AIMP — Protocollo AI Mesh

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.

Articoli

#	Versione	Titolo	Link
1	v0.1.0	Protocollo Merkle-CRDT (L1/L2)	ResearchGate
2	v0.2.0	Livello Epistemico (L3)	ResearchGate
3	v0.3.0	Aggregazione Sensibile alla Correlazione (L3)	ResearchGate
4	v0.4.0	Topologie Semantiche Deterministiche (L3)	ResearchGate

Profili autore: ResearchGate · ResearchHub

Stack di Protocollo

Livello	Versione	Scopo
L1/L2	v0.1.0	CRDT Merkle-DAG, firma Ed25519, trasporto Noise Protocol, quorum BFT
L3	v0.2.0	Livello Epistemico: log-odds interi, propagazione della fiducia a due passaggi, reputazione resistente ai Sybil
L3	v0.3.0	Aggregazione Sensibile alla Correlazione: sconto geometrico per sensori/LLM correlati
L3	v0.4.0	Topologie Semantiche Deterministiche: generazione autonoma di archi tramite SimHash 256-bit

Novità

v0.4.0 — Topologie Semantiche Deterministiche

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

Le affermazioni portano un QuantizedEmbedding([u64; 4]) opzionale — un SimHash 256-bit calcolato lato applicazione da un modello di embedding canonico.
Ad ogni confine di epoca, il protocollo calcola le distanze di Hamming a coppie (XOR + popcount, ~1 ns per coppia) e emette archi Supporta per coppie vicine (d <= 30 bit) e archi Contraddice 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 tetto max_k_arest limita la densità degli archi a O(N), prevenendo l'esplosione della propagazione della fiducia.
embedding_version: u32 isola spazi latenti disgiunti per aggiornamenti di modello a livello di protocollo.
Gli archi automatici sono materializzati tramite gossip L2, sopravvivendo alla GC tramite Routing Olografico.
Zona morta (31-199 bit) orfana affermazioni ambigue — isolamento epistemologicamente corretto.

// Scoperta autonoma della verità: 10.000 affermazioni → scansione 50 ms, archi O(N)
// Nessun float. Nessuna coordinazione. Nessuna autorità centrale.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Aggregazione delle Credenze Sensibile alla Correlazione

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

v0.3.0 introduce lo Sconto di Correlazione per Cella Griglia:

Ogni affermazione 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 circa ~1.42x l'evidenza di un singolo sensore — indipendentemente da N. L'approccio ingenuo produrrebbe un'amplificazione Nx.
La sfida dell'associatività CRDT (il decadimento geometrico non è associativo tra unioni parziali) è risolta architetturalmente: la riduzione per epoca raggruppa per (temporal_grid, fingerprint, correlation_cell), garantendo un calcolo atomico sull'insieme completo.
Le affermazioni con correlation_cell: None si comportano identicamente a v0.2.0 (zero regressione).
Tutta l'aritmetica è solo intera (i32/i64, punti base). Nessun float. Pronto per ZK.

// 100 sensori co-localizzati, 70% di confidenza ciascuno:
// v0.2.0 (ingenuo):  100 × 847 = 84.700 milli-log-odds → ~100% (iper-confidente)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1.207 milli-log-odds → ~77% (realistico)

Architettura

aimp_node/          Implementazione di riferimento in Rust (membro del workspace Cargo)
  src/
    crdt/           Motore Merkle-DAG, modello attore, allocatore arena, consenso quorum
    crypto/         Identità Ed25519, hashing BLAKE3, firewall zero-trust
    network/        Gossip UDP, sessioni Noise Protocol XX, limitazione di velocità per peer
    protocol/       Formato wire (MessagePack), enum di payload tipizzato
    epistemic.rs    Livello Epistemico L3 (v0.3.0): log-odds, propagazione fiducia, sconto correlazione
    semantic_topology.rs  Topologia Semantica L3 (v0.4.0): embedding SimHash, generazione archi automatica
    decision_engine.rs  Motore decisionale deterministico pluggable (trait + motore regole + hot-reload)
    error.rs        Gerarchia unificata del tipo AimpError
    dashboard/      TUI Ratatui
    config.rs       Configurazione dinamica con validazione
    event/          Log strutturato + metriche Prometheus (contatori + istogrammi)
  tests/            Test di integrazione
  benches/          Benchmark Criterion
aimp_testbed/       SDK Python (aimp-client) + strumento CLI + test di caos
deploy/             Servizio systemd, microVM Firecracker, script di installazione
formal/             Specifica TLA+ per convergenza + sicurezza del quorum + convergenza delle credenze
docs/               Articolo 1 (sorgente Typst + PDF)
v0.2.0/             Articolo 2: Livello Epistemico (sorgente Typst + PDF)
v0.3.0/             Articolo 3: Aggregazione Sensibile alla Correlazione (sorgente Typst + PDF)

Vantaggi Strategici

Caratteristica	AIMP (Merkle-CRDT)	Tradizionale (Raft/Paxos)
Topologia	Mesh P2P / Decentralizzato	Leader / Quorum
Disponibilità	AP (Sempre Scrivibile)	CP (Richiede Maggioranza)
Ordinamento	Causale (Orologi Vettoriali)	Totale (Sequenziale)
Integrità	Crittografica (Merkle-DAG)	Basato su log
Hardware	Ottimizzato per Edge/IoT	Grado Data Center

aimp

Più Popolari