1.浮点数运算的精度问题
不同于常见的智能合约编程语言Solidity，Rust语言原生支持浮点数运算。然而，浮点数运算存在着无法避免的计算精度问题。因此，我们在编写智能合约时，并不推荐使用浮点数运算(尤其是在处理涉及到重要经济/金融决策的比率或利率时)。
目前主流计算机语言表示浮点数大多遵循了IEEE754标准，Rust语言也不例外。如下是Rust语言中有关双精度浮点类型f64的说明与计算机内部二进制数据保存形式：
浮点数采用了底数为2的科学计数法来表达。例如可以用有限位数的二进制数0.1101来表示小数0.8125，具体的转化方式如下：
然而对于另一个小数0.7来说，其实际转化为浮点数的过程中将存在如下问题：
Rusk Media宣布完成950万美元融资:金色财经报道，印度数字娱乐公司 Rusk Media Pvt Ltd 已在 A 轮融资中筹集了超过 950 万美元，用于推出基于区块链的 UGC 主导的游戏平台。总部位于首尔的 DAOL Investment 和 Audacity Ventures 领投，现有投资者 InfoEdge Ventures (IEV)、Mistry Ventures、Survam Partners 参与了本轮融资。[2022/8/22 12:41:22]
即小数0.7将表示为0.101100110011001100.....(无限循环)，无法用有限位长的浮点数来准确表示，并存在“舍入(Rounding)”现象。
假设在NEAR公链上，需要分发0.7个NEAR代币给十位用户，具体每位用户分得的NEAR代币数量将计算保存于result_0变量中。
执行该测试用例的输出结果如下：
Negentropy Capital联合BikeRush向Boring Games Studio投资200万美元:6月6日消息，Negentropy Capital 联合 Ride-to-Earn 项目 BikeRush 向新加坡游戏工作室 Boring Games Studio 投资 200 万美元，将共同打造 P2E 策略卡牌和足球经营类游戏，同时近期将推出的 HeroRush 卡牌策略游戏将融合 BikeRush 已有的 Token 经济模型，持续扩大 BikeRush 的 Web3 正向外部性生态系统。[2022/6/6 4:06:34]
可见在上述浮点运算中，amount的值并非准确地表示了0.7，而是一个极为近似的值0.69999999999999995559。进一步的，对于诸如amount/divisor的单一除法运算，其运算结果也将变为不精确的0.06999999999999999，并非预期的0.07。由此可见浮点数运算的不确定性。
对此，我们不得不考虑在智能合约中使用其它类型的数值表示方法，如定点数。
根据定点数小数点固定的位置不同，定点数有定点整数和定点小数两种。
Trust Machines完成1.5亿美元融资:金色财经报道，Muneeb Ali领导的Trust Machines表示，他们已经筹集了1.5亿美元融资，\"将比特币从仅仅是一种被动的价值存储扩展到成为一个强大的新计算平台的最终结算层，并同时启用和发展由比特币这个货币和比特币区块链上的结算驱动的新经济应用。\" 该公司的投资者 \"将建立在Stacks的成功之上\"，包括Breyer Capital、数字货币集团、GoldenTree、Hivemind和Union Square Ventures。（cryptonews）[2022/2/4 9:30:33]
小数点固定在数的最低位之后，则称其为定点整数
在实际的智能合约编写中，通常会使用一个具有固定分母的分数来表示某一数值，例如分数'x/N'，其中'N'是常数，'x'可以变化。
若“N”取值为“1,000,000,000,000,000,000”，也就是:'10^18'，此时小数可被表示为整数，像这样:
UTRUST启动Shopify定制化支付应用方案，卖家可申请接收比特币支付:加密支付解决方案UTRUST宣布启动基于Shopify的定制化支付应用方案，目前接受Shopify平台上的卖家申请使用比特币等加密货币支付。[2021/2/19 17:29:38]
在NEARProtocol中，该N常见的取值为'10^24'，即10^24个yoctoNEAR等价于1个NEAR代币。
基于此，我们可以将本小节的单元测试修改为如下方式进行计算：
以此可获得数值精算的运算结果:0.7NEAR/10=0.07NEAR
2.Rust整数计算精度的问题
从上文第1小节的描述中可以发现，使用整数运算可解决某些运算场景中浮点数运算精度丢失问题。
加密货币托管机构Kingdom Trust推出支持比特币的退休账户:总部位于美国南达科他州的金融托管公司Kingdom Trust管理着超过130亿美元的资产，该公司推出了一个退休账户“Choice”，支持遗留资产、另类资产和加密资产。据悉，目前Kingdom Trust已经支持超过10万个退休账户，并托管了超过2万项包括比特币在内的资产。（Cointelegraph）[2020/5/27]
但这并非意味着使用整数计算的结果完全是准确可靠的。本小节将介绍影响整数计算精度的部分原因。
2.1运算顺序
同一算数优先级的乘法与除法，其前后顺序的变化可能直接影响到计算结果，导致整数计算精度的问题。
例如存在如下运算：
执行单元测试的结果如下：
我们可以发现result_0=a*c/b及result_1=*c尽管它们的计算公式相同，但是运算结果却不同。
分析具体的原因为：对于整数除法而言，小于除数的精度会被舍弃。因此在计算result_1的过程中，首先计算的(a/b)会率先失去计算精度，变为0；而在计算result_0时，会首先算得a*c的结果20_0000，该结果将大于除数b，因此避免了精度丢失的问题，可得到正确的计算结果。
2.2过小的数量级
该单元测试的具体结果如下：
可见运算过程等价的result_0和result_1运算结果并不相同，且result_1=13更加地接近于实际预期的计算值：13.3333....
3.如何编写数值精算的Rust智能合约
保证正确的精度在智能合约中十分重要。尽管Rust语言中也存在整数运算结果精度丢失的问题，但我们可以采取如下一些防护手段来提高精度，达到令人满意的效果。
3.1调整运算的操作顺序
令整数乘法优先于整数的除法。
3.2增加整数的数量级
整数使用更大的数量级，创造更大的分子。
比如对于一个NEARtoken来说，如果定义其上文所描述的N=10，则意味着：若需要表示5.123的NEAR价值，则实际运算所采用的整数数值将表示为5.123*10^10=51_230_000_000。该值继续参与后续的整数运算，可提高运算精度。
3.3积累运算精度的损失
对于确实无法避免的整数计算精度问题，项目方可以考虑记录累计的运算精度的损失。
假设如下使用fndistribute(amount:u128,offset:u128)->u128为USER_NUM位用户分发代币的场景。
在该测试用例中，系统每次将给3位用户分发10个Token。但是，由于整数运算精度的问题，第一轮中计算per_user_share时，获得的整数运算结果为10/3=3，即第一轮distribute用户将平均获得3个token，总计9个token被分发。
此时可以发现，系统中还剩下1个token未能分发给用户。为此可以考虑将该剩余的token临时保存在系统全局的变量offset中。等待下次系统再次调用distribute给用户分发token时，该值将被取出，并尝试和本轮分发的token金额一起分发给用户。
如下为模拟的代币分发过程：
可见当系统开始第3轮地分发代币时，此时系统积累的offset值已达到2，该值将再次与本轮所要分发的10个token累加在一起，发放给用户。(本次计算per_user_share=token_to_distribute/USER_NUM=12/3=4将不存在精度损失。)
从整体上来看，在前3轮中，系统一共发放了30个Token。每个用户在每一轮中分别获得了3、3、4个token，此时用户也总计获得30个token，达到了系统足额发放奖金目的。
3.4使用RustCrate库rust-decimal
该Rust库适用于需要有效精度计算和没有舍入误差的小数金融计算。
3.5考虑舍入机制
在设计智能合约时，在舍入问题上，往往都采用“我要占便宜，他人不得薅我羊毛”的原则。根据这个原则，如果向下取整对我有利，则向下；如果向上取整对我有利，则向上；四舍五入不能确定是对谁有利，因此极少被采用。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。