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

Autorenprofile: ResearchGate · ResearchHub

Protokollstapel

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

Hauptmerkmale

Kern-Engine (v0.1.0)

• Akteurmodell mit CRDT ohne gemeinsamen Zustand über tokio::mpsc
• Slab/Arena-Allokation mit O(1)-Einfügen und SoA-Layout
• Dauerhafte Persistenz über redb mit ChaCha20Poly1305-Verschlüsselung im Ruhezustand
• HKDF-SHA256-Schlüsselableitung mit Domänentrennung
• Gecachter Merkle-Root mit Invalidierung bei Schreibzugriff
• Echter Mark-and-Sweep-GC mit Slab-Speicherrückgewinnung
• Epochenbasierte GC-Nachverfolgung integriert in den CRDT-Akteur

Epistemische Schicht (v0.2.0 — v0.4.0)

• Ganzzahlige Log-Odds-Arithmetik (i32, Milli-Log-Odds) — keine Gleitkommazahlen, 100 % deterministisch
• Zweistufige Markov-Vertrauensausbreitung (Unterstützt → Widersprüche, keine Oszillation)
• Sybil-resistente Reputation: Neue Knoten starten bei 0, Delegation erforderlich, Reputationsausgaben
• Gitterausgerichtete Epochenreduktion mit materialisierter Verdichtung (Summaries überleben GC)
• Zykluserkennung (sortierte DFS) verhindert Konfidenzinflationsschleifen
• v0.3.0: Korrelationsbewusste Aggregation — geometrische Diskontierung für ko-lokalisierte Sensoren/LLMs
• v0.3.0: Atomare Zellenreduktion — Gruppierung nach (Epoche, Fingerabdruck, Zelle) für CRDT-Sicherheit
• v0.4.0: Deterministische semantische Topologien — SimHash-Einbettungen, autonome Kantenerzeugung
• 98-142x schneller als Subjective Logic / Dempster-Shafer (bitidentisch über Architekturen hinweg)

Vernetzung & Sicherheit

• Noise Protocol XX-verschlüsselte Sitzungen (standardmäßig aktiviert)
• Token-Bucket-Ratenbegrenzung pro Peer (ganzzahlige Arithmetik)
• O(1)-Gossip-Deduplizierung über HashSet + VecDeque
• TTL-Replay-Angriffserkennung mit Schutzschalter
• Sitzungs-LRU-Eviction (TTL + maximale Anzahl)
• Protokollversionsbereichsverhandlung für rollierende Upgrades

Entscheidungsmaschine & Konsens

• Ansteckbares DecisionEngine-Trait mit RuleEngine-Implementierung
• Hot-Reload-Regeln aus aimp_rules.json (kein Neustart erforderlich)
• BFT-Quorumsabstimmung mit persistenten verifizierten Entscheidungen
• Typisierte Payload-Enumeration pro Opcode (Typsicherheit zur Kompilierzeit)

Beobachtbarkeit

• Prometheus-Zähler, Messwerte und Latenzhistogramme
• Zusammengesetzter /health-Endpunkt mit Unterprüfungen und HTTP-Statuscodes
• Strukturierte SystemEvent-Protokollierung mit TUI-Dashboard

Betrieb

• Einheitliche AimpError-Typenhierarchie (keine Box<dyn Error> mehr)
• Konfigurationsvalidierung (lehnt ungültige Parameterkombinationen ab)
• Graceful Shutdown mit 5-Sekunden-Timeout
• Systemd-gehärtete Dienstdatei
• CI/CD: Lint, Test, Sicherheitsaudit, Dokumentation, plattformübergreifende Builds

Benchmarks

Gemessen mit Criterion auf Apple Silicon (M-Serie), Single-Threaded, fast-crypto-Modus:

Systemebene

Simulierter 5-Knoten-Cluster mit Anti-Entropie-Synchronisation (In-Process, Apple Silicon):

Netzwerkbeeinträchtigung (netem-Simulation)

Konvergenz unter simuliertem Paketverlust, Latenz und Partitionen (5 Knoten, 50 Mutationen/Knoten):

AIMP konvergiert bis zu ~80 % Paketverlust innerhalb weniger Anti-Entropie-Runden und degradiert dabei anmutig.

Plattformübergreifend (ARM64, ressourcenbeschränkt)

Docker ARM64 Linux mit RPi-klassischen Ressourcenbeschränkungen:

Selbst auf RPi-Zero-Klasse-Hardware liegt der Durchsatz 3 Größenordnungen über der Ratenbegrenzung.

Vergleich mit Automerge v0.7

Gleiche Hardware, gleiche Operationen, Single-Threaded, target-cpu=native:

AIMP mit ring übertrifft Automerge um das 1,37-fache bei Mutationen (mit Ed25519 pro Schreibzugriff) und um das 2,4-fache beim Merge. Yrs ist am schnellsten bei Mutationen (keine Krypto), aber AIMP-Merge liegt innerhalb von 26 % von Yrs.

# ring-Backend für maximalen Durchsatz aktivieren
RUSTFLAGS="-C target-cpu=native" cargo run --release --features fast-crypto,fast-alloc

Führen Sie Benchmarks lokal aus:

cargo bench --manifest-path aimp_node/Cargo.toml             # Mikro-Benchmarks
cargo run --release -p aimp_node --example bench_convergence  # System-Benchmarks
cargo run --release -p aimp_node --example bench_netem        # Netzwerkbeeinträchtigung
docker build -f Dockerfile.bench -t aimp-bench . && \
  docker run --rm --memory=1g --cpus=1 aimp-bench             # ARM64 beschränkt

Formale Verifikation (TLA+)

L2 — CRDT-Konvergenz

TLC erkundete 46.063 Zustände (9.558 unterschiedliche) bis Tiefe 16 in <1 Sekunde mit 10 parallelen Workern und null Verstößen. Gefundene Fehler: 2 Korrektheitsfehler (Out-of-Order-Heads, Quorum-Doppelwahl). Beide behoben.

L3 — Glaubenskonvergenz

Vollständige eingeschränkte Verifikation: 199.902 Konfigurationen (5 Eigenschaften, bis N=6 Knoten). Gefundene Fehler: 1 Fehler in der Vertrauensausbreitungsformel (t_{k+1} = t_k + At_k vs. korrekt t_{k+1} = t_0 + At_k). Behoben.

Schnellstart

1. Knoten ausführen

cargo run -- --port 1337 --name node1

2. Python-CLI

cd aimp_testbed
pip install -e .
aimp-cli health --target 127.0.0.1 --metrics-port 9090
aimp-cli infer "Überprüfen Sie den Ventildruck im Sektor Nord"

3. Tests und Benchmarks ausführen

make test                     # Eigenschaftsbasierte + Integrationstests
make bench                    # Criterion-Benchmarks
make lint                     # Formatierung + Clippy
make docs                     # Rustdoc generieren

Edge-Bereitstellung

AIMP ist als einzelne statische Binärdatei ohne Laufzeitabhängigkeiten konzipiert. Kein Docker, keine Container-Laufzeit, keine JVM.

Schnelle Bereitstellung (Bare Metal)

# Binärdatei für Ihre Architektur herunterladen
curl -LO https://github.com/fabriziosalmi/aimp/releases/latest/download/aimp_node-aarch64-linux
chmod +x aimp_node-aarch64-linux

# Als systemd-Dienst installieren
sudo deploy/install.sh ./aimp_node-aarch64-linux

# Starten
sudo systemctl start aimp-node
curl localhost:9090/health

Aus Quellcode plattformübergreifend kompilieren

make install-cross-targets   # Einmalig: musl-Ziele installieren
make edge-arm64              # ARM64 (RPi 4/5, Jetson, Graviton)
make edge-armv7              # ARMv7 (RPi 2/3, industrielle SPS)
make edge-x86                # x86_64 (Edge-Gateways)
make edge-all                # Alle drei

Firecracker-MicroVM (Multi-Tenant-Isolation)

Für Edge-Gateways mit mehreren nicht vertrauenswürdigen Workloads:

sudo make microvm-rootfs     # Erstellt ~15 MB Alpine Rootfs mit AIMP
firecracker --no-api --config-file deploy/firecracker/vm-config.json

Boot-Zeit: ~125 ms. Speicher: 64 MB. vCPU: 1.

Systemd-Dienst

Die enthaltene Dienstdatei (deploy/systemd/aimp-node.service) bietet:

Konfiguration

Die Konfiguration wird geladen aus (höchste Priorität zuerst):

1. CLI-Argumente (--port, --name)
2. Umgebungsvariablen (AIMP_PORT, AIMP_NOISE_REQUIRED, AIMP_PEER_RATE_LIMIT, ...)
3. aimp.toml-Datei (optional)
4. Hartcodierte Standardwerte

Datenfluss

graph TD
    UDP[UDP-Socket] -->|Envelope| RL[Ratenbegrenzer]
    RL -->|Zugelassen| NP[Noise-Protokoll]
    NP -->|Entschlüsseln| FW[Sicherheits-Firewall]
    FW -->|Gültig| BP[Backpressure-Semaphore]
    BP -->|Erlaubnis| Parser[Protokoll-Parser]
    Parser -->|AimpData| CRDT[CRDT-Akteur]
    CRDT -->|Mutation| DAG[Merkle-DAG + redb]
    DAG -->|Bereinigen| GC[Epochen-GC]
    CRDT -->|Auswertungsanfrage| DE[Entscheidungsmaschine]
    DE -->|Entscheidung + Evidenz| CRDT
    CRDT -->|Quorumsabstimmung| QM[QuorumManager]

Verwandte Arbeiten

AIMP baut auf Konzepten aus den folgenden Bereichen der verteilten Systemforschung auf:

• CRDTs — Shapiro et al., "A Comprehensive Study of Convergent and Commutative Replicated Data Types" (INRIA, 2011)
• Merkle-CRDTs — Kleppmann & Howard, "Byzantine Eventual Consistency and the Fundamental Limits of Peer-to-Peer Databases" (2022)
• BFT-Konsens — Castro & Liskov, "Practical Byzantine Fault Tolerance" (OSDI, 1999)
• Bayessche Aggregation — Jaynes, "Probability Theory: The Logic of Science" (2003); Log-Odds-Arithmetik für Glaubensfusion
• Vertrauensnetzwerke — Kamvar et al., "The EigenTrust Algorithm for Reputation Management in P2P Networks" (WWW, 2003)
• Subjektive Logik — Jøsang, "Subjective Logic: A Formalism for Reasoning Under Uncertainty" (Springer, 2016)
• Copulas — Nelsen, "An Introduction to Copulas" (Springer, 2006); Korrelationsmodellierung für abhängige Evidenz
• Noise-Protokoll — Perrin, "The Noise Protocol Framework" (2018); verwendet über die snow-Crate für das XX-Handshake-Muster
• Gossip-Protokolle — Demers et al., "Epidemic Algorithms for Replicated Database Maintenance" (1987)
• Merkle-Bäume — Merkle, "A Digital Signature Based on a Conventional Encryption Function" (CRYPTO, 1987)
• Vektoruhren — Mattern, "Virtual Time and Global States of Distributed Systems" (1988)

Lizenz

MIT — Fabrizio Salmi, 2026.