AWS و Ripple يستكشفان مراقبة xrpl باستخدام Amazon Bedrock الذكاء الاصطناعي التوليدي

Ripple و Amazon Web Services يتعاونان في مراقبة متقدمة لـ xrpl باستخدام Amazon Bedrock، بهدف ضغط أيام من تحليل الشبكة إلى دقائق.

Ripple و AWS يهدفان إلى الحصول على رؤى أسرع حول عمليات XRPL

تبحث Amazon Web Services و Ripple في كيفية تحسين مراقبة وتحليل سجل XRP باستخدام قدرات الذكاء الاصطناعي التوليدي من Amazon Bedrock، وفقًا لأشخاص مطلعين على المبادرة. يرغب الشركاء في تطبيق الذكاء الاصطناعي على سجلات نظام السجل لتقليل الوقت اللازم للتحقيق في مشكلات الشبكة والظواهر التشغيلية غير الطبيعية.

تشير بعض التقييمات الداخلية من مهندسي AWS إلى أن العمليات التي كانت تتطلب عدة أيام يمكن الآن إكمالها في 2-3 دقائق فقط. علاوة على ذلك، يمكن للفحص الآلي للسجلات أن يحرر فرق المنصة للتركيز على تطوير الميزات بدلاً من استكشاف الأخطاء وإصلاحها الروتيني. ومع ذلك، يعتمد النهج على خطوط أنابيب بيانات قوية وتفسير دقيق للسجلات المعقدة.

الهندسة المعمارية اللامركزية لـ XRPL وتعقيد السجلات

يعد XRPL سلسلة كتل لطبقة-1 لامركزية تدعمها شبكة عالمية من مشغلي عقد مستقلة. النظام متاح منذ 2012 ومكتوب بلغة C++، وهو اختيار تصميم يتيح أداء عاليًا لكنه يولد سجلات نظام معقدة وغالبًا غامضة. ومع ذلك، فإن نفس الهندسة المعمارية التي تركز على السرعة تزيد من حجم وتعقيد البيانات التشغيلية.

وفقًا لوثائق Ripple، يدير XRPL أكثر من 900 عقدة موزعة عبر جامعات ومؤسسات بلوكتشين ومزودي محافظ وشركات مالية. يعزز هذا الهيكل اللامركزي المرونة والأمان وقابلية التوسع. ومع ذلك، فإنه يعقد بشكل كبير الرؤية في الوقت الحقيقي لكيفية تصرف الشبكة، خاصة أثناء الحوادث الإقليمية أو الحالات النادرة لبروتوكول الحافة.

حجم تحديات التسجيل عبر سجل XRP

كل عقدة XRPL تنتج بين 30 و50 جيجابايت من بيانات السجل، مما يؤدي إلى تقدير 2 إلى 2.5 بيتابايت عبر الشبكة. عند وقوع حوادث، يتعين على المهندسين تصفح هذه الملفات يدويًا لتحديد الشذوذ وتتبعها إلى الكود الأساسي بلغة C++. علاوة على ذلك، يتطلب الأمر تنسيقًا بين الفرق عند مشاركة تفاصيل بروتوكول داخلي.

يمكن أن تمتد عملية التحقيق إلى يومين أو ثلاثة أيام لأنها تتطلب تعاونًا بين مهندسي المنصة وخبراء C++ محدودين يفهمون تفاصيل السجل. غالبًا ما تنتظر فرق المنصة هؤلاء الخبراء قبل أن تتمكن من الاستجابة للحوادث أو استئناف تطوير الميزات. ومع ذلك، أصبح هذا الاختناق أكثر وضوحًا مع زيادة عمر وحجم قاعدة الشيفرة.

تسلط الحالات الواقعية الضوء على الحاجة إلى الأتمتة

وفقًا لفنيي AWS الذين تحدثوا في مؤتمر حديث، فإن قطع كابل تحت البحر في البحر الأحمر أثر مرة واحدة على الاتصال ببعض مشغلي العقد في منطقة آسيا والمحيط الهادئ. كان على فريق منصة Ripple جمع السجلات من المشغلين المتأثرين ومعالجة عشرات الجيجابايت لكل عقدة قبل أن يبدأ التحليل ذو معنى. ومع ذلك، فإن التقييم اليدوي على هذا النطاق يبطئ حل الحوادث.

قال مهندس الحلول في AWS، فيجاي راجا جوبال، إن المنصة المدارة التي تستضيف وكلاء الذكاء الاصطناعي، المعروفة باسم Amazon Bedrock، يمكنها التفكير عبر مجموعات البيانات الكبيرة. تطبيق هذه النماذج على سجلات XRP Ledger سيؤتمت التعرف على الأنماط والتحليل السلوكي، مما يقلل من الوقت الذي يستغرقه المفتشون اليدويون. علاوة على ذلك، يمكن أن توحد هذه الأدوات استجابة الحوادث عبر مشغلين مختلفين.

Amazon Bedrock كطبقة تفسيرية لسجلات XRPL

وصف راجا جوبال Amazon Bedrock كطبقة تفسيرية بين السجلات النظامية الخام والمشغلين البشريين. يمكنه مسح الإدخالات الغامضة سطرًا بسطر بينما يستعلم المهندسون عن نماذج الذكاء الاصطناعي التي تفهم بنية وسلوك نظام XRPL. هذا النهج مركزي لرؤية الشركاء لمراقبة xrpl بشكل أكثر ذكاءً وعلى نطاق واسع.

وفقًا للمهندس، يمكن تخصيص وكلاء الذكاء الاصطناعي لتتناسب مع بنية البروتوكول بحيث يتعرفون على الأنماط التشغيلية الطبيعية مقابل الفشل المحتمل. ومع ذلك، لا تزال النماذج تعتمد على بيانات تدريب منسقة وخرائط دقيقة بين السجلات والكود ومواصفات البروتوكول. ومع ذلك، فإن دمج هذه العناصر يعد بوعد برؤية سياقية أكثر لحالة العقدة.

خط أنابيب مدفوع بـ AWS Lambda لاستيعاب السجلات

وصف راجا جوبال سير العمل من البداية إلى النهاية، بدءًا من السجلات الخام التي ينتجها المدققون والمراكز والمعالجات العملاء على XRPL. يتم نقل السجلات أولاً إلى Amazon S3 من خلال سير عمل مخصص مبني باستخدام أدوات GitHub وAWS Systems Manager. علاوة على ذلك، يركز هذا التصميم البيانات من مشغلي العقد المتفرقين.

بمجرد وصول البيانات إلى S3، يتم تفعيل مشغلات الأحداث لوظائف AWS Lambda التي تفحص كل ملف لتحديد مدى البايتات لكل قطعة، متوافقة مع حدود خطوط السجل وأحجام القطع المحددة مسبقًا. ثم تُرسل المقاطع الناتجة إلى Amazon SQS لتوزيع المعالجة على نطاق واسع وتمكين المعالجة المتوازية للأحجام الكبيرة.

وظيفة Lambda لمعالجة السجلات تسترجع فقط القطع ذات الصلة من S3 استنادًا إلى بيانات التعريف للقطعة التي تتلقاها. تستخرج خطوط السجل والبيانات الوصفية المرتبطة قبل إرسالها إلى Amazon CloudWatch، حيث يمكن فهرستها وتحليلها. ومع ذلك، فإن الدقة في هذه المرحلة حاسمة لأن استنتاجات الذكاء الاصطناعي تعتمد على التقسيم الصحيح.

ربط السجلات والكود والمعايير من أجل استنتاج أعمق

بالإضافة إلى حل استيعاب السجلات، يعالج النظام نفسه قاعدة كود XRPL عبر مستودعين رئيسيين. يحتوي أحد المستودعات على برمجيات الخادم الأساسية لـ XRP Ledger، بينما يحدد الآخر المعايير والمواصفات التي تحكم التوافق مع التطبيقات المبنية على الشبكة. علاوة على ذلك، يساهم كلا المستودعين في تقديم سياق ضروري لفهم سلوك العقدة.

يتم اكتشاف التحديثات من هذين المستودعين تلقائيًا وجدولتها عبر نظام أحداث بدون خادم يسمى Amazon EventBridge. على وتيرة محددة، يسحب خط الأنابيب أحدث الكود والوثائق من GitHub، ويصدر إصدارات البيانات ويخزنها في Amazon S3 لمزيد من المعالجة. ومع ذلك، فإن إصدار النسخ ضروري لضمان أن استجابات الذكاء الاصطناعي تعكس الإصدار الصحيح للبرمجيات.

جادل مهندسو AWS بأنه بدون فهم واضح لكيفية تصرف البروتوكول، غالبًا ما تكون السجلات الخام غير كافية لحل مشكلات العقد وفترات التوقف. من خلال ربط السجلات بالمعايير وبرمجيات الخادم التي تحدد سلوك XRPL، يمكن لوكلاء الذكاء الاصطناعي تقديم تفسيرات أكثر دقة وسياقية للشذوذ واقتراح مسارات تصحيح مستهدفة.

الآثار المترتبة على الرصد القائم على الذكاء الاصطناعي لسلسلة الكتل

تُظهر الشراكة بين Ripple و AWS كيف يمكن أن يتطور الذكاء الاصطناعي التوليدي لمراقبة سلسلة الكتل إلى ما هو أبعد من لوحات المقاييس البسيطة. يعد التفكير الآلي عبر السجلات والكود والمواصفات بتقصير جداول الحوادث وتحليل السبب الجذري بشكل أوضح. ومع ذلك، لا يزال يتعين على المشغلين التحقق من التوصيات المدفوعة بالذكاء الاصطناعي قبل تطبيق التغييرات في الإنتاج.

إذا تمكنت منصة Bedrock من أمازون من تقديم المدة الزمنية المزعومة 2-3 دقائق للتحقيق، فقد يعيد تشكيل كيفية إدارة شبكات البلوكشين الكبيرة من حيث الاعتمادية. علاوة على ذلك، فإن خط أنابيب قابل للتكرار يجمع بين S3 وLambda وSQS وCloudWatch وEventBridge يوفر نموذجًا يمكن أن تتبناه بروتوكولات أخرى لتلبية احتياجاتها من تحليل السجلات وذكاء العمليات في AWS.

باختصار، تقوم Ripple و AWS بتجربة بنية تحتية تعتمد على الذكاء الاصطناعي لتحويل سجلات C++ التاريخية وسجل الكود الخاص بـ XRPL إلى إشارة أسرع وأكثر قابلية للتنفيذ للمهندسين، مما قد يضع معيارًا جديدًا لمراقبة سلسلة الكتل واستجابة الحوادث.