删万行代码：Ripple AI 审计缩攻击面

据 Woofun AI 消息，Ripple 正同步推进两项关键安全举措：利用 Sherlock 的人工智能引擎对 Lending Protocol V1.1 进行深度审计，并提议从 XRP Ledger (XRPL) 中移除超过 10,000 行闲置的 XChainBridge 代码，以大幅缩减网络攻击面。

行业安全环境的恶化是此次架构精简的核心驱动力。2026 年上半年，区块链领域共爆发 344 起安全事件，造成 13.1 亿美元的资金损失，其中代码漏洞仍是首要攻击向量。

在此背景下，Ripple 重新审视了其跨链桥技术选型。经过对安全性、用户体验、去中心化程度及运营成本的综合评估，Ripple 最终选定 Axelar 作为 EVM 侧链的解决方案，而非此前保留的 XLS-38 见证模型。早在 2024 年 6 月，Ripple 便宣布采用 Axelar，但出于兼容性与社区治理考量，保留了 XLS-38 供验证者投票，并给予开发者 12 到 15 个月的过渡期以证明其对私有侧链修正案的需求。

然而，市场实际需求远低于预期，导致 XChainBridge 的主要功能被替代，大量代码处于闲置状态。Woofun AI 整理数据显示，若移除 XChainBridge 及相关修正案，可删除超过 10,000 行代码。Ripple 指出，保留这些休眠功能不仅增加维护负担和开发复杂度，更扩大了潜在攻击面。

尽管 Ripple 拥有一票验证者投票权，但该提案仍需遵循 XRPL 修正程序，计划先将 XChainBridge 标记为过时，待共识达成后彻底删除，除非开发者能展示对 XLS-38 的切实需求。

借贷协议的安全审计同样揭示了复杂系统的脆弱性。Ripple 称，Lending Protocol 是 XRPL 上线以来最复杂的金融功能之一。此前版本虽经多轮严格审查，仍暴露出严重漏洞，包括导致虚假抵押品无法识别的逻辑错误、涉及贷款支付的免费垃圾信息传播途径，以及可能引发节点死锁的整数溢出问题。这些历史教训促使 Ripple 在 V1.1 版本开发中引入更严密的测试机制。今年早些时候发布的更新已修复了公开暴露的崩溃路径、边界检查缺陷及跨功能交互问题。

值得注意的是，CertiK 发现攻击者越来越多地针对部署超过一年的合约发动攻击，代码漏洞在 204 起安全事件中占据主导。这表明传统审计无法覆盖所有威胁，因此 Ripple 在 V1.1 中融合了合作伙伴反馈与早期实施经验，并开展大规模人工智能红队测试，在借贷系统之外也发现了多个高严重性安全问题。Sherlock 的纯 AI 审计旨在进一步挖掘潜在风险，尽管目前尚未公布具体结果或完成时间，但其作为独立测试层，为协议发布前提供了额外的安全缓冲。

面对持续严峻的攻击环境，Ripple 正构建多层防御体系以替代单一审计依赖。其借贷系统的开发流程已涵盖独立审计、公开安全竞赛、模糊测试、形式化方法、社区测试以及人工智能辅助的漏洞检测。

这种组合策略旨在弥补任何单一方法的盲区，特别是应对那些针对老旧合约的滞后性攻击。Sherlock 的加入并非取代现有机制，而是作为专用 AI 模型能力的验证，其实际效用将取决于能否在 V1.1 发布前发现并修复新漏洞。通过精简冗余代码以缩小攻击面，同时强化对核心金融功能的深度测试，Ripple 试图在提升网络效率与保障资产安全之间找到平衡点，为 XRPL 承载更高价值奠定技术基础。