Protokol penyimpanan Walrus di ekosistem Sui terlihat sangat canggih, tetapi saat benar-benar digunakan, ada banyak sekali masalah. Sebagai teknisi yang telah lama berkecimpung di bidang penyimpanan terdistribusi, haruslah kukatakan dengan jujur — dokumentasi resmi hanya menjelaskan kasus ideal, saat penerapan aktual berbagai masalah bermunculan.

Mari mulai dari skema erasure coding dua dimensi RedStuff. Pendekatan ini memang elegan di atas kertas: menganggap data sebagai matriks simbol n×m, melakukan encoding RaptorQ pada kolom terlebih dahulu untuk menghasilkan fragmen utama, kemudian melakukan encoding Reed-Solomon pada baris untuk menghasilkan fragmen sekunder. Setiap node menyimpan satu pasangan kombinasi fragmen utama-sekunder, dan sepertiga node sudah bisa memulihkan data lengkap. Tingkat redundansi dikendalikan pada 4 sampai 5 kali lipat—angka ini memang lebih efisien dibanding replikasi 3 sampai 5 kali lipat dari bursa terdepan tertentu, dan juga lebih hemat ruang dibanding pencadangan jaringan penuh dari platform all-in-one tertentu.

Namun efisiensi ini tidak didapat dengan cuma-cuma, biayanya akan membesar berkali-kali lipat dalam skenario beban tinggi.

Pertama adalah overhead komputasi encoding-decoding. Meskipun RaptorQ adalah standar fountain code yang diakui industri, kompleksitas operasi matriks tidak rendah. Khususnya saat memproses file level GB, pengujian aktual mengunggah file model AI 5GB, proses encoding akan menggunakan lebih dari 90% sumber daya CPU klien, dengan waktu tempuh lebih dari 2 menit. Jika aplikasi memerlukan pengunggahan yang sering, overhead ini menjadi hambatan performa yang jelas. Waktu encoding yang panjang tidak masalah, tetapi konsumsi sumber daya saat decoding dan rekonstruksi sama menakutkannya.