In het kader van een geavanceerde technische samenwerking evalueren Amazon Web Services en Ripple het gebruik van Amazon Bedrock voor het monitoren van XRPL en de geautomatiseerde analyse van netwerklogs.
Summary
Amazon Web Services en Ripple experimenteren met generatieve AI
Volgens bronnen dicht bij het project onderzoeken Amazon Web Services en Ripple hoe ze de mogelijkheden van generatieve kunstmatige intelligentie van Amazon Bedrock kunnen benutten om de controle en analyse van het XRP Ledger te verbeteren.
Het doel is om AI-modellen toe te passen op de systeemlogs van het ledger om de onderzoekstijd bij netwerkproblemen drastisch te verkorten. Interne evaluaties door AWS-ingenieurs geven aan dat processen die voorheen meerdere dagen in beslag namen, nu in slechts 2-3 minuten kunnen worden voltooid.
XRPL is een gedecentraliseerde layer-1 blockchain, ondersteund door een wereldwijd netwerk van onafhankelijke node-operators. Het is operationeel sinds 2012 en ontwikkeld in de programmeertaal C++, een keuze die hoge prestaties garandeert maar bijzonder complexe systeemlogs produceert.
XRPL streeft naar verlaging van operationele kosten met Amazon Bedrock
De documentatie van Ripple geeft aan dat XRPL opereert met meer dan 900 nodes die wereldwijd zijn verspreid over universiteiten, blockchain-instellingen, wallet-providers en financiële bedrijven. Deze gedecentraliseerde architectuur verhoogt de veerkracht, veiligheid en schaalbaarheid, maar maakt het moeilijker om het algehele netwerkgedrag in realtime te observeren.
Elke node genereert tussen de 30 en 50 gigabyte aan loggegevens, met een geschat totaal tussen 2 en 2,5 petabyte. Wanneer er een incident optreedt, moeten ingenieurs deze bestanden handmatig onderzoeken om anomalieën te identificeren en deze terug te voeren naar de onderliggende C++-code.
Een enkel onderzoek kan twee tot drie dagen duren, omdat het coördinatie vereist tussen platformteams en een beperkt aantal C++-experts die het protocol diepgaand kennen. Bovendien wachten operationele teams vaak op technische analyses voordat ze kunnen reageren op incidenten of de ontwikkeling van nieuwe functies kunnen hervatten.
Volgens AWS-technici die spraken op een recente conferentie, heeft een breuk in een onderzeese kabel in de Rode Zee in het verleden de connectiviteit van sommige node-operators in de regio Azië-Pacific aangetast. Het platformteam van Ripple moest de logs van de betrokken operators verzamelen en tientallen gigabytes per node verwerken voordat een significante analyse kon worden gestart.
Amazon Bedrock als interpretatielaag tussen logs en operators
De solutions architect van AWS, Vijay Rajagopal, legde uit dat het beheerde platform dat de AI-agenten herbergt, bekend als Amazon Bedrock, in staat is om grote hoeveelheden gegevens te verwerken. Toegepast op de logs van XRPL, zou het de herkenning van patronen en het monitoren van gedrag kunnen automatiseren, waardoor de tijd voor handmatige analyse drastisch wordt verminderd.
Volgens Rajagopal fungeert Amazon Bedrock als een interpretatielaag tussen de ruwe systeemlogs en de menselijke operators. Het kan regel voor regel de meest cryptische vermeldingen analyseren, terwijl ingenieurs AI-modellen ondervragen die de structuur en het verwachte gedrag van het XRPL-systeem begrijpen.
Op deze manier zou de AI niet alleen de snelle identificatie van anomalieën kunnen ondersteunen, maar ook de uitleg van de hoofdoorzaken in een voor operationele teams begrijpelijke taal. De kwaliteit van de resultaten hangt echter sterk af van de koppeling tussen logs, code en protocollspecificaties.
AWS-pijplijn voor de verwerking van ledgerlogs
Rajagopal beschreef ook de technische verwerkingsstroom, die begint bij de logs die worden gegenereerd door validators, hubs en client handlers van XRPL. De bestanden worden eerst overgebracht naar Amazon S3 via een speciale workflow die gebruikmaakt van GitHub-tools en AWS Systems Manager.
Wanneer de gegevens S3 bereiken, activeren gebeurtenistriggers AWS Lambda-functies die elk bestand inspecteren, waarbij de byte-intervallen voor de afzonderlijke segmenten worden gedefinieerd op basis van de logregels en vooraf geconfigureerde chunk-groottes.
De resulterende segmenten worden naar Amazon SQS gestuurd om de verwerking op grote schaal te distribueren. Een aparte Lambda-functie, gewijd aan logverwerking, haalt alleen de relevante chunks uit S3 op basis van de ontvangen metadata.
Deze functie extraheert vervolgens de logregels en bijbehorende metadata en stuurt ze door naar Amazon CloudWatch, waar ze kunnen worden geïndexeerd en geanalyseerd. Volgens de architect haalt het systeem effectief alleen de benodigde delen van bestanden op, waardoor de verwerkingstijd en -kosten worden verminderd in vergelijking met een volledige loganalyse.
Integratie tussen logs, code en protocollspecificaties
Naast de log-ingestieoplossing verwerkt het systeem ook de codebase van XRPL, gestructureerd in twee hoofdrepositories. De eerste bevat de kernsoftware van de XRP Ledger-server, terwijl de tweede standaarden en specificaties definieert voor interoperabiliteit met applicaties die op het netwerk zijn gebouwd.
Updates van deze repositories worden automatisch gedetecteerd en gepland via de serverloze event bus Amazon EventBridge. Op gedefinieerde intervallen haalt de pijplijn de nieuwste versie van code en documentatie uit GitHub, past versiebeheer toe en archiveert alles in S3 voor de volgende analysefases.
AWS-ingenieurs zijn van mening dat, zonder een duidelijk begrip van het verwachte gedrag van het protocol, de ruwe logs niet voldoende zijn om problemen op nodes en uitvaltijden op te lossen. Door de logs te koppelen aan de standaarden en de serversoftware die de logica van XRPL definiëren, kunnen AI-agenten nauwkeurigere verklaringen van anomalieën geven.
In deze context is het gecombineerde gebruik van Bedrock, serverloze pijplijnen en gecentraliseerde opslag op S3 gericht op het sneller, schaalbaarder en minder afhankelijk maken van het XRPL-monitoring van de handmatige tussenkomst van hooggekwalificeerde C++-specialisten.
Over het geheel genomen introduceert de samenwerking tussen AWS en Ripple een experimentele benadering van het gebruik van generatieve AI voor volwassen blockchain-infrastructuren, met potentiële significante voordelen op het gebied van diagnosesnelheid, operationele automatisering en netwerkrobuustheid.
