AWS et Ripple testent Bedrock

Dans le cadre d'une collaboration technique avancée, Amazon Web Services et Ripple évaluent l'utilisation d'Amazon Bedrock pour la surveillance XRPL et l'analyse automatisée des journaux réseau.

Amazon Web Services et Ripple expérimentent l'IA générative

Selon des personnes proches du projet, Services Web Amazon Et Ondulation explorent comment tirer parti des capacités d'IA générative d'Amazon Bedrock pour améliorer le contrôle et l'analyse des Grand livre XRP.

L'objectif est d'appliquer des modèles d'IA aux journaux système du grand livre afin de réduire considérablement les temps d'enquête en cas de problèmes de réseau. Certaines évaluations internes réalisées par les ingénieurs AWS indiquent que des processus qui prenaient plusieurs jours pourraient être achevés en quelques jours seulement. 2-3 minutes.

XRPL est une blockchain décentralisée de couche 1, soutenue par un réseau mondial d'opérateurs de nœuds indépendants. Il est opérationnel depuis 2012 et est développé dans le langage C++un choix qui garantit des performances élevées mais produit des journaux système particulièrement complexes.

XRPL vise à réduire les coûts opérationnels avec Amazon Bedrock

La documentation Ripple indique que XRPL fonctionne avec plus de 900 nœuds distribué dans le monde entier entre les universités, les institutions blockchain, les fournisseurs de portefeuilles et les sociétés financières. Cette architecture décentralisée augmente la résilience, la sécurité et l'évolutivité, mais rend plus difficile l'observation du comportement global du réseau en temps réel.

Chaque nœud génère du tra 30 et 50 gigaoctets de données de log, pour un total estimé entre 2 et 2,5 pétaoctets. Lorsqu'un incident se produit, les ingénieurs doivent examiner manuellement ces fichiers à la recherche d'anomalies et les retracer jusqu'au code C++ sous-jacent.

Une seule enquête peut durer jusqu’à deux ou trois jours, car elle nécessite une coordination entre les équipes de la plateforme et un nombre limité d’experts C++ possédant une connaissance approfondie du protocole. De plus, les équipes opérationnelles doivent souvent attendre des examens techniques avant de pouvoir répondre aux incidents ou reprendre le développement de nouvelles fonctionnalités.

Selon les techniciens d'AWS s'exprimant lors d'une récente conférence, une coupure dans un câble sous-marin mer Rouge a dans le passé compromis la connectivité de certains opérateurs de nœuds dans la région Asie-Pacifique. L'équipe de la plate-forme de Ripple a dû collecter les journaux des opérateurs impliqués et traiter des dizaines de gigaoctets par nœud avant de pouvoir lancer une analyse significative.

Amazon Bedrock comme couche d'interprétation entre les journaux et les opérateurs

L'architecte des solutions AWS Vijay Rajagopal a expliqué que la plateforme gérée qui héberge les agents d'intelligence artificielle, connue sous le nom d'Amazon Bedrock, est capable de raisonner sur de grandes quantités de données. Appliqué aux journaux XRPL, il pourrait automatiser la reconnaissance des formes et la surveillance des comportements, réduisant ainsi considérablement le temps d'analyse manuelle.

Selon Rajagopal, Amazon Bedrock agit comme une couche d'interprétation entre les journaux système bruts et les opérateurs humains. Il peut analyser les entrées les plus énigmatiques ligne par ligne, tandis que les ingénieurs interrogent des modèles d'IA qui comprennent la structure et le comportement attendu du système XRPL.

De cette manière, l’IA pourrait permettre non seulement l’identification rapide des anomalies, mais également l’explication des causes profondes dans un langage compréhensible pour les équipes opérationnelles. Cependant, la qualité des résultats dépend strictement de la connexion entre les spécifications du journal, du code et du protocole.

Pipeline AWS pour le traitement des journaux du grand livre

Rajagopal a également décrit le flux de traitement technique, qui commence à partir des journaux générés par le validateur XRPL, le hub et le gestionnaire client. Les fichiers sont d'abord transférés vers Amazone S3 via un workflow dédié qui utilise les outils GitHub et Gestionnaire de systèmes AWS.

Lorsque les données atteignent S3, les déclencheurs d'événements activent les fonctions AWS Lambda qui inspecte chaque fichier, définissant des plages d'octets pour des segments individuels en fonction des lignes de journal et des tailles de morceaux préconfigurées.

Les segments résultants sont envoyés à AmazonSQS pour distribuer l'informatique à grande échelle. Une fonction Lambda distincte, dédiée au traitement des journaux, récupère uniquement les morceaux pertinents de S3 en fonction des métadonnées reçues.

Cette fonction extrait ensuite les lignes de journal et les métadonnées associées, les transmettant à Amazon CloudWatchoù ils peuvent être indexés et analysés. Selon l'architecte, le système ne récupère en réalité que les parties nécessaires des fichiers, réduisant ainsi le temps et les coûts de traitement par rapport à une analyse complète des journaux.

Intégration entre les spécifications de journal, de code et de protocole

En plus de la solution d'ingestion de journaux, le système traite également la base de code XRPL, structurée en deux référentiels principaux. Le premier contient le logiciel serveur principal Grand livre XRPtandis que le second définit des normes et des spécifications d'interopérabilité avec les applications construites sur le réseau.

Les mises à jour de ces référentiels sont automatiquement détectées et planifiées via le bus d'événements sans serveur Amazon EventBridge. À intervalles définis, le pipeline extrait la dernière version du code et de la documentation de GitHub, applique le contrôle de version et stocke le tout dans S3 pour les étapes d'analyse ultérieures.

Les ingénieurs AWS estiment que sans une compréhension claire du comportement attendu du protocole, les journaux bruts sont insuffisants pour résoudre les problèmes de nœuds et les temps d'arrêt. En connectant les journaux aux normes et aux logiciels serveur qui définissent la logique du XRPL, les agents IA peuvent fournir des explications plus précises des anomalies.

Dans ce contexte, l'utilisation combinée de Bedrock, de pipelines sans serveur et de stockage centralisé sur S3 vise à rendre la surveillance XRPL plus rapide, évolutive et moins dépendante de l'intervention manuelle de spécialistes C++ hautement qualifiés.

Dans l’ensemble, la collaboration entre AWS et Ripple introduit une approche expérimentale de l’utilisation de l’IA générative pour les infrastructures blockchain matures, avec des avantages potentiels significatifs en termes de rapidité de diagnostic, d’automatisation opérationnelle et de robustesse du réseau.