技术解析以太坊无状态性区块见证数据方案：键值对见证

本文探讨了 KV-witness 区块见证数据方案的解析算法、优缺点，以及网络效率等方面。

原文标题：《引介 | 无状态性：基于键值对的见证数据方案》
撰文：Igor Mandrigin
翻译：阿剑

无状态以太坊运动当前提议了一种区块见证数据（witness）的格式，详述见此处。这套区块见证方案是基于操作码（opcode）的，你可以理解为一种小的编程语言，可以使用少数几个命令来生成 「默克尔多值证明」

本文研究了另一种区块见证数据的建构方法，它基于一个键值对的列表，语义也更简单。

在本文中我将尝试回答下列问题：

• 键值对见证数据（KV witness）是什么样的，与当前被提议的、基于操作码的见证数据格式有何区别？
• 键值对见证数据与操作码见证数据相比，有什么优点和缺点？
• 从网络带宽的角度看，键值对见证数据方案的效率如何？

见证数据方案需满足的）前提：

所有的区块见证数据方案都必须满足下列要求：

• 正确（correctness）。保证节点可以执行来自以太坊主网的任意区块。
• 效率（efficiency）。转移见证数据所需花费的网络带宽尽可能小。
• 默克尔化（Merkelization）。必须支持合约代码默克尔化（）。
• 无视状态树的格式（Arity-agnostic）。既支持十六进制默克尔树，也支持二进制默克尔树（中文译本）。

语义

这一部分我先讲讲键值对见证格式的语义，还不会谈到具体的数据布局（byte layout）。

后面，我再讲解我用在测试中的数据格式。

witness ::= header, body, proofs  
header ::= version : byte, trie_arity : byte  
body ::= array of [ { type: byte key : []byte, value : []byte } ]  
proofs ::= map { lt;typegt;: [ { prefix : []byte, hash : []byte } ] }

见证数据：数据体

见证数据的数据体由两个元素构成：

1. 数据

「键」（key）可以是：账户的地址，storage key 或者 code key；而 「值」（value）可以是：账户、storage item 或者相应的代码分块（code chunk）。这一部分的数据体与用于验证正确性的默克尔树的格式完全无关。而且，即使用其它方式来验证正确性，这一部分也不会改变。

2. 证据

键是默克尔路径，而值是一个哈希值。证据的形式依赖于状态树的格式，所以十六进制树和二进制树下的证据将有所不同。这一语义使得我们能在同一个见证中包含多种类的多值证明。所以，理论上来说，我们可以创建出一种既能支持十六进制状态树、又能支持二进制状态树的见证数据格式。

数据体按 key 的字典顺序排序、存储，以确保：

• 更短的键在列表中总是排得前一些（在自顶向下重建默克尔树时候会有用）
• 当两个数据的键相同时（账户地址可能和 code key 相同），总是把账户相关数据排在前面。

解析算法

1. 检查见证数据的版本，以及证据所用的默克尔树格式（以确保证据的格式与区块所需的状态树格式相匹配）
2. 验证见证数据的哈希值（如果有 「canonical witness」 的概念的话）
3. 使用正确的格式创建一棵空的默克尔树
4. 遍历数据，按读取数据的顺序为这棵空默克尔树插入数据（见证数据也应该以字典顺序存储）
5. 插入证据到树中
6. 验证根哈希值（应该与上一区块的根哈希值一致）

好处 AMPL 缺点

对比一下键值对见证格式与当前的操作码见证格式的优缺点。

优点：

• 与 flat DB 数据库机构相匹配，所以如果 canonical witness 哈希值是有效的，就可以立即插入（不需要验证默克尔根值）
• 可以用于快照同步（）
• witness 中的数据独立于我们所选的验证证据的方法：无论是默克尔树，还是多项式承诺，还是别的方法，都不会影响我们需要添加的数据。

缺点：

• 在二进制状态树下，可能会因为字节对齐（byte alignment）而需要占用更高的带宽（例如，证据的键为 0b01，只是两个比特，却需要占用一个字节的存储空间）
• 解析起来可能更慢

网络效率研究 KV Witness 的实现案例

我们首先必须证明这种格式能够实现正确性。它必须能执行以太坊主网上的所有区块。

为此，我在 turbo-gETH 代码库的一个分支里面实现了这种见证方案：kv-witness-research。

这一实现是在谷歌云里面测试的，执行的是块高从 500 万到 800 万的以太坊主网区块。

如何重复我的实验？

你需要至少 200 GB 的可用硬盘空间，和至少 32 GB 的内存（因为代码还在概念验证阶段，没怎么优化）。

1）复制 turbo-gETH 客户端（commit 号为 aa6b4dc609b3d871c778597a71ac08601f17de53）的 kv-witness-research 分支

2）同步主网的区块头和区块体：go run ./cmd/gETH --syncmode staged --datadir ~/stateless-chaindata/ （我花了一天时间）

3）以同步所得的数据运行无状态客户端的原（我花了 17 天）

    go run ./cmd/state stateless --blockSource ~/stateless-chaindata/gETH/chaindata --statefile ~/kv_witness_statefile --witnessInterval 5000000 --statsfile ~/stats_kv_witness.csv 2gt;AMPL1 | tee debug.log

如此，在 stats_kv_witness.csv 文件中，你就能得出跟我在本文中所示的一模一样的结果。

见证数据的格式

见证数据的开头是一个单字节的数据头（header），包含其版本信息。

然后就是数据体（body），由大小信息和元素（elements）本身组成；大小信息会占用 1～4 个字节，具体要看元素的数量。

每一个元素都以一个字节的类（type）开头，然后是键（key）字段，是一个长度任意的字节数组；键字段的前缀是大小信息，然后是实际数据（就像数据体的布局一样）。

数据的形式取决于元素的类：

• 对于 storage 叶子节点，数据是任意长度的字节数组，前缀是其长度信息（size bytes）；
• 对代码叶子节点，数据也是任意长度的字节数组，以长度信息为前缀；
• 对于证据，数据是一个定长的，32 字节的哈希值，不包含任何前缀信息。

以账户为键的数据则更复杂一些，但主要的数据包括：

• flag （辨识该账户元素是否具有默认值）
• nonce （如果不为零），需要 8 个字节
• 余额（如果不为零），任意长度的字节数组，前缀为其长度
• 存储根哈希值（如果不为空），32 个字节，定长的字节数组
• 代码哈希值（如果不为空），32 个字节，定长的字节数组

最终，见证数据看起来会长这样：

[lt;headergt; lt;witness_elements_countgt; lt;element1_typegt; lt;element1_key_sizegt; lt;element1_key_byte1gt; ... lt;element1_value_sizegt; ... lt;element2_typegt; ...]

[lt; 数据头 gt; lt; 元素数量 gt; lt; 元素 1_类 gt; lt; 元素 1_键长度 gt; lt; 元素 1_键_字节 1gt; ... lt; 元素 1_值长度 gt; ... lt; 元素 2_类 gt; ...]

优化：删除重复键前缀

键是一个由半字节（nibble）组成的默克尔路径，不是由字节组成的。对于十六进制默克尔树而言，一个半字节的长度是 4 个比特，对二进制默克尔树来说则是 1 个比特。因此，有时候键的字节长度并不是整数（举个例子，12 比特是 8.5 个字节）。

键被编码为 []byte，这样就是字节对齐的（所以如果有一个键的长度在 4 个字节到 5 个字节之间，它总是会被补齐为 5 个字节）。同样地，可以加入一个额外的 「面罩」 在开头，指明在最后一个字节中，哪些比特是 1。

• 键 0xFF (1 byte): [00001000 11111111] lt;== 8 个重要比特
• 键 0b11(2 bits): [00000010 11000000] lt;== 2 个重要比特
• 键 0b10(2 bits): [00000010 10000000] lt;== 2 个重要比特
• 键 0b_10101010_01010101_1101(2 bytes 4 bits): [11110000 10101010 01010101 11010000]

然后，我们可以加入一个简单的优化措施，减少数据和证据中的重复前缀 。

为提高压缩效率，我们会在同一个有序映射中混合数据和证据。

数据和证据将共同按字典顺序排序和存储

数据头的前 4 个比特将用来说明前一个键的字节偏移量（The highest 4 bits of a header byte mean a byte offset of a previous key.）。

因为在我们的语意中，键是排过序的，我们可以使用前 4 个字节来说明下列情况：

• 本键与前一个键相同，整个键因此可以压缩到 1 个字节： [10000000]
• 本键与前一个键无任何一个字节是相同的（[0000xxxx xxxxxxxx ...]）
• 本键与前一个键共享至多 14 个作为前缀的字节 （[????xxxx xxxxxxxx ...])：开头的 「？」 号表示 big-endian 编码的数字，从 1 (001) 到 14 (1110) ）
• 本键与前一个键共享超过 15 个字节：（[1111xxxx ?? xxxxxxxx …]），而中间的 」疑问号「 是对超过数量的说明
  • 如果恰好是 15 个字节，那就是 [1111xxxx 00000000 ... ] (15 + 0)
  • 如果是 16 个字节，那就是 [1111xxxx 00000001 ... ] (15 + 1)
  • 如果是 32 个字节，那就是 [1111xxxx 00010001 ... ] (15 + 17)

KV-Witness 压缩。括号中的数字表示要从前一个键中重用多少个比特

网络效率研究结果

本结果的原始数据可以在此 GitHub 仓库 中找到。

为了在网络效率角度得出一个全面的图景，我比较了 3 种见证数据格式，统一用十六进制默克尔树来运行：

1）基于操作码的见证数据，就是现有的这个。（数据沿用自我的上一次实验）

2）基于键值对的见证数据（未压缩）：没有删除重复的键前缀

3）基于键值对的见证数据（压缩后）

测试的范围是区块高度从 500 万到 800 万的区块。

绝对大小比较

绝对大小的比较。压缩后的 KV witness 与 opcode witness 表现非常相似。

量化分析

（单位：MB） 平均值 中值 90 分位值 95 分位值 99 分位值 最大值 基于操作码的见证数据 1.16 1.22 1.87 2 2.22 12.9 基于键值对的见证数据（未压缩） 1.42 1.48 2.28 2.45 2.74 5.58 基于键值对的见证数据（压缩后） 1.07 1.11 1.72 1.84 2.05 4.91 结论

删除重复的键前缀为 KV witness 带来了相当大的提升。有了这个功能，它与基于操作码的方案的带宽消耗就几乎相同了。

而基于键值对的方案还有许多优点。

最重要的优点是：简洁。为一种数据格式（本质上就是一个字典）撰写详述，要比为一个几乎是编程语言一样的方法撰写详述简单得多。

第二大优势是，证据在语义上与数据是独立的，所以，当我们想要改变状态树的形式（从十六进制转为二进制）、或者想要完全改变证据的机制时，KV-Witness 方法所需的变更要小得多。

我认为，KV-witness 方案是见证数据标准的有力竞争者。