Ripple использует Amazon AI для сокращения времени решения проблем с XRP Ledger до минут

Источник: Coindoo Оригинальный заголовок: Ripple привлекает Amazon AI для сокращения времени решения проблем с XRP Ledger до минут Оригинальная ссылка: Amazon Web Services и Ripple, по сообщениям, исследуют использование генеративного искусственного интеллекта для модернизации мониторинга, диагностики и обслуживания XRP Ledger.

Люди, знакомые с этим проектом, говорят, что инициатива сосредоточена на применении моделей ИИ Amazon Bedrock к системным журналам XRPL, а ранние внутренние тесты показывают, что время расследования может быть сокращено с дней до минут.

Ключевые выводы

• AWS и Ripple тестируют инструменты Gen-AI для анализа системных журналов XRP Ledger.
• Внутренние оценки показывают, что расследование проблем может сократиться с дней до минут.
• Инициатива ориентирована на операционную эффективность, а не на изменения протокола.
• Большая децентрализованная сеть узлов XRPL генерирует огромные объемы журналов.

ИИ стремится упростить операционную сложность XRPL

XRPL работает с 2012 года и основан на кодовой базе C++, оптимизированной для скорости и эффективности. Хотя эта архитектура обеспечивает быструю расчетную обработку и низкую задержку, она также создает плотные и технически сложные журналы, что делает мониторинг в реальном времени и постинцидентный анализ трудоемкими даже для опытных инженеров.

Согласно внутренней документации Ripple, XRP Ledger поддерживается более чем 900 глобально распределенными узлами, управляемыми университетами, блокчейн-организациями, поставщиками кошельков и финансовыми институтами. Каждый узел генерирует от 30 до 50 гигабайт журналов, создавая в общей сложности около 2–2,5 петабайт данных по всей сети.

Когда происходят инциденты, команды платформы должны вручную собирать и анализировать журналы с пострадавших операторов, а затем связывать аномалии с конкретными поведениями в базовом коде C++. Этот процесс часто требует тесной координации с небольшим пулом специалистов по протоколу и может растягивать расследования на два-три дня, задерживая исправления и разработку новых функций.

Инженеры AWS считают, что Amazon Bedrock может служить интерпретирующим слоем между сырыми данными журналов и операторами-человеками. Анализируя большие наборы данных и понимая ожидаемое поведение сети, агенты ИИ смогут автоматически отмечать аномалии, выявлять паттерны и генерировать понятные человеку объяснения того, что пошло не так — что значительно сократит время реагирования.

Один из внутренних примеров касался аварии подводного кабеля в Красном море, которая повлияла на соединение узлов XRPL в некоторых регионах Азиатско-Тихоокеанского региона. Инженерам приходилось вручную просматривать десятки гигабайт журналов на каждом узле, прежде чем поставить диагноз. Анализ с помощью ИИ мог бы сократить этот процесс до минут.

С технической точки зрения, предлагаемый конвейер включал бы загрузку журналов валидаторов и серверов в Amazon S3, сегментацию с помощью AWS Lambda, распределение задач через Amazon SQS и индексирование результатов в Amazon CloudWatch. Параллельно агенты ИИ также бы анализировали основной код сервера XRPL и спецификации протокола из GitHub, что позволяло бы моделям оценивать журналы в контексте проектирования сети.

Инженеры AWS утверждают, что эта связь между кодом, стандартами и живой телеметрией критически важна. Сырые журналы часто лишены смысла без понимания протокола, но системы ИИ, обученные на операционных данных и структуре кода, могут выявлять инсайты, которые человеческие аналитики пропустили бы или потребовали бы дней для обнаружения.

Если эта инициатива будет реализована в масштабах, она не повлияет на консенсус или логику транзакций XRPL. Вместо этого она станет внутренним операционным обновлением, направленным на повышение надежности, сокращение времени простоя и снижение нагрузки на координацию, связанную с обслуживанием одной из самых долгосрочных децентрализованных блокчейн-сетей в мире.

Хотя проект все еще находится на стадии исследований, это отражает более широкую тенденцию: зрелые блокчейн-сети все чаще используют ИИ для повышения наблюдаемости и управления сложностью по мере глобализации.