- Ripple и AWS тестируют Bedrock AI, чтобы сократить время обзора инцидентов XRPL до нескольких минут.
- План нацелен на огромные объемы C++ логов в глобальной сети узлов XRP Ledger.
- Конвейер AWS будет связывать логи с кодом и стандартами для более быстрого определения причины.
Amazon Web Services и Ripple изучают возможность внедрения Amazon Bedrock, который может ускорить мониторинг XRPL. Люди, знакомые с проектом, говорят, что цель — более быстрая аналитика системных логов и поведения сети XRP Ledger. Внутренние оценки, предоставленные сотрудниками AWS, показывают, что некоторые обзоры инцидентов могут сократиться с нескольких дней до примерно двух-трех минут.
XRP Ledger функционирует как децентрализованная сеть первого уровня с независимыми операторами по всему миру в различных регионах. Реестр использует кодовую базу на C++, поддерживающую высокую пропускную способность, однако она генерирует большие и сложные логи.
Amazon Bedrock решает проблему узких мест в логах XRPL
Ripple и AWS изучают, как модели Bedrock могут интерпретировать логи валидаторов и серверов в большом масштабе. По словам архитектора AWS Вияя Раджагофала, Bedrock — это слой, который превращает необработанные записи в поисковые сигналы. Инженеры смогут делать запросы к моделям, отражающим ожидаемое поведение XRPL.
Документы Ripple, упомянутые в обсуждении, оценивают сеть XRPL более чем в 900 узлов, принадлежащих университетам и компаниям. В тех же материалах говорится, что каждый узел может генерировать 30–50 ГБ логов, что в сумме составляет примерно 2–2,5 ПБ. Инженерам часто требуются специалисты по C++, чтобы отследить аномалии до протокольного кода, что может замедлять реагирование на инциденты.
Конвейер AWS для перемещения, нарезки и индексации логов XRP Ledger
Предлагаемый рабочий процесс начинается с перемещения логов узлов в Amazon S3 с помощью инструментов GitHub и AWS Systems Manager. После загрузки, триггеры событий запускают функции AWS Lambda, которые определяют границы фрагментов для каждого файла. Затем конвейер отправляет метаданные фрагментов в Amazon SQS для параллельной обработки.
Другая функция Lambda извлекает соответствующие диапазоны байтов из S3. Она выделяет строки логов и метаданные, затем отправляет их в CloudWatch для индексации. Документация AWS описывает аналогичные паттерны на основе событий, использующие EventBridge и Lambda для масштабируемой обработки логов.
Сотрудники AWS использовали случай с региональным инцидентом связи, чтобы показать преимущества более быстрой сортировки. Они рассказали, что повреждение подводного кабеля в Красном море повлияло на связь некоторых операторов узлов в Азиатско-Тихоокеанском регионе. Инженеры собирали логи у операторов и обрабатывали крупные файлы по каждому узлу, прежде чем приступить к анализу первопричины.
Связано: Ripple исключает IPO, делая ставку на частный капитал для долгосрочного роста
Связывание логов с кодом и стандартами XRPL
Инженеры AWS также описали параллельный процесс, при котором версии кода XRPL и документации по стандартам отслеживаются. Этот поток наблюдает за ключевыми репозиториями, планирует обновления через Amazon EventBridge и хранит версионные снимки в S3. Во время инцидента система может сопоставить сигнатуру лога с соответствующим релизом ПО и спецификацией.
Это важно, потому что одних логов может быть недостаточно для объяснения пограничных случаев протокола. Сопоставляя трассировки с серверным ПО и спецификациями, AI-агенты могут отнести аномалию к вероятному пути в коде. Цель — быстрее и стабильнее предоставлять операторам рекомендации при сбоях и деградации производительности.
Работа ведется на фоне расширения экосистемы XRPL с новыми токенами и увеличением операционного поля. В документации XRPL описаны Multi-Purpose Tokens как вариант дизайна взаимозаменяемых токенов, нацеленный на эффективность и упрощение токенизации. Ripple также выделила новые поправки и исправления в релизе Rippled 3.0.0.
Пока что эта инициатива остается исследовательской, а не продуктом для широкой публики. Ни одна из компаний не объявила дату внедрения, команды продолжают тестировать точность моделей и управление данными. Успех также зависит от того, что выберут раскрывать операторы узлов во время расследований. Тем не менее, этот подход демонстрирует, как AI и облачные инструменты могут поддерживать наблюдаемость блокчейна без изменения правил консенсуса XRPL.
