C4-META System v1.0.0 (Forschungsprototyp)

Forschungsprototyp für mehrschichtige KI-Abwehr: C4-Erklärbarkeit, Ensemble-Klassifikatoren, Deobfuskierung, O₂-Sicherheits-Engine, ThoughtVirus-Abwehr und SVETILO-Werteausrichtung. Alpha-Status — intern validiert, externes Audit ausstehend.

Version: 1.0.0-alpha | Status: Forschungsprototyp | Lizenz: BSL 1.1 (nicht-produktiv kostenlos; Produktion → kommerziell)

Autor: I.G. Selyutin. C4-META-Modell-Koautor: N.I. Kovalev.
Produktidentität (2026-08): BSL-Forschungsprototyp mit kommerzieller Tiefe eines schwereren mehrschichtigen C4-Abwehr-Stacks (Ensemble, O₂-Scaffolding, Red-Team-Labor), basierend auf Apache-2.0 c4protocol.
Kein zweites offenes Protokoll. Keine zertifizierte AGI-Abwehr für die Produktion. Nicht „v8 FINAL“.
Ehrlichkeits-Audit: docs/AUDIT-c4-meta-system-2026-08.md.
Hochstufungspfad: docs/PROMOTE-FROM-PROTOCOL.md (c4protocol konsumieren/pinnen; kein Ensemble-Dump in das dünne SDK).
GitLab Pages = public/ (EN + public/ru/). Nachweis für offene Laufzeit: make conformance in c4protocol.

---

🎯 Überblick

C4-META System ist ein Forschungsprototyp für mehrschichtige KI-Abwehr, der Folgendes implementiert:

4-Schichten-Abwehrarchitektur

Input Sanitization → Semantic Analysis → Behavioral Analysis → Meta-Observer (O₂)

• Schicht 1 — Eingabebereinigung: Deobfuskierungs-Pipeline (Leetspeak, 90+ Unicode-Homoglyphen, Zero-Width-Zeichen, RTL-Override, Base64/ROT13)
• Schicht 2 — Semantische Analyse: 4-Klassifikator-Ensemble-Abstimmung (ONNX BERT + RuleBased + Heuristik + LLM-Semantik)
• Schicht 3 — Verhaltensanalyse: AoC-Abwehrmodule, Mustererkennung, Erkennung von Trajektorien-Anomalien
• Schicht 4 — Meta-Beobachter (O₂): Transferentropie, BFT-Konsens, semantische Verschränkung, Analyse kausaler Graphen

Hauptfunktionen

• 4-Klassifikator-Ensemble-Abstimmung — ONNX BERT + RuleBased (80+ Muster) + Heuristik (32 Gefahrenwörter) + LLM-Semantik (Ollama/DeepSeek)
• Duale Klassifikator-ODER-Logik: BERT-semantisch + RuleBased-Schlüsselwortklassifikator mit ODER-Fallback — kein Single Point of Failure
• 16 AoC-Abwehrmodule — 11 klassische + 5 erweiterte (heuristisch/Labor; kein Anspruch darauf, „alle Multi-Agenten-Fehler gelöst zu haben“)
• ThoughtVirus-Abwehr — Zweischichtige Abwehr (Regex-Mustererkennung + C4-Trajektorienanalyse). Inspiriert von arXiv:2603.00131 (Multi-Agent Security Initiative; nicht Microsoft)(https://arxiv.org/abs/2603.00131)
• SVETILO — 7 heuristische Siegel über value_verification.py (kein trainiertes Ethikmodell)
• C4-Erklärbarkeit (T,S,A) — Analyse kognitiver Koordinaten über quantisiertes ONNX-Modell (737KB, ~50ms)
• O₂-Scaffolding — Forschungsmodule; der BFT-Pfad ist eine beratende Simulation, keine produktive byzantinische FT
• Deobfuskierung — Leetspeak, 90+ Unicode-Homoglyphen, Zero-Width-Zeichen, RTL-Override, Base64/ROT13
• Red-Team-Labor — Wissenschaftliches Kontroll-/Behandlungsdesign, exakter Fisher-Test, Cohens d, Bootstrap-Konfidenzintervall
• Scanner für subliminale Inhalte — Erkennt Token→Konzept-Zuordnungen
• Multi-Turn-Jailbreak-Erkennung — Sitzungsbasierte Eskalationsverfolgung
• Docker/K8s-Bereitstellung — Containerisierte Multi-Node-Bereitstellung

---

🏗 Architektur

┌──────────────────────────────────────────────┐
│  LAYER 1: Input Sanitization                 │
│  Deobfuscation (homoglyphs, leetspeak, etc.) │
├──────────────────────────────────────────────┤
│  LAYER 2: Semantic Analysis                  │
│  4-Classifier Ensemble: ONNX_BERT (~50ms)    │
│  + RuleBased + Heuristic + LLM_SEMANTIC      │
│  Dual classifier OR-logic (BERT+RuleBased)   │
├──────────────────────────────────────────────┤
│  LAYER 3: Behavioral Analysis                │
│  16 AoC Defense Modules (11 original + 5     │
│  extended), Pattern matching, Trajectory     │
│  anomaly detection, ThoughtVirus defense     │
├──────────────────────────────────────────────┤
│  LAYER 4: Meta-Observer (O₂)                 │
│  Transfer entropy, BFT consensus,            │
│  semantic entanglement, causal graphs,       │
│  Kill-Switch, SVETILO value verification     │
├──────────────────────────────────────────────┤
│  C4 Core Engine (Z₃³)                        │
│  pipeline_orchestrator.py, event_bus.py      │
│  c4_meta_monitor.py — self-awareness deque  │
├──────────────────────────────────────────────┤
│  Defenses: Anti-Deadlock, Anti-Emergence,    │
│  Anti-Hijack, Circuit Breaker, O₂ Kill-Switch│
├──────────────────────────────────────────────┤
│  Red Team Lab: AOC scenarios, experiment     │
│  runner, LLM client, adapters                │
├──────────────────────────────────────────────┤
│  Routing: Smart Router, Quarantine,          │
│  Antifragile Scoring (capped growth)         │
└──────────────────────────────────────────────┘

4 Klassifikatoren stimmen ab:

• ONNX_BERT: C4-kognitive Koordinaten (T,S,A) über quantisiertes Modell (737KB, ~50ms)
• RuleBased: 80+ Regex-Muster für Injection, Jailbreak, Rollenspiel, Autoritätsumgehung
• Heuristik: 32 Gefahrenwörter + C4-Achsenanalyse + Metrik für semantische Dichte
• LLM_SEMANTIC: Ollama/DeepSeek — semantische Angriffsklassifizierung (~300ms)

Duale Klassifikator-ODER-Logik: BERT + RuleBased fungieren als primäres Tor mit ODER-Fallback — wenn einer der beiden die Eingabe markiert, wird sie an die Abwehrschichten weitergeleitet. Kein einzelner Klassifikator ist ein Engpass.

---

📁 Projektstruktur