AIMP — AI Mesh Protocol

Ein experimentelles, serverloses Netzwerkprotokoll für resiliente Zustandssynchronisation zwischen autonomen Agenten in fragmentierten Netzwerken mit geringer Bandbreite. Basiert auf Merkle-CRDTs und kryptographischer Identität — keine zentrale Autorität, kein globales DNS, immer beschreibbar.

Publikationen

#	Version	Titel	Link
1	v0.1.0	Merkle-CRDT Protocol (L1/L2)	ResearchGate
2	v0.2.0	Epistemic Layer (L3)	ResearchGate
3	v0.3.0	Correlation-Aware Aggregation (L3)	ResearchGate
4	v0.4.0	Deterministic Semantic Topologies (L3)	ResearchGate

Autorenprofile: ResearchGate · ResearchHub

Protokoll-Stack

Layer	Version	Zweck
L1/L2	v0.1.0	Merkle-DAG CRDT, Ed25519-Signierung, Noise-Protocol-Transport, BFT-Quorum
L3	v0.2.0	Epistemic Layer: ganzzahlige Log-Odds, zweiphasige Trust-Propagation, Sybil-resistente Reputation
L3	v0.3.0	Correlation-Aware Aggregation: geometrische Diskontierung für korrelierte Sensoren/LLMs
L3	v0.4.0	Deterministic Semantic Topologies: autonome Kantengenerierung via 256-Bit-SimHash

Neuerungen

v0.4.0 — Deterministic Semantic Topologies

L3 v0.3.0 erforderte, dass Anwendungen den Wissensgraphen (Supports/Contradicts-Kanten) manuell konstruieren. v0.4.0 beseitigt diesen Engpass durch autonome Kantengenerierung:

Claims tragen ein optionales QuantizedEmbedding([u64; 4]) — ein 256-Bit-SimHash, der anwendungsseitig aus einem kanonischen Embedding-Modell berechnet wird.
An jeder Epochengrenze berechnet das Protokoll paarweise Hamming-Distanzen (XOR + popcount, ~1 ns pro Paar) und erzeugt Supports-Kanten für nahe Paare (d <= 30 Bits) und Contradicts-Kanten für entfernte Paare (d >= 200 Bits).
Die Kantenstärke skaliert linear mit der Distanz in Basispunkten (d=0 → 10000 bps, d=30 → 1000 bps).
Eine max_k_nearest-Obergrenze begrenzt die Kantendichte auf O(N) und verhindert eine Explosion der Trust-Propagation.
embedding_version: u32 isoliert disjunkte latente Räume für Modell-Upgrades auf Protokollebene.
Auto-Kanten werden via L2-Gossip materialisiert und überleben GC durch Holographic Routing.
Die Dead Zone (31-199 Bits) verwaist mehrdeutige Claims — epistemologisch korrekte Isolation.

// Autonomous truth discovery: 10,000 claims → 50 ms scan, O(N) edges
// No floats. No coordination. No central authority.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Correlation-Aware Belief Aggregation

L3 v0.2.0 geht davon aus, dass alle Evidenzquellen statistisch unabhängig sind (Naive Bayes). Dies erzeugt pathologische Hyper-Konfidenz, wenn physikalisch korrelierte Sensoren (z. B. 100 IoT-Geräte auf demselben Dach) oder semantisch korrelierte Agenten (z. B. auf demselben Datensatz feinabgestimmte LLMs) übereinstimmende Beobachtungen melden.

v0.3.0 führt Grid-Cell Correlation Discounting ein:

Jeder Claim trägt ein optionales CorrelationCell(u64) — eine diskrete Koordinate für räumliche, semantische oder zeitliche Nähe.
Innerhalb jeder Zelle wird Evidenz nach Stärke sortiert und geometrisch diskontiert: Die stärkste Quelle behält 100 % Gewicht; jede nachfolgende Quelle erhält discount_bps^rank / 10000^rank (Standard 30 %).
Bei 30 % Diskontierung konvergieren N korrelierte Sensoren auf ~1,42x der Evidenz eines einzelnen Sensors — unabhängig von N. Der naive Ansatz würde eine N-fache Verstärkung erzeugen.
Die CRDT-Assoziativitäts-Herausforderung (geometrischer Zerfall ist nicht assoziativ über partielle Merges hinweg) wird architektonisch gelöst: Die Epochenreduktion gruppiert nach (temporal_grid, fingerprint, correlation_cell) und garantiert so eine atomare Berechnung auf der vollständigen Menge.
~~Claims mit correlation_cell: None verhalten sich identisch zu v0.2.0 (keine Regression).~~ Abgelöst — siehe unten.
Alle Arithmetik ist ausschließlich ganzzahlig (i32/i64, Basispunkte). Keine Floats. ZK-ready.

Breaking Change in v0.5.0. correlation_cell: None bedeutet nicht mehr „unabhängig, volles Gewicht". Das Zurückhalten des Feldes war strikt vorteilhaft — gemessen zahlte Verschleierung 70,3x gegenüber ehrlicher Offenlegung, sodass ein rationaler Teilnehmer niemals eine Zelle deklarierte und die obige Diskontierung trivial umgangen wurde. Unabhängigkeit muss nun belegt statt behauptet werden: Unverifizierte Unabhängigkeit wird begrenzt, während durch einen distinkten Embedding-Cluster gestützte Unabhängigkeit weiterhin mit vollem Gewicht akkumuliert. Siehe den L3-Abschnitt unter Neuerungen und aimp_node/tests/insider_asymmetry.rs.

// 100 co-located sensors, 70% confidence each:
// v0.2.0 (naive):  100 × 847 = 84,700 milli-log-odds → ~100% (hyper-confident)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1,207 milli-log-odds → ~77% (realistic)

Architektur

aimp_node/          Rust reference implementation (Cargo workspace member)
  src/
    crdt/           Merkle-DAG engine, actor model, arena allocator, quorum consensus
    crypto/         Ed25519 identity, BLAKE3 hashing, zero-trust firewall
    network/        UDP gossip, Noise Protocol XX sessions, per-peer rate limiting
    protocol/       Wire format (MessagePack), typed payload enum
    epistemic.rs    L3 Epistemic Layer (v0.3.0): log-odds, trust propagation, correlation discounting
    semantic_topology.rs  L3 Semantic Topology (v0.4.0): SimHash embeddings, auto-edge generation
    decision_engine.rs  Pluggable deterministic decision engine (trait + rule engine + hot-reload)
    error.rs        Unified AimpError type hierarchy
    dashboard/      Ratatui TUI
    config.rs       Dynamic configuration with validation
    event/          Structured logging + Prometheus metrics (counters + histograms)
  tests/            Integration tests
  benches/          Criterion benchmarks
aimp_testbed/       Python SDK (aimp-client) + CLI tool + chaos testing
deploy/             Systemd service, Firecracker microVM, install script
formal/             TLA+ convergence + quorum safety + belief convergence specification
docs/               Paper 1 (Typst source + PDF)
v0.2.0/             Paper 2: Epistemic Layer (Typst source + PDF)
v0.3.0/             Paper 3: Correlation-Aware Aggregation (Typst source + PDF)

aimp

Beliebteste