AWS Bedrock dengan pustaka C++ membantu Ripple mempercepat waktu diagnosis XRP Ledger

Para insinyur operasional jaringan XRP Ledger biasanya harus menghabiskan beberapa hari untuk melacak masalah, dimulai dari log berukuran petabyte yang dihasilkan oleh perpustakaan C++. Ripple bersama Amazon Web Services sedang menguji penggunaan Amazon Bedrock AI untuk mempercepat proses ini menjadi beberapa menit, dengan memungkinkan sistem secara otomatis menganalisis dan mengaitkan log ini dengan kode sumber XRPL.

Tantangan Pengawasan XRP Ledger dari Skala dan Kompleksitas

XRP Ledger beroperasi sebagai jaringan layer-1 terdesentralisasi dengan lebih dari 900 node tersebar di universitas dan perusahaan di seluruh dunia. Setiap validator server menggunakan platform C++ untuk mendukung throughput tinggi, tetapi juga menimbulkan masalah besar: setiap node menghasilkan 30–50 GB log, sehingga totalnya sekitar 2–2,5 petabyte di seluruh jaringan.

Ketika terjadi anomali, insinyur biasanya membutuhkan ahli C++ untuk membaca dan memahami log ini serta melacak kembali perpustakaan C++ tempat akar masalah berada. Proses ini lambat dan memerlukan pengalaman mendalam, sehingga waktu respons terhadap insiden menjadi lama. Misalnya, saat kejadian kabel bawah laut Terusan Merah mempengaruhi koneksi di kawasan Asia–Pasifik, tim harus memproses setiap file log besar sebelum dapat memulai pemeriksaan penyebab utama.

Bedrock AI: dari Log Mentah Menjadi Sinyal yang Dapat Dipahami

Arsitek AWS Vijay Rajagopal memperkenalkan pendekatan baru: Bedrock akan berfungsi sebagai lapisan konversi, mengubah data log mentah menjadi sinyal yang dapat dicari dan dianalisis. Alih-alih hanya melihat baris C++, insinyur dapat mengajukan pertanyaan ke model AI untuk memeriksa perilaku jaringan dibandingkan standar yang diharapkan.

Proses dimulai dari mengunggah log node ke Amazon S3 melalui GitHub dan AWS Systems Manager. Kemudian, peristiwa memicu fungsi AWS Lambda untuk menentukan batas segmentasi setiap file. Metadata dari segmen ini didorong ke Amazon SQS untuk diproses secara paralel, meningkatkan kecepatan pemrosesan.

Lambda lain mengambil bagian byte terkait dari S3, mengekstrak baris log dan metadata, lalu mengirimkannya ke CloudWatch untuk diindeks. AWS juga menggambarkan alur paralel untuk membuat dan memperbarui dokumentasi kode sumber XRPL, menggunakan EventBridge untuk memantau repository penting dan menyimpan snapshot berdasarkan versi.

Mengaitkan Log dengan Kode Sumber dan Perpustakaan C++: Solusi Cepat

Aspek terpenting dari solusi ini adalah kemampuan mengaitkan log dengan versi perangkat lunak dan spesifikasi XRPL. Hanya mengandalkan log saja tidak cukup untuk memahami kasus khusus dari protokol. Dengan menggabungkan pelacakan log dengan perpustakaan C++ terkait, standar server dan teknik, agen AI dapat memetakan anomali ke jalur kode utama secara tepat.

Pendekatan ini sangat penting karena memungkinkan insinyur dengan cepat memahami alasan di balik kesalahan dalam perpustakaan C++ validator. Alih-alih harus membaca secara manual ratusan baris kode, AI dapat secara otomatis menunjukkan bagian mana yang perlu disesuaikan.

Efektivitas Nyata: Dari Beberapa Hari Menjadi Beberapa Menit

Penilaian internal yang dibagikan oleh staf AWS menunjukkan bahwa beberapa proses peninjauan insiden dapat dipercepat dari beberapa hari menjadi hanya 2–3 menit. Peningkatan ini akan membantu operator XRPL merespons lebih cepat terhadap penurunan kinerja atau gangguan layanan.

Pekerjaan ini dilakukan saat ekosistem XRP Ledger memperluas fitur token melalui Multi-Purpose Tokens dan merilis Rippled 3.0.0 dengan patch dan modifikasi baru. Optimalisasi proses pengawasan ini akan mendukung perkembangan tersebut.

Status Saat Ini dan Langkah Selanjutnya

Saat ini, upaya kolaborasi antara Ripple dan AWS masih dalam tahap penelitian dan belum dilakukan secara publik. Belum ada tanggal rilis resmi yang diumumkan, dan tim masih memverifikasi keakuratan model AI serta pengelolaan data selama analisis log.

Ini juga bergantung pada pilihan operator node dalam membagikan jenis data apa selama penyelidikan insiden. Namun, pendekatan ini menunjukkan bahwa AI dan alat cloud dapat membantu pengamatan dan pengoperasian blockchain secara efisien, tanpa perlu mengubah aturan konsensus XRPL atau mengorbankan keamanan jaringan.