ريبل تتعاون مع أمازون AI لتقليل زمن حل مشكلات سجل XRP إلى دقائق

المصدر: كويندو العنوان الأصلي: ريبل تتعاون مع أمازون AI لتقليل زمن حل مشكلات سجل XRP إلى دقائق الرابط الأصلي: تستكشف خدمات الويب من أمازون وريبل على ما يُقال استخدام الذكاء الاصطناعي التوليدي لتحديث كيفية مراقبة وتشخيص وصيانة سجل XRP.

يقول أشخاص مطلعون على الجهد إن المبادرة تركز على تطبيق نماذج الذكاء الاصطناعي من أمازون بيدروك على سجلات نظام XRPL، مع اختبارات داخلية مبكرة تشير إلى أن أوقات التحقيق يمكن أن تُقلل من أيام إلى دقائق.

الملخصات الرئيسية

• تختبر AWS وRipple أدوات الذكاء الاصطناعي التوليدي لتحليل سجلات نظام XRP.
• تشير التقييمات الداخلية إلى أن التحقيق في المشكلات يمكن أن ينخفض من أيام إلى دقائق.
• تستهدف المبادرة الكفاءة التشغيلية، وليس تغييرات في البروتوكول.
• يولد شبكة العقد اللامركزية الكبيرة لـ XRPL كميات هائلة من بيانات السجلات.

يهدف الذكاء الاصطناعي إلى ترويض تعقيد عمليات XRPL

يعمل XRPL منذ عام 2012 ويعتمد على قاعدة كود C++ محسنة للسرعة والكفاءة. بينما تسمح هذه البنية بسرعة التسوية وانخفاض الكمون، فهي أيضًا تنتج سجلات كثيفة وتقنية للغاية، مما يجعل المراقبة في الوقت الحقيقي والتحليل بعد الحوادث مرهقًا حتى للمهندسين ذوي الخبرة.

وفقًا لوثائق Ripple الداخلية، يدعم سجل XRP أكثر من 900 عقدة موزعة عالميًا، تديرها جامعات ومنظمات بلوكتشين ومزودو محافظ ومؤسسات مالية. كل عقدة تولد من 30 إلى 50 جيجابايت من السجلات، مما يخلق حوالي 2 إلى 2.5 بيتابايت من البيانات عبر الشبكة.

عندما تحدث حوادث، يتعين على فرق المنصة جمع وتحليل السجلات يدويًا من المشغلين المتأثرين، ثم ربط الشذوذ بسلوكيات معينة في كود C++ الأساسي. غالبًا ما يتطلب ذلك تنسيقًا وثيقًا مع مجموعة صغيرة من خبراء البروتوكول، ويمكن أن تمتد التحقيقات إلى يومين أو ثلاثة أيام، مما يؤخر الإصلاحات وتطوير الميزات.

يعتقد مهندسو AWS أن أمازون بيدروك يمكن أن يخدم كطبقة تفسيرية بين البيانات الخام والبشر العاملين. من خلال تحليل مجموعات البيانات الكبيرة وفهم سلوك الشبكة المتوقع، يمكن لوكلاء الذكاء الاصطناعي تلقائيًا تحديد الشذوذ، واكتشاف الأنماط، وتوليد تفسيرات قابلة للقراءة البشرية لما حدث بشكل خاطئ — مما يقلل بشكل كبير من أوقات الاستجابة.

مثال واحد نوقش داخليًا كان انقطاع كابل تحت البحر في البحر الأحمر، والذي أثر على اتصال عقد XRPL عبر أجزاء من منطقة آسيا والمحيط الهادئ. اضطر المهندسون إلى تصفح عشرات الجيجابايت من السجلات يدويًا لكل عقدة قبل التوصل إلى تشخيص. كان من الممكن أن يُختصر هذا التحليل بمساعدة الذكاء الاصطناعي إلى دقائق.

من الناحية التقنية، ستقوم الخطوة المقترحة بإدخال سجلات المدقق والخادم إلى Amazon S3، وتقسيمها عبر AWS Lambda، وتوزيع الأحمال باستخدام Amazon SQS، وفهرسة النتائج في Amazon CloudWatch. بالتوازي، ستقوم وكلاء الذكاء الاصطناعي أيضًا بإدخال كود الخادم الأساسي لـ XRPL ومواصفات البروتوكول من GitHub، مما يسمح للنماذج بتقييم السجلات في سياق تصميم الشبكة وسلوكها المتوقع.

يجادل مهندسو AWS بأن الربط بين الكود والمعايير والبيانات الحية أمر حاسم. غالبًا ما تفتقر السجلات الخام إلى معنى بدون وعي بالبروتوكول، لكن أنظمة الذكاء الاصطناعي المدربة على البيانات التشغيلية وبنية الكود يمكن أن تكشف عن رؤى قد يغفل عنها المراجعون البشريون أو تستغرق أيامًا للكشف عنها.

إذا تم نشرها على نطاق واسع، فلن تغير المبادرة من منطق التوافق أو المعاملات في XRPL. بدلاً من ذلك، ستكون ترقية تشغيلية خلف الكواليس، تهدف إلى تحسين الموثوقية، وتقليل وقت التوقف، وخفض عبء التنسيق الذي يصاحب صيانة أحد أطول سلاسل الكتل اللامركزية قيد التشغيل.

على الرغم من أنها لا تزال في مرحلة البحث، إلا أن التعاون يعكس اتجاهًا أوسع: حيث تتجه شبكات البلوكتشين الناضجة بشكل متزايد إلى الرصد المدفوع بالذكاء الاصطناعي لإدارة التعقيد مع توسعها عالميًا.