以太坊 EVM 的并行化演进

TagsSurvey
Publication DateNovember 25, 2025

以太坊虚拟机(EVM)作为分布式账本技术的开创性创新,成功将区块链从单纯的交易账本(如比特币)转化为能够执行任意逻辑的准图灵完备状态机。然而,EVM 诞生之初所确立的串行执行架构——虽然在早期为共识的一致性和安全性提供了坚实保障——如今已成为制约去中心化应用(dApps)规模化扩展的核心瓶颈。随着链上交互需求的指数级增长,行业扩展方案已从早期的单纯垂直扩容(单节点性能提升)和水平分片(Sharding/Rollups),转向了对执行层本身的根本性重构:并行执行(Parallel Execution)。

1. 限制的起源:串行 EVM 的历史与架构分析

1.1 “世界计算机”的抽象与串行的必要性

以太坊的愿景是构建一台全球共享的“世界计算机”。在 Gavin Wood 撰写的以太坊《黄皮书》中,EVM 被定义为一个基于栈的虚拟机,其核心功能是根据交易 TT 改变系统状态 σ\boldsymbol{\sigma}。形式化地,状态转换函数可以表示为:

σt+1≡Υ(σt,T)\boldsymbol{\sigma}_{t+1} \equiv \Upsilon(\boldsymbol{\sigma}_t, T)

在一个包含交易集合 B={T0,T1,...,Tn}B = \{T_0, T_1,..., T_n\} 的区块中,最终状态 σfinal\boldsymbol{\sigma}_{final} 是严格按照 00 到 nn 的顺序应用 Υ\Upsilon 的结果。这种串行约束并非设计上的疏忽,而是当时技术环境下的安全铁律。在一个由数千个互不信任的节点组成的分布式系统中,非确定性(Non-determinism)是致命的。如果节点 A 和节点 B 以不同的顺序执行交易,它们计算出的状态根(State Root)将不一致,从而导致链的分叉。串行执行提供了一种最简单、最健壮的保证:只要所有节点从相同的状态 σt\boldsymbol{\sigma}t 出发,并按相同的顺序处理相同的交易,它们必然会到达相同的 σt+1\boldsymbol{\sigma}{t+1}。

然而,这种设计将区块链的吞吐量直接绑定在了单核 CPU 的处理能力上。随着摩尔定律的放缓,单核性能的提升已无法满足区块链网络日益增长的计算需求。此外,EVM 的 gas 机制虽然防止了死循环,但也为每个区块的计算总量设定了硬性上限,进一步限制了网络的扩展性。

1.2 瓶颈解剖:不只是 CPU 的问题

传统 EVM 的性能天花板并非仅仅由 CPU 时钟频率决定,而是由三个相互交织的架构决策共同构成的:

1.2.1 阻塞式交易处理与 I/O 延迟

在传统的串行模型中,CPU 在处理 I/O 操作时处于闲置状态。当 EVM 执行诸如 SLOAD(从存储中读取数据)这样的操作码时,执行线程必须挂起,等待数据从磁盘加载到内存。考虑到磁盘 I/O(即使是 SSD)的速度比寄存器操作慢几个数量级,“世界计算机”在绝大多数时间里实际上是在“等待数据”,而非“计算数据”。这种同步的、阻塞式的 I/O 模型极大地浪费了现代 CPU 的计算周期。

1.2.2 Merkle Patricia Trie (MPT) 与 I/O 放大

以太坊使用 Merkle Patricia Trie (MPT) 来存储状态。MPT 是一种极其精妙的数据结构,它允许轻客户端仅通过一个哈希值(状态根)就能验证任何账户的状态,这对于去中心化网络的安全性至关重要。然而,从数据库性能的角度来看,MPT 是效率的噩梦。

  • 数据结构嵌套带来的读写放大: MPT 通常存储在底层的键值数据库(如 LevelDB 或 RocksDB)之上。这些数据库内部使用日志结构合并树(LSM-tree)。将一个树状结构(MPT)嵌入到另一个树状结构(LSM-tree)中,会导致严重的读写放大。EVM 中的一次逻辑读取(例如读取某个合约的变量),在物理层面可能需要遍历 MPT 的多个节点,从而触发底层数据库的多次磁盘读取。
  • 冷状态问题: 随着以太坊状态的不断膨胀(State Bloat),全节点的数据库规模已达太字节级别,这使得即使拥有大量内存,大部分状态数据也无法驻留在缓存中。每次交易执行都极其依赖磁盘随机读取性能,进一步加剧了 I/O 瓶颈。

1.2.3 缺乏并行性的 Gas 模型

以太坊的 Gas 模型本质上是一个单线程的计量单位。区块 Gas Limit 限制了单个区块内可以执行的操作总量,这个上限是根据网络中标准节点的单核处理能力设定的。这意味着,即使验证者拥有 64 核的高性能服务器,在处理以太坊区块时,另外 63 个核心也基本处于闲置状态。硬件资源的极度浪费是串行 EVM 架构最显著的特征之一。

1.3 早期扩展尝试:碎片化与集成的权衡

在并行执行成为主流研究方向之前,主要工作主要集中在两个方向:

  • 分片(Sharding): 将全局状态分割成多个子集(分片),不同分片可以并行处理交易。虽然这在理论上实现了并行,但它引入了极高的跨分片通信复杂度和安全挑战。
  • Rollups (Layer 2): 将执行层移至链下。大多数早期的 L2(如 Optimism, Arbitrum)实际上只是在一个中心化的排序器上运行一个更快的串行 EVM。虽然它们通过移除共识开销和提高 Gas Limit 提升了吞吐量,但它们最终也撞上了同样的串行执行墙。

所以如果执行引擎本身仍然是单线程的,单纯依靠 L2 堆叠无法实现 Visa 级别的(100,000+ TPS)吞吐量。必须对 EVM 这一核心引擎进行“心脏手术”,使其能够利用多核并行处理能力。

2. 并行执行的理论框架:控制并发的艺术

要实现 EVM 的并行化,核心在于解决 冲突检测与解决(Conflict Resolution) 问题。如果交易 TAT_A 和 TBT_B 同时访问同一个状态地址,且其中至少有一个操作是写入,那么这两个交易就是冲突的。例如,如果 TAT_A 读取地址 XX 的余额,而 TBT_B 修改地址 XX 的余额,执行顺序将直接影响结果。

目前的并行执行范式主要分为两大流派:悲观并发控制(Pessimistic Concurrency Control, PCC) 和 乐观并发控制(Optimistic Concurrency Control, OCC)。

2.1 悲观并发控制(PCC)/ 确定性访问列表

这一模型由 Solana (Sealevel) 和 Sui 推广,其核心理念是“防患于未然”。

  • 机制原理: 系统要求每笔交易在执行前必须显式声明其将要访问的所有状态地址(读写集)。
  • 调度策略: 调度器根据这些声明构建一个依赖有向无环图(DAG)。相互之间没有交集的交易会被调度到不同的 CPU 核心上同时执行。
  • 优势: 零浪费。由于调度器已经确保了并行执行的交易互不冲突,因此不会出现执行到一半因为冲突而回滚的情况。
  • 劣势(EVM 的痛点): 在以太坊生态中,交易的具体访问路径往往在执行前是不可知的。智能合约可能包含复杂的动态逻辑(例如 if (balance > 100) call(ContractA) else call(ContractB)),这使得提前准确预测读写集变得极其困难。要在 EVM 上实施 PCC,通常需要强制引入访问列表(如 EIP-2930),但这会极大地损害开发者体验(DevEx)和用户体验(UX),因为用户和钱包往往无法预知深层嵌套的合约调用。

2.2 乐观并发控制(OCC)/ 软件事务内存(STM)

这一模型由 Aptos (Block-STM) 首创,并被 Monad 等高性能 EVM 链采用,其核心理念是“先斩后奏”。

  • 机制原理: 系统假设交易之间发生冲突的概率很低,因此不进行预先检查,直接在多个线程上并行执行区块内的所有交易。
  • 验证与回滚: 执行完成后,系统会进入验证阶段。它会检查:对于交易 TiT_i,其读取的变量值是否在它执行期间被排序在它之前的交易 TjT_j (j<ij < i) 修改过?
  • 重执行(Re-execution): 如果检测到冲突(例如 T10T_{10} 读取了一个被 T5T_5 修改过的余额),T10T_{10} 以及所有依赖于它的后续交易都会被标记为无效,并在更新状态后重新执行。
  • 优势: 极佳的兼容性和体验。开发者和用户无需改变现有的交易发送习惯,无需声明访问列表。这使得该模型能够无缝兼容现有的 EVM 生态。
  • 劣势: 在高争用(High Contention)环境下性能急剧下降。如果区块内的所有交易都试图抢购同一个 NFT,系统将不得不反复回滚和重试,最终效率可能退化至串行水平,甚至因管理开销而更慢。

2.3 并发模型的对比

特性维度悲观模型 (Solana/Sui/Sealevel)乐观模型 (Aptos/Monad/Block-STM)
依赖声明强制性(必须提供访问列表)无(隐式处理)
冲突处理时机执行前(通过调度规避)执行后(通过验证发现)
低争用吞吐量高极高
高争用吞吐量高(如果调度算法优秀)低(频繁回滚导致 CPU 浪费)
EVM 兼容性低(需修改交易格式或 SDK)高(用户无感知)
确定性保证由调度图保证由提交顺序保证
资源利用率稳定,无无效计算波动,存在无效计算风险

3. 前沿并行 EVM 改进

3.1 Monad:全栈式重构的集大成者

Monad 被广泛认为是下一代高性能 Layer-1 的代表,因为它不仅是在 EVM 上打补丁,而是对其底层架构进行了全栈式的重构。

3.1.1 MonadDb:从根本上解决 I/O 瓶颈

Monad 团队深刻认识到,如果数据读取速度跟不上,再多的 CPU 核心也是摆设。传统的 LevelDB/RocksDB 并不适合区块链这种随机读写极其频繁的场景。因此,Monad 从零构建了 MonadDb。

  • 原生 MPT存储: MonadDb 不再将 MPT 节点作为二进制大对象(Blob)存储在 KV 数据库中,而是在磁盘上原生实现了 MPT 结构。这避免了 LSM-tree 带来的读写放大。
  • 异步 I/O (Async I/O): 利用 Linux 内核最新的 io_uring 接口,Monad 实现了真正的异步磁盘操作。当交易执行需要读取状态时,线程不会阻塞等待,而是挂起当前交易,立即切换去处理下一个交易。这种机制有效地“隐藏”了磁盘 I/O 的延迟,使得 CPU 能够保持满负荷运转。

3.1.2 延迟执行 (Deferred Execution) 与流水线共识

Monad 将共识层与执行层彻底解耦。在以太坊中,节点必须先执行完区块中的所有交易,确认状态根无误后,才能对区块进行投票。这导致区块时间必须包含执行时间。Monad 引入了“延迟执行”机制:节点仅对交易的排序达成共识,而执行可以在稍后的时间点异步完成。这种设计使得共识速度不再受限于执行速度,允许实现亚秒级的出块时间。

3.2 Sei V2:双涡轮驱动的兼容之路

Sei 最初是一条基于 Cosmos 的高性能链,通过 Sei V2 升级,它成为了首个完全并行化的 EVM 链。

3.2.1 乐观并行化与互操作性

Sei V2 采用了类似 Block-STM 的乐观并行模型。这意味着它可以直接运行现有的以太坊智能合约,无需开发者重写代码。同时,它通过预编译合约实现了 EVM 环境与 CosmosWasm 环境的互操作性,使得两大生态的资产和逻辑可以无缝交互。

3.2.2 SeiDB:状态存储的分层优化

为了解决长期困扰区块链的“状态膨胀”问题,Sei 引入了 SeiDB,将状态存储分为两层:

  • 状态承诺层 (State Commitment, SC): 专注于速度。使用内存映射的 IAVL 树(MemIAVL)来处理活跃状态,极快地生成 Merkle 根。
  • 状态存储层 (State Store, SS): 专注于容量。将历史数据异步写入更廉价、更适合大容量存储的磁盘结构中。

这种分层设计有效地防止了为了生成状态证明(验证)而拖慢状态读取(执行)的现象。

3.3 MegaETH:极致的节点专业化

MegaETH 代表了另一种极端的扩容思路,它通过 节点专业化 (Node Specialization) 来追求 100,000+ TPS 的目标。

3.3.1 排序器与全节点的职能分离

MegaETH 认为并非所有节点都需要具备相同的硬件能力。它将网络角色分为:

  • 排序器 (Sequencers): 运行在顶级的硬件服务器上(例如 100 核 CPU,TB 级 RAM)。它们负责交易的排序和执行。由于内存巨大,它们可以将整个区块链状态加载到内存中,从而彻底消除了磁盘 I/O 瓶颈。
  • 全节点/验证者 (Provers): 运行在普通硬件上。它们不执行所有交易,而是通过接收排序器生成的“状态差异(State Diff)”和“见证数据(Witness)”来验证区块的有效性。

这种架构在保持验证去中心化的同时,通过适度中心化的执行层获得了极致的性能。

3.4 Reddio:GPU 硬件加速的探索

Reddio 将目光投向了异构计算,探索利用 GPU 来加速 EVM 执行。

3.4.1 CuEVM:CUDA 上的 EVM

Reddio 开发了 CuEVM,这是一个用 CUDA 编写的 EVM 执行环境。虽然 GPU 不擅长处理分支逻辑复杂的智能合约代码(分支预测失败代价高),但在处理大规模并行任务方面具有天然优势。CuEVM 特别适合处理批量转账、签名验证(ECDSA)以及零知识证明(ZKP)生成等计算密集型任务。

4. 更前沿的创新突破

4.1 区块事务内存 (BTM) 与冲突规范

一篇题为 "Accelerating Blockchain Scalability: New Models for Parallel Transaction Execution in the EVM" 的 arxiv 论文提出了 区块事务内存 (BTM) 的概念。

  • 核心洞察: 纯粹的乐观执行(如 Block-STM)在某种程度上是“盲目”的,它在不了解任何依赖关系的情况下执行,然后依赖事后检查。这导致了计算资源的浪费。
  • 创新点: 作者提出利用 冲突规范 (Conflict Specifications)——即关于交易依赖关系的“可靠但不一定完整”的信息——来指导调度。
  • 变体实现:
    • dBTM (Deterministic BTM): 利用推导出的规范严格排序冲突交易。
    • oBTM (Optimistic BTM): 利用规范将“可能不冲突”的交易优先并行调度,降低回滚率。
    • iBTM (Integrated BTM): 将冲突检测逻辑直接集成到虚拟机执行循环中。
  • 实验数据: 在依赖关系可预测的合成工作负载下,BTM 方案相比传统的顺序执行实现了 1.75倍 的加速,相比现有的并行 EVM 实现也有 1.33倍 的提升。

4.2 静态分析与混合调度

包括 Qi2023SCP 和 NEMO 研究探索了 混合调度 (Hybrid Scheduling) 的可能性。

  • NEMO 引擎: 结合了 OCC 和对象数据模型。它引入了“贪婪提交规则”和基于静态分析的读写提示。
  • 核心理念: 尽管我们无法完美预测所有交易的读写集,但我们可以预测部分。例如,标准的 ERC-20 转账,其涉及的状态槽(发送方余额、接收方余额)是非常确定的。静态分析器可以在执行前标记这些交易,调度器据此将涉及相同账户的转账串行化,而将不相关的转账并行化。这种“半盲”的调度策略比全盲的 Block-STM 更高效。

4.3 机器学习辅助的依赖预测

有部分论文开始尝试引入机器学习(ML)来预测交易冲突。

  • 概念: 训练一个模型,输入为交易的发送者、合约地址、Calldata 等特征,输出为预测的读写集。
  • SmartPattern: 该框架原本用于检测重入攻击,但其提取的“调用模式”特征同样适用于冲突预测。
  • 潜力: 如果排序器能以 90% 的准确率预测出交易 A 和 B 会冲突,它就可以在将它们送入并行引擎之前,先将它们排成串行序列,从而节省了一次必然的回滚开销。

5. 关键瓶颈:高争用环境下的性能退化

尽管 Monad 和 Sei 等项目取得了巨大进展,但一个根本性的问题仍未被彻底解决:高争用工作负载下的性能退化。

5.1 “NFT 铸造”场景的噩梦

考虑一个热门的 NFT 铸造活动,或者 DEX 上的代币首发。成千上万的用户在同一时间提交交易,试图与同一个智能合约交互,修改同一个状态变量(例如 totalSupply 或 reserve0)。

  • 在串行 EVM 中: 交易排队,依次执行。虽然慢,但每个交易只执行一次。
  • 在乐观并行 EVM (Block-STM) 中:
    1. 线程 1 抓取 Tx1(铸造 ID #1)。
    2. 线程 2 抓取 Tx2(铸造 ID #1 - 假设它还不知道 Tx1 会成功)。
    3. ... 线程 N 抓取 TxN。
    4. 所有线程并行执行。
    5. 验证阶段: Tx1 成功。Tx2 验证失败,因为 totalSupply 变了。Tx3 验证失败...
    6. 重执行: Tx2 重新执行。Tx3 等待 Tx2 完成后重新执行...
  • 结果: 系统实际上退化成了串行执行,但额外增加了 N 次失败的执行开销和版本管理开销。在极端情况下,并行执行甚至比串行执行更慢。

5.2 性能数据的佐证

来自 Aptos 和学术界的实验证实了这一点。Block-STM 在低争用场景(如 P2P 转账)下可以达到 160k TPS,但在高争用场景下,吞吐量会断崖式下跌至 50k-60k 甚至更低。这种瓶颈是目前并行 EVM 面临的最大挑战。

6. 可能的未来?自适应混合调度架构

6.1 问题陈述

“如何在不强制用户提供访问列表(保持 EVM 兼容性)的前提下,使 EVM 执行引擎在高争用场景下仍能保持并行吞吐量优势?”