核心参考： Walrus Whitepaper v2.0 (Section 3.3 - Handling Metadata)
引言：存储的隐形成本
存 1GB 的电影不难，难的是存 10 亿个 1KB 的小文件。
在分布式系统中，管理“文件在哪里”、“哈希是多少”这些元数据（Metadata），往往比存储文件本身更消耗资源。如果处理不好，元数据会让网络拥堵不堪。
一、 线性 vs 二次方程
在传统的 Reed-Solomon 编码中，每个节点都需要知道所有其他节点的切片哈希，这导致元数据的开销是 Quadratic（二次方级） 的。随着节点数量增加，元数据会呈指数级爆炸。
Walrus 的 Red Stuff 算法引入了一个巧妙的优化：
"Storage nodes maintain an encoded version of the metadata... reduces the overhead to a constant per node." (Page 5)
节点不需要存储完整的元数据树，只需要存储跟自己相关的“元数据切片”。
二、 向量承诺（Vector Commitments）
Walrus 使用 Vector Commitments 来压缩证明。
白皮书提到，用户不需要上传所有的哈希，只需要上传一个承诺（Commitment）。
"The client creates a commitment over the list of these sliver commitments, which serves as a blob commitment."
三、 Sui 的高性能元数据引擎
最关键的是，Walrus 把元数据扔给了 Sui。
由于 Sui 的 Object 模型可以并行处理海量的小对象，Walrus 巧妙地避开了存储网络最头疼的“小文件元数据风暴”。这使得 Walrus 不仅能存大文件，也能高效处理海量小文件。