- Ripple dan AWS sedang menguji Bedrock AI untuk memangkas waktu tinjauan insiden XRPL menjadi hanya beberapa menit.
- Rencana ini menargetkan volume log C++ yang sangat besar di seluruh jaringan node global XRP Ledger.
- Sebuah pipeline AWS akan menghubungkan log dengan kode dan standar untuk pemeriksaan akar masalah yang lebih cepat.
Amazon Web Services dan Ripple sedang mengeksplorasi pengaturan Amazon Bedrock yang dapat mempercepat pemantauan XRPL. Sumber yang mengetahui pekerjaan ini mengatakan bahwa tujuannya adalah analisis lebih cepat atas log sistem XRP Ledger dan perilaku jaringan. Penilaian internal yang dibagikan oleh staf AWS menunjukkan beberapa tinjauan insiden bisa turun dari hitungan hari menjadi sekitar dua hingga tiga menit.
XRP Ledger beroperasi sebagai jaringan layer-1 terdesentralisasi dengan operator independen di seluruh dunia di banyak wilayah. Ledger ini menggunakan basis kode C++ yang mendukung throughput tinggi, namun juga menghasilkan log yang besar dan kompleks.
Amazon Bedrock menargetkan hambatan log XRPL
Ripple dan AWS sedang mempelajari bagaimana model Bedrock dapat menginterpretasi log validator dan server dalam skala besar. Pernyataan konferensi yang dikaitkan dengan arsitek AWS Vijay Rajagopal menggambarkan Bedrock sebagai lapisan yang mengubah entri mentah menjadi sinyal yang dapat dicari. Engineer dapat melakukan query pada model yang mencerminkan perilaku XRPL yang diharapkan.
Dokumentasi Ripple yang dirujuk dalam diskusi menempatkan jaringan XRPL pada lebih dari 900 node di universitas dan perusahaan. Materi yang sama menyebutkan setiap node dapat menghasilkan 30-50 GB log, yang totalnya sekitar 2–2,5 PB. Engineer sering membutuhkan spesialis C++ untuk melacak anomali kembali ke kode protokol, yang dapat memperlambat respons insiden.
Sebuah pipeline AWS untuk memindahkan, memotong, dan mengindeks log XRP Ledger
Alur kerja yang diusulkan dimulai dengan log node yang dipindahkan ke Amazon S3 menggunakan alat GitHub dan AWS Systems Manager. Setelah proses ingestion, pemicu acara akan memulai fungsi AWS Lambda yang menentukan batas potongan untuk setiap file. Pipeline kemudian mendorong metadata potongan ke Amazon SQS untuk pemrosesan paralel.
Fungsi Lambda lainnya mengambil rentang byte relevan dari S3. Fungsi ini mengekstrak baris log dan metadata, lalu meneruskannya ke CloudWatch untuk diindeks. Dokumentasi AWS menggambarkan pola berbasis acara serupa yang menggunakan EventBridge dan Lambda untuk memproses log dalam skala besar.
Staf AWS menggunakan sebuah peristiwa konektivitas regional untuk menunjukkan manfaat triase yang lebih cepat. Mereka mengatakan kabel bawah laut Laut Merah yang terputus memengaruhi konektivitas beberapa operator node Asia-Pasifik. Engineer mengumpulkan log dari operator dan memproses file besar per node sebelum mereka dapat memulai tinjauan akar masalah.
Terkait: Ripple Menutup Kemungkinan IPO Karena Pertumbuhan Didukung Modal Swasta
Menghubungkan log dengan kode dan standar XRPL
Engineer AWS juga menggambarkan proses paralel yang memversikan kode XRPL dan dokumentasi standar. Alur ini memantau repositori utama, menjadwalkan pembaruan melalui Amazon EventBridge, dan menyimpan snapshot versi di S3. Selama insiden, sistem dapat memasangkan signature log dengan rilis perangkat lunak dan spesifikasi yang tepat.
Keterkaitan ini penting karena log saja mungkin tidak menjelaskan kasus tepi protokol. Dengan memasangkan jejak dengan perangkat lunak server dan spesifikasi, agen AI dapat memetakan anomali ke jalur kode yang mungkin. Tujuannya adalah panduan yang lebih cepat dan konsisten bagi operator selama outage dan penurunan performa.
Pekerjaan ini juga hadir saat ekosistem XRPL memperluas fitur token dan area operasional. Dokumentasi XRPL menggambarkan Multi-Purpose Tokens sebagai desain token fungible yang bertujuan untuk efisiensi dan tokenisasi yang lebih mudah. Ripple juga menyoroti amandemen dan perbaikan baru dalam rilisan Rippled 3.0.0.
Saat ini, upaya tersebut masih berupa penelitian dan belum menjadi peluncuran produk publik. Tidak ada perusahaan yang mengumumkan tanggal implementasi, dan tim masih menguji akurasi model serta tata kelola data. Ini juga tergantung pada apa yang dipilih operator node untuk dibagikan selama investigasi. Meski begitu, pendekatan ini memperlihatkan bagaimana AI dan alat cloud dapat mendukung observabilitas blockchain tanpa mengubah aturan konsensus XRPL.
