Ripple залучає Amazon AI для зменшення часу вирішення питань у XRP Ledger до хвилин

Джерело: Coindoo Оригінальна назва: Ripple залучає Amazon AI для зменшення часу вирішення проблем з XRP Ledger до кількох хвилин Оригінальне посилання: Amazon Web Services і Ripple, за повідомленнями, досліджують використання генеративного штучного інтелекту для модернізації способів моніторингу, діагностики та обслуговування XRP Ledger.

Люди, знайомі з цим проектом, кажуть, що ініціатива зосереджена на застосуванні моделей AI Amazon Bedrock до журналів системи XRPL, і ранні внутрішні тести свідчать, що час розслідування може бути зменшений з днів до хвилин.

Ключові висновки

• AWS і Ripple тестують інструменти Gen-AI для аналізу журналів системи XRP Ledger.
• Внутрішні оцінки свідчать, що час розслідування проблем може зменшитися з днів до хвилин.
• Ініціатива спрямована на підвищення операційної ефективності, а не на зміни протоколу.
• Величезна децентралізована мережа вузлів XRPL генерує масивні обсяги журналів даних.

Мета AI — зменшити складність операцій XRPL

XRPL працює з 2012 року і базується на кодовій базі C++, оптимізованій для швидкості та ефективності. Хоча така архітектура забезпечує швидке врегулювання транзакцій і низьку затримку, вона також створює щільні та високотехнічні журнали, що ускладнює моніторинг у реальному часі та аналіз після інцидентів навіть для досвідчених інженерів.

Згідно з внутрішньою документацією Ripple, XRP Ledger підтримується понад 900 глобально розподіленими вузлами, якими керують університети, блокчейн-організації, провайдери гаманців і фінансові установи. Кожен вузол генерує від 30 до 50 гігабайт журналів, створюючи приблизно 2–2,5 петабайт даних по всій мережі.

Коли трапляються інциденти, командам платформи потрібно вручну збирати та аналізувати журнали з affected-операторів, а потім корелювати аномалії з конкретною поведінкою у базовому коді C++. Цей процес часто вимагає тісної координації з невеликою групою фахівців з протоколу і може затягнути розслідування до двох або трьох днів, що затримує виправлення та розробку нових функцій.

Інженери AWS вважають, що Amazon Bedrock може виступати як інтерпретативний шар між сирими даними журналів і людськими операторами. Аналізуючи великі набори даних і розуміючи очікувану поведінку мережі, агенти AI зможуть автоматично позначати аномалії, виявляти шаблони та генерувати людською мовою пояснення того, що пішло не так — значно скорочуючи час реагування.

Один із внутрішніх прикладів стосувався збоїв підводного кабелю Червоного моря, що вплинуло на з’єднання вузлів XRPL у частинах Азійсько-Тихоокеанського регіону. Інженерам доводилося вручну переглядати десятки гігабайт журналів на кожен вузол, щоб поставити діагноз. Аналіз за допомогою AI міг би зменшити цей процес до кількох хвилин.

З технічної точки зору, запропонований конвеєрний процес передбачає завантаження журналів валідаторів і серверів у Amazon S3, сегментацію їх за допомогою AWS Lambda, розподіл навантаження через Amazon SQS і індексування результатів у Amazon CloudWatch. Паралельно агенти AI також аналізуватимуть ядро серверного коду XRPL і протокольні специфікації з GitHub, що дозволить моделям оцінювати журнали у контексті того, як мережа спроектована для роботи.

Інженери AWS стверджують, що цей зв’язок між кодом, стандартами та живими телеметричними даними є критичним. Сирі журнали самі по собі часто позбавлені сенсу без розуміння протоколу, але системи AI, навчені на операційних даних і структурі коду, можуть виявити інсайти, які людські оглядачі пропустять або на пошук яких знадобляться дні.

Якщо ця ініціатива буде впроваджена масштабно, вона не змінить консенсус або логіку транзакцій XRPL. Натомість, це стане внутрішнім оновленням операційної системи, спрямованим на підвищення надійності, зменшення простоїв і зниження навантаження на координацію, що виникає при обслуговуванні однієї з найстаріших децентралізованих блокчейн-мереж у світі.

Хоча проект ще перебуває на стадії досліджень, ця співпраця відображає ширший тренд: зрілі блокчейн-мережі все частіше звертаються до AI-орієнтованої спостережливості для управління складністю по мірі їх глобального масштабування.