AWS Bedrock مع مكتبات C++ تساعد Ripple على تقليل وقت تشخيص XRP Ledger

يحتاج مهندسو تشغيل شبكة XRP Ledger غالبًا إلى عدة أيام لتتبع المشكلات، بدءًا من سجلات البيانات التي تصل إلى بيتابايت والتي يتم إنشاؤها بواسطة مكتبات C++. تقوم Ripple و Amazon Web Services باختبار طريقة لاستخدام Amazon Bedrock AI بهدف تقليل هذه العملية إلى بضع دقائق، من خلال السماح للنظام بتحليل وربط هذه السجلات تلقائيًا مع رمز مصدر XRPL.

التحدي في مراقبة XRP Ledger من حيث الحجم والتعقيد

يعمل XRP Ledger كشبكة طبقة-1 لامركزية تضم أكثر من 900 عقدة موزعة على الجامعات والشركات حول العالم. كل خادم تحقق يستخدم منصة C++ لدعم معدل نقل عالي، لكنه يخلق مشكلة كبيرة: كل عقدة تنتج من 30 إلى 50 جيجابايت من السجلات، ليصل الإجمالي إلى حوالي 2–2.5 بيتابايت عبر الشبكة بأكملها.

عند حدوث خلل، يحتاج المهندسون غالبًا إلى خبراء C++ لقراءة وفهم هذه السجلات وتتبع المكتبات التي يوجد فيها سبب المشكلة. هذه العملية بطيئة وتتطلب خبرة متخصصة، مما يؤدي إلى تأخير في الاستجابة للمشكلة. على سبيل المثال، عندما أثرت مشكلة كابل البحر الأحمر على الاتصال في منطقة آسيا–المحيط الهادئ، اضطرت الفرق إلى معالجة ملفات السجلات الضخمة قبل أن تتمكن من فحص السبب الجذري.

Bedrock AI: من السجلات الخام إلى إشارات قابلة للفهم

قدم المهندس المعماري في AWS، فيجاي راجا جوبال، نهجًا جديدًا: حيث يعمل Bedrock كطبقة تحويل، تحول بيانات السجل الخام إلى إشارات يمكن البحث عنها وتحليلها. بدلاً من النظر فقط إلى خطوط C++ الخام، يمكن للمهندس استعلام نماذج الذكاء الاصطناعي لفحص سلوك الشبكة مقارنة بالمواصفات المتوقعة.

تبدأ العملية بنقل سجلات العقد إلى Amazon S3 عبر GitHub و AWS Systems Manager. ثم، يتم تفعيل وظائف AWS Lambda لتحديد حدود تقسيم كل ملف. يتم دفع بيانات التعريف لهذه الأقسام إلى Amazon SQS للمعالجة المتزامنة، مما يزيد من سرعة المعالجة.

وظيفة Lambda أخرى تستخرج البيانات ذات الصلة من S3، وتستخلص خطوط السجل وبيانات التعريف، ثم ترسلها إلى CloudWatch للفهرسة. كما تصف AWS تدفقًا متوازيًا لإنشاء وتحديث مستودعات رمز XRPL، باستخدام EventBridge لمراقبة المستودعات المهمة وتخزين لقطات الحالة حسب الإصدار.

ربط السجلات مع رمز المصدر والمكتبات C++: حل سريع للمشكلة

أهم جزء من الحل هو القدرة على ربط السجلات مع إصدار البرنامج ووصف XRPL. الاعتماد فقط على سجلات السجل لن يكون كافيًا لفهم الحالات الخاصة للبروتوكول. من خلال دمج تتبع السجلات مع المكتبات C++ المقابلة، وبرمجيات الخادم والمعايير التقنية، يمكن لوكيل الذكاء الاصطناعي ربط أي خلل بمسار الشفرة الصحيح.

هذه الطريقة مهمة جدًا لأنها تتيح للمهندسين فهم سبب حدوث الخطأ بسرعة داخل مكتبات C++ الخاصة بالمدقق. بدلاً من قراءة مئات الأسطر يدويًا، يمكن للذكاء الاصطناعي تحديد الجزء الذي يحتاج إلى تعديل تلقائيًا.

الفعالية العملية: من أيام إلى دقائق

تُظهر التقييمات الداخلية التي شاركها موظفو AWS أن بعض عمليات مراجعة المشكلات يمكن أن تقلل من عدة أيام إلى 2–3 دقائق فقط. هذا التحسين سيساعد مشغلي XRPL على الاستجابة بشكل أسرع لانخفاض الأداء أو انقطاع الخدمة.

يتم تنفيذ هذا العمل بينما يتوسع نظام XRP Ledger في ميزات الرموز المميزة عبر Multi-Purpose Tokens وإصدار Rippled 3.0.0 مع تصحيحات وتعديلات جديدة. تحسين عملية المراقبة سيدعم هذه التطورات.

الحالة الحالية والخطوات القادمة

حاليًا، لا تزال جهود التعاون بين Ripple و AWS في مرحلة البحث ولم تصل بعد إلى التنفيذ العام. لم يُعلن عن تاريخ إصدار رسمي، وما زالت الفرق تتحقق من دقة نموذج الذكاء الاصطناعي وإدارة البيانات أثناء تحليل السجلات.

كما أن الأمر يعتمد على اختيار مشغلي العقد مشاركة أي نوع من البيانات أثناء التحقيق في المشكلات. ومع ذلك، فإن هذا النهج يُظهر أن الذكاء الاصطناعي والأدوات السحابية يمكن أن تدعم مراقبة وتشغيل blockchain بشكل فعال، دون الحاجة إلى تغيير قواعد التوافق في XRPL أو التأثير على أمان الشبكة.