“فقط آغاز”: کارگردان Ripple می گوید پیشرفت های بیشتری در کتاب های XRP در پیش است – U.Today

ویجی خانا، مدیر مهندسی RippleX، پیشرفت انجام شده توسط تیم قرمز هوش مصنوعی XRP Ledger را به اشتراک می‌گذارد. این پیشرفت منجر به انتشار نسخه متزلزل 3.1.3 شد که نشان دهنده پیشرفت های بیشتر در پیش است.

خانا در توییتی بر تلاش فوق العاده ای که برای اطمینان از اینکه XRPL نسخه 3.1.3 می تواند به طور ایمن در شبکه اصلی مستقر شود، تاکید کرد.

Khanna نشان می دهد که ارتقاء XRPL نسخه 3.1.3 تنها آغاز راه است و اضافه می کند که هنوز کارهای زیادی برای انجام دادن وجود دارد.

XRPL نسخه 3.1.3 شامل رفع اشکال و بهبودهایی در تغییری به نام “fixCleanup3_1_3” است که مجموعه ای از اصلاحات برای NFT ها، دامنه های مجاز، Vaults و پروتکل وام است.

تیم قرمز مبتنی بر هوش مصنوعی XRP Ledger پیشرفت را گزارش می دهد

در ماه مارس، ریپل اعلام کرد که یک تیم اختصاصی قرمز مجهز به هوش مصنوعی برای جستجوی مداوم آسیب‌پذیری‌های XRP Ledger ایجاد کرده است. دو ماه بعد، تیم به رهبری مهندس نرم‌افزار Ripple، Mayukha Vadari، گزارشی از پیشرفت را در مورد چگونگی ساختار کار، انواع اشکال‌های یافت شده و درس‌های آموخته شده در این مسیر به اشتراک می‌گذارد.

تیم قرمز چندین تکنیک مکمل را برای شکار کلاس های مختلف حشرات ترکیب می کند.

تا به امروز، تیم 287 مشکل xrpld را در GitHub به طور عمومی افشا کرده است (231 مورد باز، 49 بسته) که با ادامه اولویت‌بندی، مشکلات بیشتری به طور مرتب ایجاد می‌شود. این مسائل عمدتاً بهبود کیفیت کد و بهبودهای دفاعی عمیق هستند. هیچ یک از آنها بر ثبات سیستم، در دسترس بودن یا امنیت صندوق تأثیر نمی گذارد.

شما هم ممکن است دوست داشته باشید

اسکن SDK مشکلات زیادی را در پیاده سازی های چند زبانه پیدا کرد که بسیاری از آنها قبلاً وصله شده اند: 44 مشکل در xrpl-py، 48 مشکل در xrpl.js و 126 مشکل در xrpl-rust نیز فاش شد.

نسخه 3.1.3 که کاملاً به امنیت و رفع اشکال اختصاص دارد، شامل 20 یافته تیم قرمز در دسته بندی های مختلف است. همچنین اصلاحات جزئی مختلفی وجود داشت که برخی از آنها توسط هوش مصنوعی پیدا شد.

بعدش چی؟

نسخه 3.1.3 اولین نسخه امنیتی اختصاصی بود که از تیم قرمز مبتنی بر هوش مصنوعی بیرون آمد. انتظار می رود نسخه های برنامه ریزی شده آینده، از جمله 3.2.0، شامل اصلاحات بیشتری از مجموعه انباشته یافته های تایید شده باشد.

تجزیه و تحلیل برای پوشش بهتر تعاملات بین ویژگی‌ها بهبود می‌یابد و آزمایش‌های تزریق اشکال Antithesis در شاخه‌های انتشار جدید انجام می‌شود.

نوار امنیتی برای تغییرات جدید افزایش می‌یابد و اجازه می‌دهد حملات حمله جامع‌تری بر روی تغییرات جدید قبل از فعال شدن در شبکه اصلی انجام شود.