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。
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