Muitas pessoas ao verem o Walrus, a primeira reação é que ele tem uma relação um pouco apertada com a Sui. Mas isso não é uma falha, pelo contrário, é uma parte do design engenhoso.

A própria Sui já é bastante agressiva na execução paralela. Assim que o modelo de objetos é separado, objetos independentes são processados de forma concorrente, e objetos compartilhados podem alcançar finalidade em menos de um segundo graças ao esquema de otimização Mysticeti. O que isso significa? Significa que toda a camada de metadados e coordenação do Walrus é executada na Sui, o que não se torna um gargalo. Em contraste com outras cadeias de armazenamento, cujo mecanismo de consenso é serial, basta fazer upload de um arquivo grande para que toda a rede espere, tornando a experiência do usuário extremamente frustrante.

A verdadeira inovação está na segmentação. O Walrus usa código de correção de erros, com parâmetros ajustados de forma bastante interessante — conservador e flexível. Conservador no sentido de que a taxa de redundância é muito baixa, começando em 1,5x, garantindo alta disponibilidade, e flexível porque a votação de governança pode ser ajustada para até 3x conforme necessário. Por que se atrever a aumentar a redundância? Porque a alta taxa de transferência da Sui reduz bastante o custo de coordenação de transações.

O processo funciona assim: o usuário inicia uma solicitação de armazenamento, o sistema divide o arquivo em várias centenas de partes, ao mesmo tempo gerando provas de correção de erros. Essas provas são verificadas em paralelo na Sui, depois as instruções são distribuídas e transmitidas de forma concorrente para os nós. Os nós armazenam as partes ao receberem, enviam confirmações ao concluir, e essas confirmações são agregadas na cadeia. Todo o processo é concluído em segundos.

Concluir em segundos significa o quê? Para cenários de migração de datasets de GB ou TB, como no caso de IA, é possível avançar na velocidade máxima, sem precisar esperar por lotes ou janelas de tempo. Isso é algo que o armazenamento centralizado simplesmente não consegue fazer.

Vamos pensar em um cenário de aplicação — inferência em tempo real com agentes de IA. Os agentes precisam puxar dinamicamente os pesos do modelo e os dados históricos para realizar cálculos de inferência. Se a latência de armazenamento for alta, todo o ciclo de inferência fica travado. Com o Walrus, dados de alta demanda são automaticamente cacheados em múltiplas cópias, e o caminho de leitura paralelo é maximizado. O modelo de objetos da Sui permite que a coordenação entre as cópias do cache também seja executada de forma concorrente. Para aplicações que exigem alta reatividade, isso representa uma verdadeira inovação de desempenho.