AIMP — AI Mesh Protocol

Um protocolo de rede experimental e sem servidor para sincronização resiliente de estado entre agentes autónomos em redes fragmentadas e de baixa largura de banda. Construído sobre Merkle-CRDTs e identidade criptográfica — sem autoridade central, sem DNS global, sempre escrevível.

Artigos

#	Versão	Título	Link
1	v0.1.0	Protocolo Merkle-CRDT (L1/L2)	ResearchGate
2	v0.2.0	Camada Epistémica (L3)	ResearchGate
3	v0.3.0	Agregação Sensível à Correlação (L3)	ResearchGate
4	v0.4.0	Topologias Semânticas Determinísticas (L3)	ResearchGate

Perfis do autor: ResearchGate · ResearchHub

Pilha de Protocolo

Camada	Versão	Objetivo
L1/L2	v0.1.0	Merkle-DAG CRDT, assinatura Ed25519, transporte Noise Protocol, quórum BFT
L3	v0.2.0	Camada Epistémica: log-odds inteiros, propagação de confiança em duas passagens, reputação resistente a Sybil
L3	v0.3.0	Agregação Sensível à Correlação: desconto geométrico para sensores/LLMs correlacionados
L3	v0.4.0	Topologias Semânticas Determinísticas: geração autónoma de arestas via SimHash de 256 bits

Novidades

v0.4.0 — Topologias Semânticas Determinísticas

A L3 v0.3.0 exigia que as aplicações construíssem manualmente o grafo de conhecimento (arestas de Suporta/Contradiz). A v0.4.0 elimina este gargalo com geração autónoma de arestas:

As afirmações carregam um QuantizedEmbedding([u64; 4]) opcional — um SimHash de 256 bits calculado no lado da aplicação a partir de um modelo de incorporação canónico.
A cada limite de época, o protocolo calcula distâncias de Hamming aos pares (XOR + popcount, ~1 ns por par) e emite arestas de Suporte para pares próximos (d <= 30 bits) e arestas de Contradição para pares distantes (d >= 200 bits).
A força da aresta escala linearmente com a distância em pontos base (d=0 → 10000 bps, d=30 → 1000 bps).
Um limite max_k_nearest limita a densidade de arestas a O(N), evitando a explosão da propagação de confiança.
embedding_version: u32 isola espaços latentes disjuntos para atualizações de modelo ao nível do protocolo.
As auto-arestas são materializadas via gossip L2, sobrevivendo à GC via Roteamento Holográfico.
Zona morta (31-199 bits) abandona afirmações ambíguas — isolamento epistemologicamente correto.

// Descoberta autónoma da verdade: 10.000 afirmações → digitalização de 50 ms, arestas O(N)
// Sem floats. Sem coordenação. Sem autoridade central.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Agregação de Crenças Sensível à Correlação

A L3 v0.2.0 assume que todas as fontes de evidência são estatisticamente independentes (Naive Bayes). Isto produz hiperconfiança patológica quando sensores fisicamente correlacionados (ex.: 100 dispositivos IoT no mesmo telhado) ou agentes semanticamente correlacionados (ex.: LLMs ajustados no mesmo conjunto de dados) reportam observações concordantes.

A v0.3.0 introduz Desconto de Correlação por Célula de Grelha:

Cada afirmação carrega um CorrelationCell(u64) opcional — uma coordenada discreta para proximidade espacial, semântica ou temporal.
Dentro de cada célula, a evidência é classificada por força e descontada geometricamente: a fonte mais forte retém 100% do peso; cada fonte subsequente recebe discount_bps^rank / 10000^rank (padrão 30%).
Com desconto de 30%, N sensores correlacionados convergem para ~1.42x a evidência de um único sensor — independentemente de N. A abordagem ingénua produziria amplificação Nx.
O desafio de associatividade do CRDT (decadência geométrica não é associativa entre mesclagens parciais) é resolvido arquitetonicamente: a redução de época agrupa por (temporal_grid, fingerprint, correlation_cell), garantindo computação atómica no conjunto completo.
Afirmações com correlation_cell: None comportam-se de forma idêntica à v0.2.0 (regressão zero).
Toda a aritmética é inteira (i32/i64, pontos base). Sem floats. Pronto para ZK.

// 100 sensores co-localizados, 70% de confiança cada:
// v0.2.0 (ingénuo):  100 × 847 = 84.700 mili-log-odds → ~100% (hiperconfiante)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1.207 mili-log-odds → ~77% (realista)

Arquitetura

aimp_node/          Implementação de referência em Rust (membro do workspace Cargo)
  src/
    crdt/           Motor Merkle-DAG, modelo de ator, alocador arena, consenso de quórum
    crypto/         Identidade Ed25519, hash BLAKE3, firewall de confiança zero
    network/        Gossip UDP, sessões Noise Protocol XX, limitação de taxa por par
    protocol/       Formato de fio (MessagePack), enum de payloads tipadas
    epistemic.rs    Camada Epistémica L3 (v0.3.0): log-odds, propagação de confiança, desconto de correlação
    semantic_topology.rs  Topologia Semântica L3 (v0.4.0): Embeddings SimHash, geração automática de arestas
    decision_engine.rs  Motor de decisão determinístico plugável (trait + motor de regras + recarga a quente)
    error.rs        Hierarquia unificada de tipos AimpError
    dashboard/      TUI Ratatui
    config.rs       Configuração dinâmica com validação
    event/          Registro estruturado + métricas Prometheus (contadores + histogramas)
  tests/            Testes de integração
  benches/         Benchmarks Criterion
aimp_testbed/       SDK Python (aimp-client) + ferramenta CLI + testes de caos
deploy/             Serviço Systemd, microVM Firecracker, script de instalação
formal/             Especificação TLA+ de convergência + segurança de quórum + convergência de crenças
docs/               Artigo 1 (fonte Typst + PDF)
v0.2.0/             Artigo 2: Camada Epistémica (fonte Typst + PDF)
v0.3.0/             Artigo 3: Agregação Sensível à Correlação (fonte Typst + PDF)

Vantagens Estratégicas

Característica	AIMP (Merkle-CRDT)	Tradicional (Raft/Paxos)
Topologia	Malha P2P / Descentralizada	Líder / Quórum
Disponibilidade	AP (Sempre Escrevível)	CP (Requer Maioria)
Ordenação	Causal (Relógios Vetoriais)	Total (Sequencial)
Integridade	Criptográfica (Merkle-DAG)	Baseada em log
Hardware	Otimizado para Edge/IoT	Nível de Data Center

aimp

Mais Populares