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.
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
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.
# 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
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):
- CLI-Argumente (
--port, --name)
- Umgebungsvariablen (
AIMP_PORT, AIMP_NOISE_REQUIRED, AIMP_PEER_RATE_LIMIT, ...)
aimp.toml-Datei (optional)- 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.
fabriziosalmi/aimp
