AWS und Ripple untersuchen Amazon Bedrock AI für das XRP Ledger

Amazon Web Services und Ripple erforschen angeblich den Einsatz der generativen künstlichen Intelligenz (Gen-AI) von Amazon Bedrock, um die Überwachung und Analyse des XRP Ledger zu verbessern, wie mit der Initiative vertraute Personen berichten.

Der Technologiekonzern und das Kryptounternehmen planen, KI-Analysen auf die Systemprotokolle des XRP Ledger anzuwenden, um die Untersuchungszeit von Netzwerkproblemen zu verkürzen. Interne Einschätzungen von AWS-Ingenieuren deuten darauf hin, dass Prozesse, die früher mehrere Tage dauerten, nun in 2–3 Minuten abgeschlossen werden könnten.

XRPL ist eine dezentrale Layer-1-Blockchain, die von einem globalen Netzwerk unabhängiger Knotenbetreiber unterstützt wirddent Das System ist seit 2012 in Betrieb und basiert auf C++, einer Programmiersprache, die zwar hohe Geschwindigkeiten ermöglicht, aber komplexe Systemprotokolle erzeugt.

XRPL zielt darauf ab, den Betriebsaufwand mit Amazon Bedrock zu reduzieren

Laut RippleDokumenten betreibt XRPL weltweit über 900 verteilte Knoten in Universitäten, Blockchain-Institutionen, Wallet-Anbietern und Finanzunternehmen. Die dezentrale Struktur verbessert zwar die Ausfallsicherheit, Sicherheit und Skalierbarkeit, erschwert aber die Echtzeit-Transparenz des Netzwerkverhaltens.

⚠️AMAZON WEB SERVICES & RIPPLE diskutieren über AMAZON Bedrock für XRPL🔥

Die Übersicht dieses Videos:
XRPL basiert auf hochperformantem C++-Code (einer leistungsstarken Programmiersprache).
Bei großem Umfang erzeugen C++-Systeme große Mengen an kryptischen Protokollen (Verlaufsdaten).
AWS arbeitet mit Rippleund nutzt… pic.twitter.com/2bjfT9MOkn

— ProfessoRipplERipplERipplERipplERipplERipplERipplERipplERipplEffect) 7. Januar 2026

Jeder Knoten erzeugt zwischen 30 und 50 Gigabyte an Protokolldaten, was zu einem geschätzten Datenvolumen von 2 bis 2,5 Petabyte führt. Im müssendentAnomalien die Techniker diese Dateien manuell durchsuchen, umdenttractrac tractractractrac tractracdiese auf den zugrunde liegenden C++-Code zurückzuverfolgen

Eine einzelne Untersuchung konnte sich über zwei bis drei Tage hinziehen, da sie eine enge Zusammenarbeit zwischen Plattformingenieuren und einem begrenzten Pool von C++-Experten erforderte, die die Interna des Protokolls verstanden. Die Plattformteams mussten auf die Ingenieure warten, bevor sie aufdentreagieren oder die Entwicklung neuer Funktionen fortsetzen konnten. Verstärkt wurde dieses Problem durch das Alter und die Größe der Codebasis.

Laut AWS-Technikern, die auf einer kürzlich stattgefundenen Konferenz sprachen, beeinträchtigte ein Kurzschluss im Roten Meer die Konnektivität einiger Knotenbetreiber im asiatisch-pazifischen Raum. Ripplemusste Protokolle von den betroffenen Betreibern sammeln und anschließend Dutzende Gigabytes pro Knoten verarbeiten, bevor eine aussagekräftige Analyse möglich war.

Der AWS-Lösungsarchitekt Vijay Rajagopal erklärte, dass die verwaltete Plattform, die KI-Agenten hostet (auch bekannt als Amazon Bedrock), in der Lage sei, große Datensätze zu analysieren. Der Einsatz von Bedrock bei der Log-Analyse von XRPL würde die Mustererkennung und Verhaltensanalyse automatisieren und so den Zeitaufwand für manuelle Prüfer reduzieren.

Laut Rajagopal fungiert Amazon Bedrock als Interpretationsschicht zwischen den Rohdaten des Systems und den menschlichen Bedienern. Es hilft, kryptische Einträge Zeile für Zeile zu analysieren, und Ingenieure können KI-Modelle abfragen, die die Struktur und das erwartete Verhalten des XRP-L-Systems verstehen.

AWS Bedrock-Pipeline zur Protokollverarbeitung und Codeanalyse

Rajagopal sprach auch über den technischen Workflow, beginnend mit den Rohdaten, die von Validatoren, Hubs und Client-Handlern von XRPL generiert werden. Die Daten werden zunächst über einen speziellen Workflow mithilfe von GitHub-Tools und AWS Systems Manager in Amazon S3 übertragen.

Sobald die Daten S3 erreichen, werden durch Ereignisauslöser AWS Lambda-Funktionen aktiviert, die jede Datei untersuchen, um Bytebereiche für einzelne Chunks in Tandem-Logzeilengrenzen unddefiChunk-Größen zu bestimmen. 

Die resultierenden Segmente werden anschließend an Amazon SQS gesendet, um die Verarbeitung skalierbar zu verteilen. Eine separate Lambda-Funktion zur Protokollverarbeitung ruft anhand der empfangenen Metadaten nur die relevanten Datenblöcke aus S3 ab. Anschließendtracsie Protokollzeilen und zugehörige Metadaten, bevor sie diese an Amazon CloudWatch weiterleitet, wo sie indiziert und analysiert werden können.

„Es ruft tatsächlich nur die relevanten Datenblöcke aus S3 ab, basierend auf den konfigurierten Blockmetadaten, die es liest. Und es übergibt die Protokollzeilen, extrahiert die Metadaten und stellt diese Protokollzeilen und Metadaten in CloudWatch bereit“, erklärte der Architekt.

Abgesehen von der Lösung zur Protokollerfassung verarbeitet das System auch die XRP-Ledger-Quellcodebasis mit zwei primären Repositories. Eines enthält die Kernserversoftware für das XRP Ledger, während das andere defi, die auf dem Netzwerk aufbauen.

Aktualisierungen dieser Repositories werdenmaticerkannt und über einen serverlosen Event-Bus namens Amazon EventBridge geplant. In einem defiRhythmus ruft die Pipeline den neuesten Code und die zugehörige Dokumentation von GitHub ab, versioniert die Daten und speichert sie zur weiteren Verarbeitung in S3.

Die AWS-Ingenieure argumentierten, dass Rohdaten ohne ein umfassendes Verständnis des Protokollverhaltens nicht ausreichen, um Knotenprobleme und Ausfallzeiten zu beheben. Sie führten aus, dass KI-Systeme durch die Verknüpfung von Protokollen mit den Standards und der Serversoftware, die das Verhalten von XRPdefi, präzisere Erklärungen für Anomalien liefern können.