AIMP — Protocolo de Malla de IA

Un protocolo de red experimental y sin servidor para la sincronización resiliente de estado entre agentes autónomos en redes fragmentadas y de bajo ancho de banda. Construido sobre Merkle-CRDTs e identidad criptográfica — sin autoridad central, sin DNS global, siempre escribible.

Artículos

#	Versión	Título	Enlace
1	v0.1.0	Protocolo Merkle-CRDT (L1/L2)	ResearchGate
2	v0.2.0	Capa Epistémica (L3)	ResearchGate
3	v0.3.0	Agregación Consciente de Correlación (L3)	ResearchGate
4	v0.4.0	Topologías Semánticas Deterministas (L3)	ResearchGate

Perfiles del autor: ResearchGate · ResearchHub

Pila de Protocolos

Capa	Versión	Propósito
L1/L2	v0.1.0	Merkle-DAG CRDT, firma Ed25519, transporte Noise Protocol, quórum BFT
L3	v0.2.0	Capa Epistémica: log-odds enteros, propagación de confianza en dos pasadas, reputación resistente a Sybil
L3	v0.3.0	Agregación Consciente de Correlación: descuento geométrico para sensores/LLMs correlacionados
L3	v0.4.0	Topologías Semánticas Deterministas: generación autónoma de aristas mediante SimHash de 256 bits

Novedades

v0.4.0 — Topologías Semánticas Deterministas

L3 v0.3.0 requería que las aplicaciones construyeran manualmente el grafo de conocimiento (aristas Supports/Contradicts). v0.4.0 elimina este cuello de botella con generación autónoma de aristas:

Las afirmaciones llevan un QuantizedEmbedding([u64; 4]) opcional — un SimHash de 256 bits calculado del lado de la aplicación a partir de un modelo de embeddings canónico.
En cada límite de época, el protocolo calcula distancias de Hamming por pares (XOR + popcount, ~1 ns por par) y emite aristas Supports para pares cercanos (d <= 30 bits) y aristas Contradicts para pares distantes (d >= 200 bits).
La fuerza de la arista escala linealmente con la distancia en puntos base (d=0 → 10000 bps, d=30 → 1000 bps).
Un límite max_k_nearest acota la densidad de aristas a O(N), previniendo la explosión de la propagación de confianza.
embedding_version: u32 aísla espacios latentes disjuntos para actualizaciones de modelo a nivel de protocolo.
Las auto-aristas se materializan mediante gossip L2, sobreviviendo al GC mediante Holographic Routing.
La zona muerta (31-199 bits) deja huérfanas las afirmaciones ambiguas — aislamiento epistemológicamente correcto.

// 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 — Agregación de Creencias Consciente de Correlación

L3 v0.2.0 asume que todas las fuentes de evidencia son estadísticamente independientes (Naive Bayes). Esto produce una hiperconfianza patológica cuando sensores físicamente correlacionados (p. ej., 100 dispositivos IoT en el mismo tejado) o agentes semánticamente correlacionados (p. ej., LLMs ajustados con el mismo conjunto de datos) reportan observaciones concordantes.

v0.3.0 introduce el Descuento de Correlación por Celda de Rejilla:

Cada afirmación lleva un CorrelationCell(u64) opcional — una coordenada discreta para proximidad espacial, semántica o temporal.
Dentro de cada celda, la evidencia se clasifica por fuerza y se descuenta geométricamente: la fuente más fuerte retiene el 100% del peso; cada fuente subsiguiente recibe discount_bps^rank / 10000^rank (30% por defecto).
Con un descuento del 30%, N sensores correlacionados convergen a ~1.42x la evidencia de un solo sensor — independientemente de N. El enfoque ingenuo produciría una amplificación de Nx.
El desafío de asociatividad del CRDT (el decaimiento geométrico no es asociativo entre fusiones parciales) se resuelve arquitectónicamente: la reducción por época agrupa por (temporal_grid, fingerprint, correlation_cell), garantizando cómputo atómico sobre el conjunto completo.
~~Las afirmaciones con correlation_cell: None se comportan idénticamente a v0.2.0 (cero regresión).~~ Reemplazado — ver abajo.
Toda la aritmética es solo de enteros (i32/i64, puntos base). Sin flotantes. Listo para ZK.

Cambio disruptivo en v0.5.0. correlation_cell: None ya no significa "independiente, peso completo". Omitir el campo era estrictamente ventajoso — medido, la ocultación pagaba 70.3x sobre la divulgación honesta, por lo que un participante racional nunca declaraba una celda y el descuento anterior se eludía trivialmente. La independencia ahora debe ser sustanciada en lugar de afirmada: la independencia no verificada está acotada, mientras que la independencia respaldada por un clúster de embeddings distinto aún acumula a peso completo. Ver la sección L3 bajo Novedades y 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)

Arquitectura

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

Más Populares