AIMP — AI Mesh Protocol

Un protocollo di rete sperimentale e serverless per la sincronizzazione resiliente dello stato tra agenti autonomi in reti frammentate e a bassa larghezza di banda. Basato su Merkle-CRDT e identità crittografica — nessuna autorità centrale, nessun DNS globale, sempre scrivibile.

Pubblicazioni

#	Versione	Titolo	Link
1	v0.1.0	Merkle-CRDT Protocol (L1/L2)	ResearchGate
2	v0.2.0	Epistemic Layer (L3)	ResearchGate
3	v0.3.0	Correlation-Aware Aggregation (L3)	ResearchGate
4	v0.4.0	Deterministic Semantic Topologies (L3)	ResearchGate

Profili autore: ResearchGate · ResearchHub

Stack del Protocollo

Livello	Versione	Scopo
L1/L2	v0.1.0	Merkle-DAG CRDT, firma Ed25519, trasporto Noise Protocol, quorum BFT
L3	v0.2.0	Epistemic Layer: log-odds interi, propagazione della fiducia a due passaggi, reputazione resistente ai Sybil
L3	v0.3.0	Correlation-Aware Aggregation: sconto geometrico per sensori/LLM correlati
L3	v0.4.0	Deterministic Semantic Topologies: generazione autonoma di archi tramite SimHash a 256 bit

Novità

v0.4.0 — Deterministic Semantic Topologies

L3 v0.3.0 richiedeva alle applicazioni di costruire manualmente il grafo della conoscenza (archi Supports/Contradicts). v0.4.0 elimina questo collo di bottiglia con la generazione autonoma degli archi:

Le claim portano un QuantizedEmbedding([u64; 4]) opzionale — un SimHash a 256 bit calcolato lato applicazione da un modello di embedding canonico.
A ogni confine di epoca, il protocollo calcola le distanze di Hamming a coppie (XOR + popcount, ~1 ns per coppia) ed emette archi Supports per coppie vicine (d <= 30 bit) e archi Contradicts per coppie distanti (d >= 200 bit).
La forza dell'arco scala linearmente con la distanza in punti base (d=0 → 10000 bps, d=30 → 1000 bps).
Un limite max_k_nearest vincola la densità degli archi a O(N), prevenendo l'esplosione della propagazione della fiducia.
embedding_version: u32 isola spazi latenti disgiunti per aggiornamenti del modello a livello di protocollo.
Gli archi automatici sono materializzati tramite gossip L2, sopravvivendo al GC tramite Holographic Routing.
La zona morta (31-199 bit) isola le claim ambigue — isolamento epistemologicamente corretto.

// 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 — Correlation-Aware Belief Aggregation

L3 v0.2.0 assume che tutte le fonti di evidenza siano statisticamente indipendenti (Naive Bayes). Questo produce un'iper-confidenza patologica quando sensori fisicamente correlati (es. 100 dispositivi IoT sullo stesso tetto) o agenti semanticamente correlati (es. LLM fine-tuned sullo stesso dataset) riportano osservazioni concordanti.

v0.3.0 introduce il Grid-Cell Correlation Discounting:

Ogni claim porta un CorrelationCell(u64) opzionale — una coordinata discreta per prossimità spaziale, semantica o temporale.
All'interno di ogni cella, l'evidenza è classificata per forza e scontata geometricamente: la fonte più forte mantiene il 100% del peso; ogni fonte successiva riceve discount_bps^rank / 10000^rank (default 30%).
Con uno sconto del 30%, N sensori correlati convergono a ~1,42x l'evidenza di un singolo sensore — indipendentemente da N. L'approccio naive produrrebbe un'amplificazione di Nx.
La sfida dell'associatività del CRDT (il decadimento geometrico è non associativo attraverso merge parziali) è risolta architetturalmente: la riduzione per epoca raggruppa per (temporal_grid, fingerprint, correlation_cell), garantendo il calcolo atomico sull'insieme completo.
~~Le claim con correlation_cell: None si comportano in modo identico a v0.2.0 (zero regressioni).~~ Superato — vedi sotto.
Tutta l'aritmetica è solo intera (i32/i64, punti base). Nessun float. ZK-ready.

Breaking change in v0.5.0. correlation_cell: None non significa più "indipendente, peso pieno". Omettere il campo era strettamente vantaggioso — misurato, l'occultamento pagava 70,3x rispetto alla divulgazione onesta, quindi un partecipante razionale non dichiarava mai una cella e lo sconto sopra era banalmente aggirato. L'indipendenza deve ora essere sostanziata anziché asserita: l'indipendenza non verificata è limitata, mentre l'indipendenza supportata da un cluster di embedding distinto continua ad accumularsi a peso pieno. Vedi la sezione L3 sotto Novità e 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)

Architettura

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

Più Popolari