日志和布隆过滤器

1）日志Log

// core/types/log.go
type Log struct {
  // 1、通用核心结构
  // 发出日志事件的合约地址
  Address common.Address `json:"address" gencodec:"required"`
  // 最多可以有 4 个主题(topic)。每个主题正好是 32 个字节
  // Solidity 将一个主题用作事件的签名
  // 注意：如 string 和 bytes 可能超过 32 个字节
  // 如果它们被索引，Solidity 将存储 KECCAK256的哈希值，而不是实际数据。
  Topics []common.Hash `json:"topics" gencodec:"required"`
  // data是事件的有效负载(payload), 可以是任意数量的字节 
  // 通过 ABI-encoded 编码
  // 事件的所有“非索引参数”都存储为数据。
  Data []byte `json:"data" gencodec:"required"`

  // 2、节点代码层面所用的衍生结构
  // 交易所在的区块号
  BlockNumber uint64 `json:"blockNumber"`
  // log所在的交易哈希
  TxHash common.Hash `json:"transactionHash" gencodec:"required"`
  // 交易在区块中的索引
  TxIndex uint `json:"transactionIndex"`
  // 包含这个log的交易被包含在的区块哈希
  BlockHash common.Hash `json:"blockHash"`
  // log在区块中的索引
  Index uint `json:"logIndex"`

  // 判断是否包含此log的区块被reorg以至于Log reverted
  Removed bool `json:"removed"`
}

../_images/Picture41.png

日志原语的 gas 费用取决于该条log拥有多少topics、记录了多少data：

日志操作便宜的原因是日志数据并没有真正存储在区块链中（只存储了索引topics的logsBloom）。Log是在交易执行过程中产生的，理论上，日志可以根据需要即时重新计算，因为重跑一遍这个交易还是得到一样的值（确定性状态机），所以以太坊只需要记录用于索引Log的值即可，data字段并不需要存储进区块链。

img

2）Bloom Filter

// core/types/bloom9.go

// 2048 bit bloom filter.
type Bloom [BloomByteLength]byte

布隆过滤器于1970 年由布隆提出，是一个长度为2048位的位（ bit） 数组

img

本质上，布隆过滤器是一种概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。

• 优点：相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少

• 缺点：返回的结果是概率性的，而不是确切性的，且删除困难（易影响到其他值）

工作原理：

1. 通过K个哈希函数计算该数据，返回K个计算出的hash值

2. 这些K个hash值映射到对应的K个二进制的数组下标

3. 将K个下标对应的二进制数据改成1

参考：Redis 支持 setbit 和 getbit 操作，具有纯内存、性能高等特点，天然可以作为布隆过滤器来使用

// core/bloom_indexer.go

// BloomIndexer对象主要构建了对bloom filter分section的bit索引结构
// 实现了core.ChainIndexer(用来给区块链创建索引的功能)的方法
type BloomIndexer struct {
   size    uint64               // section大小
   db      ethdb.Database       // levelDB物理数据库实例
   gen     *bloombits.Generator // generator生成一个rotated bloom filter用于分批过滤
   section uint64               // 当前正在处理的section number
   head    common.Hash          // 最后一次处理的区块的header hash
}

如果我们要映射值到布隆过滤器中（如"baidu"），我们需要使用多个不同的哈希函数生成多个哈希值然后映射至bloom filter的对应bit（多个哈希函数，产生多个哈希值，而产生的多个映射生成的），并对每个生成的哈希值指向的 bit 位置 。

img

值得注意的是，这里只能说明"baidu"可能存在，因为随着增加的值越来越多，被置为 1 的 bit 位也会越来越多，这样某个值即使没有被存储过，但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ，那么程序还是会判断 “taobao” 这个值存在。

在这种情况下，布隆过滤器对于确定某一元素是否在列表中不是很有用。要找出答案，我们必须实际查询列表。但是，如果待查询值的映射上，某个 bit 位上的值为 0，说明没有任何一个值映射到这个 bit 位上，因此我们可以很确定地说该这个值一定不存在