Page 402 - 《软件学报》2025年第8期

张子龙 等: 基于原生链的跨 Rollup 机制研究 3825

1.00
0.75
0.50
计算效率提升比 −0.25 0
0.25

−0.50
最大聚合规模=32
−0.75 最大聚合规模=256
−1.00 最大聚合规模=1024
10 15 20 30 50 100 200 300 400 500 600 700 800 900 1 000
实时聚合规模
图 14 零知识证明的计算效率提升比

4.3.3 实验结果分析
通过对实验结果的分析和论证, 本文可以深入讨论零知识证明在生成时间方面的表现及其背后的原因. 根据
batch max 的影响. 这一现象可以通过零知识证
实验数据, 零知识证明电路生成时间的现象主要受到聚合规模上限
batch max 之后, 零知识证明电路会生成一个用于生成证明的标准
明电路的构造原理来解释. 在确定聚合规模上限
R1CS (rank-1 constraint system) 电路. 这个电路的计算规模基本上是固定的, 计算的整体复杂度取决于零知识证明
batch now 发生变化, 整个电路的计算流程仍然会完整执行. 因此, 证明生成时间
的上限, 即使输入的实际聚合规模
主要取决于聚合规模上限 batch max , 而与实时聚合规模 batch now 的关系较小.
在分析零知识证明的计算效率提升比表现时, 可以观察到, 在相同交易规模的条件下, 较小的聚合规模上限
batch max 事实上可能导致更高的计算效率提升比, 从而在链上计算资源节省方面表现更加优越. 然而, 较小的聚合

规模上限 batch max 也可能导致计算效率提升比的上限降低. 例如, 在聚合规模上限为 32 的情况下, 效率提升的上
限仅约为 62%, 而聚合规模上限达到 1 024 的情况下, 效率提升的上限可以到达 98%. 这是由于当聚合上限
batch max 确定后, 验证的总开销已经近似确定了, 而聚合上限 batch max 越大, 总开销也会越大. 因此系统在设置聚合
规模上限时, 应当充分评估当前 Rollup 的跨 Rollup 需求强度, 对未来实际使用场景中的负载状况要有一定的预估
水平, 以便在实际场景中找到一个平衡点, 确保聚合规模上限 batch max 得到一个相对优的解.

4.4 链上存储开销

4.4.1 实验数据及设计
为了评估基于索引表的链上数据压缩策略的有效性, 本研究设计了一个实验, 采用实际有效交易数据的真实
数据集进行评估. 数据集选取自 2022 年 4 月 1 日–2022 年 9 月 25 日期间的以太坊非同质化代币 (NFT) 类交易中
的样本, 这些样本数据是通过爬取 NFT 交易平台而获得的. 选择 NFT 类交易中的 50 万笔交易作为数据集的原因
是, 它们在 Rollup 交易场景中非常常见, 并且很可能成为跨 Rollup 交易的主要场景. 因此, 使用 NFT 合约的数据
集可以较好地代表实际的跨 Rollup 交易形式. 通过使用这一真实数据集, 本研究旨在全面评估基于索引表的数据
压缩策略在实际应用中的效果. 这有助于本文更准确地了解该策略对链上计算资源的节省程度, 以及在不同场景
下的适用性.
与对于单笔传输验证方案中链上交易的存储的最简数据格式如后文表 8 所示, 包含完整的发送方 Rollup 序
号, 接收方 Rollup 序号, 发送方用户地址, 接收方用户地址, 发送金额, 合约二进制数据等. 本文测试的对比是在使
用基于索引表的数据压缩存储方案相较于传统单笔交易的最简数据存储方案的提升效率.

4.4.2 实验结果
本节测试实际应用场景中的存储压缩效率比. 通过将交易逐批存储到链上并比较实际链上存储消耗, 可以衡
量交易的存储压缩效率比. 如图 15 所示, 横坐标表示随着时间推移, 逐步计算的第 k 批交易的压缩效率比, 而纵坐
标则表示压缩效率比. 在实际数据集中能够达到的综合平均压缩效率比为 66.6%.