在一项先进技术合作的框架下，Amazon Web Services 和 Ripple 正在评估使用 Amazon Bedrock 来监控 XRPL 并自动分析网络日志。
Summary
Amazon Web Services 和 Ripple 试验生成式 AI
据接近项目的人士透露，Amazon Web Services 和 Ripple 正在研究如何利用 Amazon Bedrock 的生成式人工智能能力来改善对 XRP Ledger 的控制和分析。
目标是将 AI 模型应用于分类账的系统日志，以大幅减少网络问题调查的时间。AWS 工程师的一些内部评估表明，原本需要几天的流程可能在短短 2-3 分钟 内完成。
XRPL 是一个去中心化的 区块链 layer-1，由全球独立节点运营商网络支持。自 2012 年起运行，并使用 C++ 语言开发，这一选择确保了高性能，但也产生了特别复杂的系统日志。
XRPL 旨在通过 Amazon Bedrock 降低运营成本
Ripple 的文档显示，XRPL 在全球范围内通过大学、区块链机构、钱包提供商和金融公司运营着超过 900 个节点。这种去中心化架构增强了弹性、安全性和可扩展性，但使实时观察网络整体行为变得更加困难。
每个节点生成 30 到 50 GB 的日志数据，总计估计在 2 到 2.5 PB 之间。当发生事故时，工程师必须手动检查这些文件以识别异常并将其追溯到底层 C++ 代码。
单次调查可能需要两到三天，因为这需要平台团队之间的协调，以及对协议有深入了解的有限 C++ 专家的参与。此外，运营团队通常在等待技术分析完成后才能对事故做出反应或继续开发新功能。
根据 AWS 技术人员在最近一次会议上的发言，过去红海的一次海底电缆切断曾影响了亚太地区一些节点运营商的连接性。Ripple 的平台团队不得不从受影响的运营商那里收集日志，并在进行有意义的分析之前处理每个节点的数十 GB 数据。
Amazon Bedrock 作为日志与运营商之间的解释层
AWS 的解决方案架构师 Vijay Rajagopal 解释说，托管人工智能代理的平台 Amazon Bedrock 能够处理大量数据。应用于 XRPL 的日志，它可以自动识别模式和监控行为，大幅减少手动分析时间。
根据 Rajagopal 的说法，Amazon Bedrock 作为系统原始日志与人类运营商之间的解释层。它可以逐行分析最复杂的条目，而工程师则询问理解 XRPL 系统结构和预期行为的 AI 模型。
这样，AI 不仅可以快速识别异常，还可以用运营团队能理解的语言解释根本原因。然而，结果的质量严格依赖于日志、代码和协议规范之间的连接。
用于分类账日志处理的 AWS 管道
Rajagopal 还描述了处理流程，从 XRPL 的验证器、集线器和客户端处理程序生成的日志开始。文件首先通过使用 GitHub 工具和 AWS Systems Manager 的专用工作流传输到 Amazon S3。
当数据到达 S3 时，事件触发器激活 AWS Lambda 函数，检查每个文件，根据日志行和预配置的块大小定义字节区间。
生成的段被发送到 Amazon SQS 以进行大规模处理。一个专门用于日志处理的独立 Lambda 函数根据接收到的元数据从 S3 中仅检索相关的块。
然后，该函数提取日志行和相关元数据，将其转发到 Amazon CloudWatch，在那里可以进行索引和分析。根据架构师的说法，该系统实际上只检索必要的文件部分，与完整日志分析相比，减少了处理时间和成本。
日志、代码和协议规范之间的集成
除了日志摄取解决方案外，该系统还处理 XRPL 的代码库，结构在两个主要的存储库中。第一个包含 XRP Ledger 服务器的核心软件，而第二个定义了与网络上构建的应用程序的互操作性标准和规范。
这些存储库的更新通过无服务器事件总线 Amazon EventBridge 自动检测和调度。在定义的间隔内，管道从 GitHub 提取最新版本的代码和文档，应用版本控制并将所有内容存档在 S3 中以进行后续分析阶段。
AWS 工程师认为，如果没有对协议预期行为的清晰理解，原始日志不足以解决节点问题和停机时间。相反，通过将日志与定义 XRPL 逻辑的标准和服务器软件连接，AI 代理可以提供更准确的异常解释。
在这种情况下，结合使用 Bedrock、无服务器管道和 S3 中的集中存储，旨在使 XRPL 监控更快、更具可扩展性，并减少对高技能 C++ 专家手动干预的依赖。
总体而言，AWS 和 Ripple 之间的合作引入了一种实验性方法，将生成式 AI 用于成熟的区块链基础设施，在诊断速度、运营自动化和网络稳健性方面具有显著的潜在优势。
