Beaucoup de gens lorsqu'ils voient Walrus, leur première réaction est que sa relation avec Sui est un peu serrée. Mais ce n'est pas un défaut, c'est au contraire une conception ingénieuse.

Sui lui-même est très agressif dans l'exécution parallèle. Dès que le modèle d'objet est séparé, les objets indépendants sont traités en parallèle, et les objets partagés atteignent une finalité en moins de secondes grâce à cette optimisation Mysticeti. Qu'est-ce que cela signifie ? Cela signifie que toute la couche de métadonnées et la couche de coordination de Walrus sont déléguées à Sui, ce qui ne devient pas un goulot d'étranglement. En comparaison, d'autres chaînes de stockage ont un mécanisme de consensus séquentiel, et il suffit de télécharger un gros fichier pour attendre toute la réseau, ce qui rend l'expérience utilisateur vraiment difficile.

La véritable innovation réside dans la segmentation. Walrus utilise un code de correction d'erreurs, avec des paramètres très intéressants — à la fois conservateurs et flexibles. Conservateurs parce que le taux de redondance est très faible, à partir de 1,5 fois, ce qui garantit une haute disponibilité, et flexible parce que le vote de gouvernance peut être ajusté jusqu'à 3 fois si nécessaire. Pourquoi oser augmenter la redondance ? Parce que la haute capacité de traitement de Sui réduit considérablement le coût de la coordination des transactions.

Le processus est le suivant : l'utilisateur initie une demande de stockage, le système divise le fichier en plusieurs centaines de morceaux, tout en générant des preuves de correction d'erreurs. Ces preuves sont vérifiées en parallèle sur Sui, puis des instructions sont diffusées en parallèle aux nœuds. Les nœuds stockent les fragments dès qu'ils les reçoivent, puis envoient une confirmation, et une fois la confirmation agrégée, elle est enregistrée sur la blockchain. Tout le processus se termine en quelques secondes.

Que signifie "en quelques secondes" ? Pour des scénarios de migration de datasets AI de plusieurs GB ou TB, cela permet d'avancer à pleine vitesse, sans attendre des fenêtres temporelles par lots. C'est impossible avec un stockage centralisé.

Pensons à un autre cas d'utilisation — l'inférence en temps réel avec un agent AI. L'agent doit charger dynamiquement les poids du modèle, les datasets historiques pour l'inférence, et si la latence de stockage est élevée, la boucle d'inférence se bloque. Sur Walrus, les données chaudes sont automatiquement mises en cache en plusieurs copies, la lecture parallèle est maximisée, et le modèle d'objet de Sui permet également la coordination entre copies en cache d'une manière concurrente. Pour les applications nécessitant une haute réactivité, c'est une véritable avancée en termes de performance.