AWS Bedrock з бібліотеками C++ допомагає Ripple скоротити час діагностики XRP Ledger

Інженери з обслуговування мережі XRP Ledger зазвичай витрачають кілька днів на відстеження несправностей, починаючи з петабайтів журналів, створених бібліотеками C++. Ripple разом з Amazon Web Services тестують використання Amazon Bedrock AI, щоб зменшити цей процес до кількох хвилин, дозволяючи системі автоматично аналізувати та зв’язувати ці журнали з вихідним кодом XRPL.

Виклики моніторингу XRP Ledger з огляду на масштаб і складність

XRP Ledger працює як децентралізована мережа рівня 1 з понад 900 розподілених вузлів по всьому світу, у університетах і бізнесах. Кожен валідаторський сервер використовує платформу C++ для підтримки високої пропускної здатності, але це створює й проблему: кожен вузол генерує 30–50 ГБ журналів, що в цілому становить близько 2–2,5 петабайт по всій мережі.

При виникненні аномалій інженерам часто потрібні фахівці з C++, щоб прочитати ці журнали і відстежити бібліотеки C++, де закладена причина проблеми. Процес цей повільний і вимагає глибоких знань, що затягує час реагування. Наприклад, коли аварія підводного кабелю Червоного моря вплинула на з’єднання в Азіатсько-Тихоокеанському регіоні, командам довелося обробляти величезні файли журналів, перш ніж почати пошук причин.

Bedrock AI: від сирих журналів до зрозумілих сигналів

Архітектор AWS Віджай Раджагопал запропонував новий підхід: Bedrock виступатиме як рівень трансформації, перетворюючи сирі журнали даних у пошукові та аналітичні сигнали. Замість просто переглядати сирі рядки C++, інженери зможуть запитувати моделі AI для перевірки поведінки мережі у порівнянні з очікуваними стандартами.

Процес починається з передачі журналів вузлів у Amazon S3 через GitHub і AWS Systems Manager. Потім події активують функції AWS Lambda для визначення меж сегментів кожного файлу. Метадані цих сегментів надсилаються у Amazon SQS для паралельної обробки, що прискорює аналіз.

Інша функція Lambda витягує відповідні байти з S3, витягує рядки журналів і метадані, а потім передає їх у CloudWatch для індексування. AWS також описує паралельний потік для створення та оновлення документації вихідного коду XRPL, використовуючи EventBridge для моніторингу важливих репозиторіїв і збереження знімків стану за версіями.

Зв’язування журналів із вихідним кодом і бібліотеками C++: швидке вирішення проблем

Найважливішою частиною рішення є здатність зв’язати журнали з версіями програмного забезпечення та специфікаціями XRPL. Лише аналіз журналів недостатній для розуміння особливих випадків протоколу. Поєднуючи відстеження журналів із відповідними бібліотеками C++, серверним програмним забезпеченням і технічними стандартами, AI-агент може точно відобразити аномалію у конкретний шлях у коді.

Цей підхід дуже важливий, оскільки дозволяє інженерам швидко зрозуміти, чому сталася помилка всередині бібліотек C++ валідатора. Замість ручного перегляду сотень рядків коду AI може автоматично вказати точне місце необхідної корекції.

Реальні результати: з кількох днів — до кількох хвилин

Внутрішні оцінки співробітників AWS показують, що деякі перевірки несправностей можна зменшити з кількох днів до 2–3 хвилин. Це дозволить операторам XRPL швидше реагувати на зниження продуктивності або збої у роботі системи.

Ця робота відбувається у контексті розширення функціоналу токенів через Multi-Purpose Tokens і випуску Rippled 3.0.0 з новими виправленнями та змінами. Оптимізація процесу моніторингу підтримуватиме ці розробки.

Поточний стан і подальші кроки

На даний момент співпраця Ripple і AWS залишається на рівні досліджень і ще не впроваджена публічно. Офіційна дата релізу не оголошена, і команди продовжують перевіряти точність моделей AI і управління даними під час аналізу журналів.

Це також залежить від вибору операторів вузлів щодо того, які дані вони готові ділитися під час розслідувань. Однак цей підхід демонструє, що AI і хмарні інструменти можуть ефективно підтримувати спостереження і управління блокчейном без зміни правил консенсусу XRPL або порушення безпеки мережі.