AIMP — KI-Mesh-Protokoll

Ein experimentelles, serverloses Netzwerkprotokoll zur robusten Zustandssynchronisation zwischen autonomen Agenten in fragmentierten, bandbreitenarmen Netzwerken. Aufgebaut auf Merkle-CRDTs und kryptografischer Identität — ohne zentrale Autorität, ohne globales DNS, immer beschreibbar.

---

Papiere

#	Version	Titel	Link
1	v0.1.0	Merkle-CRDT-Protokoll (L1/L2)	ResearchGate
2	v0.2.0	Epistemische Schicht (L3)	ResearchGate
3	v0.3.0	Korrelationsbewusste Aggregation (L3)	ResearchGate
4	v0.4.0	Deterministische semantische Topologien (L3)	ResearchGate

Autorenprofile: ResearchGate · ResearchHub

---

Protokollstapel

Schicht	Version	Zweck
L1/L2	v0.1.0	Merkle-DAG CRDT, Ed25519-Signierung, Noise-Protokoll-Transport, BFT-Quorum
L3	v0.2.0	Epistemische Schicht: Ganzzahlige Log-Odds, zweistufige Vertrauensausbreitung, Sybil-resistente Reputation
L3	v0.3.0	Korrelationsbewusste Aggregation: Geometrische Diskontierung für korrelierte Sensoren/LLMs
L3	v0.4.0	Deterministische semantische Topologien: Autonome Kantenerzeugung mittels 256-Bit-SimHash

---

Neuerungen

v0.4.0 — Deterministische semantische Topologien

L3 v0.3.0 erforderte, dass Anwendungen den Wissensgraphen manuell konstruieren (Unterstützt/Widerspricht-Kanten). v0.4.0 beseitigt diesen Engpass mit autonomer Kantenerzeugung:

• Behauptungen tragen ein optionales QuantizedEmbedding([u64; 4]) — einen 256-Bit-SimHash, der anwendungsseitig aus einem kanonischen Einbettungsmodell berechnet wird.
• An jeder Epochengrenze berechnet das Protokoll paarweise Hamming-Abstände (XOR + popcount, ~1 ns pro Paar) und gibt Supports-Kanten für nahe Paare (d <= 30 Bits) und Contradicts-Kanten für entfernte Paare (d >= 200 Bits) aus.
• Die Kantenstärke skaliert linear mit dem Abstand in Basispunkten (d=0 → 10000 bps, d=30 → 1000 bps).
• Ein max_k_nearest-Limit begrenzt die Kantendichte auf O(N) und verhindert so eine Explosion der Vertrauensausbreitung.
• embedding_version: u32 isoliert disjunkte latente Räume für protokollebene Modell-Upgrades.
• Auto-Kanten werden über L2-Gossip materialisiert und überleben GC durch Holographic Routing.
• Tote Zone (31-199 Bits) verwaist mehrdeutige Behauptungen — epistemologisch korrekte Isolation.

// Autonome Wahrheitsfindung: 10.000 Behauptungen → 50 ms Scan, O(N) Kanten
// Keine Gleitkommazahlen. Keine Koordination. Keine zentrale Autorität.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Korrelationsbewusste Glaubensaggregation

L3 v0.2.0 nimmt an, dass alle Evidenzquellen statistisch unabhängig sind (Naive Bayes). Dies führt zu pathologischer Überkonfidenz, wenn physikalisch korrelierte Sensoren (z. B. 100 IoT-Geräte auf demselben Dach) oder semantisch korrelierte Agenten (z. B. LLMs, die auf demselben Datensatz feinabgestimmt wurden) übereinstimmende Beobachtungen melden.

v0.3.0 führt eine Grid-Cell-Korrelationsdiskontierung ein:

• Jede Behauptung trägt eine optionale CorrelationCell(u64) — eine diskrete Koordinate für räumliche, semantische oder zeitliche Nähe.
• Innerhalb jeder Zelle werden Beweise nach Stärke geordnet 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 etwa das 1,42-fache der Evidenz eines einzelnen Sensors — unabhängig von N. Der naive Ansatz würde eine N-fache Verstärkung erzeugen.
• Die CRDT-Assoziativitätsherausforderung (geometrischer Zerfall ist über partielle Merges nicht assoziativ) wird architektonisch gelöst: Die Epochenreduktion gruppiert nach (temporal_grid, fingerprint, correlation_cell) und garantiert atomare Berechnung auf der vollständigen Menge.
• Behauptungen mit correlation_cell: None verhalten sich identisch zu v0.2.0 (Null-Regression).
• Die gesamte Arithmetik ist rein ganzzahlig (i32/i64, Basispunkte). Keine Gleitkommazahlen. ZK-bereit.

// 100 co-lokalisierte Sensoren, jeweils 70 % Konfidenz:
// v0.2.0 (naiv):  100 × 847 = 84.700 Milli-Log-Odds → ~100 % (überkonfident)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1.207 Milli-Log-Odds → ~77 % (realistisch)

---

Architektur

aimp_node/          Rust-Referenzimplementierung (Cargo-Arbeitsbereichsmitglied)
  src/
    crdt/           Merkle-DAG-Engine, Akteurmodell, Arena-Allokator, Quorumskonsens
    crypto/         Ed25519-Identität, BLAKE3-Hashing, Zero-Trust-Firewall
    network/        UDP-Gossip, Noise Protocol XX-Sitzungen, Ratenbegrenzung pro Peer
    protocol/       Wire-Format (MessagePack), typisierte Payload-Enumeration
    epistemic.rs    L3 Epistemische Schicht (v0.3.0): Log-Odds, Vertrauensausbreitung, Korrelationsdiskontierung
    semantic_topology.rs  L3 Semantische Topologie (v0.4.0): SimHash-Einbettungen, Auto-Kantenerzeugung
    decision_engine.rs  Ansteckbare deterministische Entscheidungsmaschine (Trait + Regelmaschine + Hot-Reload)
    error.rs        Einheitliche AimpError-Typenhierarchie
    dashboard/      Ratatui TUI
    config.rs       Dynamische Konfiguration mit Validierung
    event/          Strukturierte Protokollierung + Prometheus-Metriken (Zähler + Histogramme)
  tests/            Integrationstests
  benches/          Criterion-Benchmarks
aimp_testbed/       Python-SDK (aimp-client) + CLI-Tool + Chaos-Tests
deploy/             Systemd-Dienst, Firecracker-MicroVM, Installationsskript
formal/             TLA+-Konvergenz- + Quorumssicherheits- + Glaubenskonvergenzspezifikation
docs/               Paper 1 (Typst-Quelle + PDF)
v0.2.0/             Paper 2: Epistemische Schicht (Typst-Quelle + PDF)
v0.3.0/             Paper 3: Korrelationsbewusste Aggregation (Typst-Quelle + PDF)

---

Strategische Vorteile

Funktion	AIMP (Merkle-CRDT)	Traditionell (Raft/Paxos)
Topologie	P2P-Mesh / Dezentral	Leader / Quorum
Verfügbarkeit	AP (Immer beschreibbar)	CP (Benötigt Mehrheit)
Reihenfolge	Kausal (Vektoruhren)	Total (Sequentiell)
Integrität	Kryptografisch (Merkle-DAG)	Log-basiert
Hardware	Edge/IoT-optimiert	Rechenzentrumstauglich

---

Hauptmerkmale