以Reddio为例，阐述并行EVM的优化之路

作者：雾月，极客web3

众所周知，EVM的定位是以太坊的“执行引擎”和“智能合约执行环境”，可以说是以太坊***重要的核心组件之一。公链是一个包含成千上万节点的开放性网络，不同节点的硬件参数相差甚大，若想让智能合约在多个节点上都跑出相同结果，满足“一致性”，要设法在不同设备上都搭建出相同的环境，而虚拟机可以实现这个效果。

以太坊的虚拟机EVM能在不同操作系统（如Windows、Linux、macOS）和设备上以相同的方式来运行智能合约，这种跨平台兼容性确保每个节点运行合约后，都能得到一致的结果。***典型的例子就是Java虚拟机JVM。

我们平时在区块浏览器里看到的智能合约，都是先被编译为EVM字节码，然后才存储到链上的。EVM在执行合约时，直接按顺序读取这些字节码，字节码对应的每条指令（opCode）都有相应的Gas成本。EVM会跟踪每条指令在执行过程中的Gas消耗，消耗量则取决于操作的复杂度。

(WEEX交易所官网：www.weex.com)

此外，作为以太坊的核心执行引擎，EVM采用串行执行的方式处理交易，所有交易在单一队列里排队并按照确定顺序先后执行。之所以不用并行化的方式，是因为区块链要严格满足一致性，一批交易在所有节点中都要按相同次序来处理，如果将交易处理并行化，难以***的预判交易次序，除非引入对应的调度算法，但这会比较复杂。

2014~15年的以太坊创始团队出于时间紧迫，选用了串行执行的方式。因为它设计简单且易于维护。然而随着区块链技术的迭代和用户群体越来越大，区块链对TPS和吞吐量的要求越来越高，在Rollup技术出现并成熟落地后，EVM串行执行带来的性能瓶颈在以太坊二层身上已经暴露无疑。

Sequencer作为Layer2的关键组件，以单个服务器的形式承接所有运算任务，如果与Sequencer配合的外部模块的效率都足够高，则***终的瓶颈将取决于Sequencer本身的效率，此时串行执行将成为巨大的阻碍。

opBNB团队曾通过对DA层和数据读写模块进行***优化，Sequencer每秒***多可执行约2000多笔ERC-20转账。这个数字看起来很高，但如果要处理的交易比ERC-20转账复杂很多，TPS数值必然会大打折扣。所以说，交易处理的并行化将是未来的必然趋势。

下面我们将从更具体的细节入手，为大家详细解释传统EVM的局限性，以及并行EVM的优势。

以太坊交易执行的两大核心组件

在代码模块层面，除EVM外，go-ethereum中与交易执行相关的另一核心组件是stateDB，用于管理以太坊中的账户状态和数据存储。以太坊采用名为Merkle Patricia Trie的树状结构来充当数据库索引（目录），EVM每一次交易执行都会变更stateDB中存放的某些数据，这些变更***终会反映在Merkle Patricia Trie（后面简称全局状态树）中。

具体来说，stateDB负责维护所有以太坊账户的状态，包括EOA账户和合约账户，其存储的数据包括账户余额、智能合约代码等。在交易执行过程中，stateDB会对相应账户的数据进行读写。而在交易执行结束后，stateDB需要将新的状态提交到底层数据库（如LevelDB）中，进行持久化处理。

总的来说，EVM负责解释和执行智能合约指令，根据计算结果变更区块链上的状态，而stateDB则充当全局状态存储，管理所有账户和合约的状态变化。两者协作构建了以太坊的交易执行环境。

串行执行的具体过程

以太坊的交易类型分两种，即EOA转账和合约交易。EOA转账是***简单的交易类型，即普通账户之间的ETH转账。这种交易不涉及合约调用，处理速度非常快。由于操作简单，EOA转账收取的gas费极低。

与简单的EOA转账不同，合约交易会涉及到智能合约的调用与执行。EVM在处理合约交易时，要逐条解释和执行智能合约中的字节码指令，合约的逻辑越复杂，涉及的指令越多，消耗的资源越多。

举例来说，ERC-20转账的处理时间大约是EOA转账的2倍，而对于更复杂的智能合约，如Uniswap上的交易操作，耗时更长，甚***可以比EOA转账慢十几倍。这是因为DeFi协议需要在交易时处理流动性池、价格计算、代币swap等复杂逻辑，需要进行非常复杂的计算。

那么在串行执行模式下， EVM与stateDB这两个组件是如何协作处理交易的呢？

在以太坊的设计中，一个区块内的交易会按先后次序被一笔笔处理，每笔交易（tx）都会有一个独立实例，用于执行该交易的具体操作。尽管每笔交易会使用不同的EVM实例，但所有交易要共用同一个状态数据库，也就是stateDB。

在交易执行过程中，EVM需要不断与stateDB交互，从stateDB中读取相关的数据，并将变更后的数据写回stateDB。

我们从代码角度大致看下EVM和stateDB是如何协作执行交易的：

1. processBlock()函数会调用Process()函数处理一个区块中包含的交易；

2. Process()函数中定义了一个for循环，可以看到交易是被一笔一笔执行的；

3. 在所有交易处理完毕后，processBlock()函数调用writeBlockWithState()函数，再调用statedb.Commit()函数，提交状态变更结果。

当一个区块中所有交易都被执行完毕后，stateDB中的数据会被Commit到前面提到的全局状态树（Merkle Patricia Trie），并生成新的状态根（stateRoot）。状态根是每个区块中的重要参数，它记录了区块执行后新的全局状态的“压缩结果”。

我们不难理解，EVM的串行执行模式瓶颈很明显：交易必须按顺序排队执行，如果出现耗时很久的智能合约交易，在其处理完毕前，其他交易只能等待，这显然无法充分利用CPU等硬件资源，效率会受到较大限制。

EVM的多线程并行优化方案

如果用生活中的例子来对比串行执行与并行执行，前者类比为只有一个柜台的银行，并行EVM则类比为有多个柜台的银行。在并行模式下，可以开启多个线程同时处理多笔交易，效率可以得到几倍速的提升，但棘手的地方在于状态冲突问题。

如果多笔交易都声明要改写某个账户的数据，当它们被同时处理时，就会产生冲突，比如某NFT仅能铸造1个，而交易1和交易2都声明要铸造该NFT，如果他们的请求都得到满足，显然会出现错误，应对这类情况需要进行协调处理。实际操作中的状态冲突往往比我们提到的更频发，所以如果要将交易处理并行化，就必须要有应对状态冲突的措施。

Reddio对EVM的并行优化原理

我们可以看一下ZKRollup项目Reddio对EVM的并行优化思路。Reddio的思路是为每个线程都分配一笔交易，并在每个线程中提供一个临时的状态数据库，称为pending-stateDB。具体细节如下：

1. 多线程并行执行交易：Reddio设置多个线程同时处理不同的交易，线程之间互不干扰。这可以几倍速提升交易处理速度。

2. 为每个线程分配临时状态数据库：Reddio为每个线程都分配一个独立的临时状态数据库（pending-stateDB）。各个线程在执行交易时，不会直接修改全局的stateDB，而是将状态变化结果暂时记录在pending-stateDB中。

3. 同步状态变更：在一个区块内的所有交易都执行完毕后，EVM会将每个pending-stateDB中记录的状态变更结果依次同步到全局stateDB中。如果不同交易在执行过程中没有发生状态冲突，就可以将pending-stateDB中的记录顺利合并到全局stateDB中。

Reddio对读写操作的处理方式进行了优化，以确保交易能够正确访问状态数据并避免冲突。

·读操作：当一个交易需要读取状态时，EVM会首先检查Pending-state的ReadSet。如果ReadSet显示存在所需数据，EVM就直接从pending-stateDB中读数据。如果ReadSet中没有找到对应的key-value（键值对），就从上一个区块对应的全局stateDB中读取历史状态数据。

·写操作：所有写操作（即对状态的修改）都不会直接写入全局stateDB，而是先记录到Pending-state 的WriteSet中。待交易执行完成后，通过冲突检测再尝试将状态变更结果合并到全局stateDB中。

并行执行的关键问题在于状态冲突，当多笔交易尝试读写相同账户的状态时，该问题尤为显著。为此Reddio引入了冲突检测机制：

· 冲突检测：在交易执行过程中，EVM会监测不同交易的ReadSet和WriteSet。如果发现多个交易尝试读写相同的状态项，则视为发生冲突。

· 冲突处理：当检测到冲突时，冲突交易将被标记为需要重新执行。

在所有交易都执行完成后，多个pending-stateDB中的变更记录会被合并到全局stateDB中。如果合并成功，EVM会将***终状态提交到全局状态树中，并生成新的状态根。

多线程并行优化对性能的提升是显而易见的，特别是应对复杂智能合约交易时。

根据并行EVM的研究显示，在低冲突工作负载（交易池中较少矛盾的或者占用相同资源的交易）中，基准测试的TPS相比传统的串行执行，提升了3~5倍左右。在高冲突工作负载中，理论上如果将所有优化手段都用上甚***可以达到60倍。

总结

Reddio的EVM多线程并行优化方案，通过为每个交易分配临时状态库，并在不同线程中并行执行交易，显著提高了EVM的交易处理能力。通过优化读写操作和引入冲突检测机制，EVM系公链能够在保证状态一致性的前提下，实现交易的大规模并行化，解决了传统串行执行模式带来的性能瓶颈。这为以太坊Rollup未来的发展奠定了重要基础。

后续我们会进一步深入分析Reddio的实现细节，如如何进一步从优化存储效率提升效率，冲突高发时的优化方案，以及如何借助GPU做优化等等内容。