隐私保护的区块链项目,其交易处理机制中包含了复杂的签名系统。在当前的实现中,签名参数(signatures和gas-signature)被直接包含在交易(Tx)结构中,但这种设计存在一些不合理之处,需要进行架构上的优化调整。
当前设计的问题
在现有架构中,签名参数被直接内嵌在Tx结构中,这带来了几个技术挑战:
-
签名时效性问题:由于交易中包含随机化元素(如salt值),实际上无法在交易构建阶段就预先生成有效的签名。签名必须在交易完全序列化后才能正确生成。
-
逻辑分离不清晰:Tx结构应该只包含交易的核心内容,而签名验证属于交易处理流程中的另一个环节,将两者混在一起破坏了架构的清晰性。
-
序列化限制:当需要从序列化数据重建交易时,签名参数的处理会变得复杂,因为签名本身依赖于完整的序列化数据。
解决方案
经过技术团队的讨论,决定将签名参数从Tx结构中移出,转移到TxCustom结构中。这种调整带来以下优势:
-
职责分离:Tx结构专注于描述交易内容本身,而签名相关的元数据放在TxCustom中,符合单一职责原则。
-
流程合理化:签名过程可以自然地发生在交易序列化之后,解决了预先签名不可行的问题。
-
更好的扩展性:未来如果需要支持多种签名方案或复杂的签名逻辑,可以在TxCustom中灵活扩展,而不会影响核心交易结构。
技术实现细节
在具体实现上,这种调整涉及以下变更:
-
数据结构重构:
- 从Tx结构中移除signatures和gas-signature字段
- 在TxCustom中添加对应的签名字段
-
序列化处理:
- 序列化过程分为两个阶段:先序列化交易内容,然后处理签名
- 反序列化时需要特别处理签名数据的验证
-
签名验证流程:
- 验证时先重建交易内容的哈希
- 然后使用TxCustom中的签名数据进行验证
影响范围
这一变更是破坏性变更(breaking change),会影响:
- SDK接口:所有使用交易签名功能的客户端代码需要相应调整
- CLI工具:涉及交易签名的命令行参数和流程需要更新
- 序列化格式:交易数据的存储和传输格式发生变化
最佳实践建议
对于开发者而言,在适配这一变更时应注意:
- 交易构建流程:现在应该先构建完整交易,序列化后再进行签名
- 错误处理:需要特别注意处理签名验证失败的情况
- 测试覆盖:增加对序列化-签名-验证全流程的测试用例
总结
Namada项目对签名参数位置的调整虽然是一个架构上的小改动,但体现了对系统设计合理性的持续追求。这种改进使得交易处理流程更加符合实际业务逻辑,为未来的功能扩展打下了更好的基础。对于开发者而言,理解这一变更背后的设计思想,有助于更好地使用Namada的SDK和构建更健壮的应用程序。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00