引介 | Lighthouse：从测试网崩溃中学到的教训

一个测试网倒下，千千万万个测试网站起来

一个星期以前（注：本文撰写于 2019 年 12 月 17 日），我们 宣布
使用 Lighthouse 客户端启动一个大型的公开测试网。测试网成功启动并且运行了一周，首次证明了使用生产环境配置的 Eth2 测试网也是可以跑起来的。

启动测试网时，我们曾说，“ 我们要尝试把这个测试网搞崩，而且我有自信我们能够成功
”。测试网确实挂了，而且是两次。第一次是在周六上午，第二次是在周一早上（都是悉尼时间）。第一次挂掉（超过 100 个 epoch 没有敲定）之后，我们成功恢复了测试网运行；但第二次崩溃时，我们决定就此收手，不再恢复。
这里说的 “崩溃”、“挂掉”，都是指测试网无法敲定 epoch。而没法敲定 epoch 的原因是超过 1/3 的验证者都掉线了。在设计上，这个测试网遇到问题不会死撑，而是会快速且明确地表现出失败。

这个测试网的基石是 4 个 AWS t2.medium
实例（硬件配置是 2 vCPU，4gb RAM， 32gb SSD）；每个实例都作为公开的引导节点，负载 4096 个验证者。实际上，我们也很惊讶，它们居然能撑这么久；对于少数硬件配置一般的机器来说，这是巨大的负担；它们中只要有两个离线了，测试网就没法继续敲定了。

我们分析了这两次崩溃时间，也学到了很多（细节在后续章节中）。我们团队已经回到开发工作中，希望能在下周发布一个新的测试网（也有可能是后面几周，可能工作会受假期影响）。你可以在 v0.1.1 milestone
这个页面上了解我们的进展。

教训

测试网崩溃的主要原因

测试网第一次崩溃的直接原因是软件的联网部件中的一个循环，它会 “看到” 某个见证数据（attestation）不断地重复发布。该循环在我们部署的四个信标节点（primary node）中的两个节点上出现了，耗尽了它们的资源，使得它们无法生产区块和见证数据。这个问题是导致两次崩溃的直接原因。
我们已经更新了我们的 gossipsub 实现，现在，每条内容都是根据其内容来寻址的，这就意味着，如果我们收到两条内容相同的消息，gossipsub 协议会忽略掉第二条消息。我们也在 Lighthouse 客户端的代码中加入了复制消息检查，以此防止收发复制消息。

测试网崩溃的次要原因

数据量暴涨

两个信标节点挂掉以后，测试网就不可能敲定区块了（因为 50% 的验证者都离线了）。不过，剩下的两个节点仍在继续发出和接收区块，这也是我们希望看到的情形。但是，网络失去确定性（finality）之后，它们就无法修剪和压缩它们的数据库，这就导致它们的数据库以每小时几 GB 的速度增长。因为我们将测试网节点的硬盘限制在 32 GB（包括操作系统所占用的部分），最终，它们的磁盘被旧数据塞满、无法再接受新区块了。这就导致另外两个节点也离线了。
在这种情况下，要想恢复测试网运行也很简单，只需加大硬盘、重启节点即可。我们也对这种恢复方式很满意，因为这就意味着，一些配有大硬盘的节点在两次崩溃中都几乎不会受到什么影响。
在我写作本文之时，Michael 正在开发针对这个问题的解决方案，思路是让数据库的膨胀速度降低 32 倍。虽然我们很高兴看到在 100 epoch 不能敲定之后节点能够恢复，但目前的情况相当于，一个硬盘不足 64gb 的节点只有约 10 个小时的生存时间。恢复能力对 Lighthouse 客户端是非常重要的，而 Michael 的更新会将 10 小时延长到 13 天。

分叉选择

我们也观察到，网络的分叉选择时间延长到了 8 秒。在我们看来，这是不可接受的，必须要去解决它。我们意识到，这个问题是由于过度从磁盘中加载信标链状态（BeaconState）导致的，所以我们已经写了一个 PR
来解决这个问题。

社区反馈

很高兴看到人们参与到 Lighthouse 测试网中来并运行自己的验证者，有 400 多名参与者参与了我们的测试网！感谢他们的反馈！下面这些建议是他们一再提到的：

• 需要更快的同步时间：
  我们正在努力了，预计在 0.1.1 版本中，同步速度可以快上 1.5～2 倍。
• 更好的 docker 文档：
  Scott 正在优化这些文档，而且新的测试网会用 docker 来部署（即，我们会亲身尝试使用 docker）。
• 更稳定的 eth1 节点：
  我们提供了一个公开的 eth1 节点，方便用户的使用，但事实证明，这个节点还导致了某些验证者宕机。在下一个测试网发布的时候，我们会在不同的地区部署少量节点，并在这些节点间做负载均衡。
• 更多 API 端点：
  becaoncha.in 团队联系上了我们，并希望他们的区块浏览器能够得到更多的 API 端点。我们已经提交了一个 PR
  ，估计会在 0.1.1 版本时合并。

（完）

原文链接: https://lighthouse.sigmaprime.io/update-20.html

作者:Paul Hauner

翻译:阿剑

题图来自 Blair Fraser
。