Banyak orang saat melihat Walrus, reaksi pertama mereka adalah hubungan antara Walrus dan Sui agak dekat. Tapi ini bukan kekurangan, malah merupakan bagian dari desain yang cerdas.

Sui sendiri sudah sangat agresif dalam eksekusi paralel. Setelah model objek dipisahkan, objek independen diproses secara bersamaan, dan objek yang berbagi dapat mencapai finality dalam subdetik berkat solusi optimisasi Mysticeti. Apa artinya ini? Artinya lapisan metadata dan lapisan koordinasi Walrus semuanya dijalankan di atas Sui, sehingga tidak akan menjadi bottleneck sama sekali. Jika dibandingkan dengan rantai penyimpanan lain, mekanisme konsensus yang bersifat serial, mengunggah file besar sembarangan harus menunggu seluruh jaringan, pengalaman pengguna menjadi sangat tidak nyaman.

Inovasi sejati terletak pada bagian slicing. Walrus menggunakan kode koreksi eror, dengan parameter yang diatur sangat menarik—konservatif namun fleksibel. Konservatif berarti tingkat redundansi sangat rendah, mulai dari 1,5 kali sudah dapat menjamin ketersediaan tinggi, dan fleksibel karena voting tata kelola dapat disesuaikan hingga 3 kali lipat. Mengapa berani menaikkan redundansi? Karena karakteristik throughput tinggi Sui menekan biaya koordinasi transaksi menjadi sangat rendah.

Prosesnya seperti ini: pengguna memulai permintaan penyimpanan, sistem memotong file menjadi ratusan bagian, sekaligus menghasilkan bukti koreksi eror. Bukti-bukti ini diverifikasi secara paralel di Sui, kemudian instruksi didistribusikan dan disiarkan secara bersamaan ke kumpulan node. Node yang menerima fragmen menyimpan, setelah selesai mengirimkan konfirmasi, informasi konfirmasi digabungkan dan di-chain. Seluruh proses selesai dalam hitungan detik.

Apa artinya dalam hitungan detik? Untuk skenario migrasi dataset AI yang berukuran GB hingga TB, bisa didorong sepenuhnya tanpa harus menunggu batch dan jendela waktu. Ini tidak bisa dilakukan oleh penyimpanan terpusat sama sekali.

Bayangkan lagi satu skenario aplikasi—AI proxy inference secara real-time. Proxy perlu secara dinamis menarik bobot model dan dataset historis untuk melakukan perhitungan inference, jika latensi penyimpanan tinggi, loop inference seluruhnya akan terhambat. Tapi di atas Walrus, data hotspot secara otomatis di-cache dengan banyak salinan, jalur baca paralel dioptimalkan, dan model objek Sui memungkinkan koordinasi antar salinan cache juga dapat dieksekusi secara bersamaan. Untuk aplikasi yang membutuhkan real-time, ini adalah terobosan performa yang nyata.