NeuroSwarm Protocol (NSP) и Adaptive Entropy-Weighted Strength Index (AEWSI)

1. Протокол NeuroSwarm (NSP): децентрализованный обмен между ИИ-агентами через BitTorrent

Современные исследования подтверждают, что BitTorrent-подобные оверлеи способны служить транспортным уровнем для взаимодействия автономных ИИ-агентов. Ключевое отличие от классического файлообмена: агенты обмениваются не статическим контентом, а гетерогенными возможностями и действиями, зависящими от состояния.

Архитектура NSP состоит из трёх плоскостей:

· Плоскость идентификации и связности. Каждый агент генерирует пару ключей Ed25519 при первом запуске. Идентификатор агента — SHA-1 хеш публичного ключа, аналогично torrent node id. DHT-сеть на базе Kademlia (с использованием XOR-метрики) обеспечивает поиск пиров без трекеров. Это стандартный подход, применяемый в Archipel Protocol и AgentTorrent.

· Плоскость обнаружения возможностей. Агент публикует в DHT подписанный дескриптор возможностей — JSON-манифест с указанием доступных инструментов, моделей и лимитов. Дескрипторы имеют «мягкое состояние» (soft-state): устаревают через заданный TTL и обновляются без центрального координатора.

· Плоскость исполнения и верификации. Обмен задачами и результатами происходит через BitTorrent-чанки. Каждое сообщение — подписанный JSON-конверт. Задача разбивается на блоки фиксированного размера (например, 256 КБ) с верификацией через дерево Меркла. Результат выполнения задачи публикуется как «файл-артефакт» с magnet-ссылкой, которую получатель скачивает через swarm. Для предотвращения злоупотреблений используется трёхуровневая верификация: репутационные сигналы → canary-челленджи → пакеты доказательств (подписанные трассировки вызовов инструментов).

Практическая реализуемость. Прототип AgentTorrent уже демонстрирует end-to-end сценарий: один пир делегирует задачу другому, который выполняет её на реальной локальной LLM (llama.cpp + Qwen2.5-0.5B) без облачных API. HMP (HyperCortex Mesh Protocol) реализует обмен когнитивными снимками через BitTorrent с валидацией подписи через DID-реестр.

---

2. Adaptive Entropy-Weighted Strength Index (AEWSI): формула, превосходящая RSI

Классический RSI имеет принципиальное ограничение: фиксированное окно усреднения и статические пороги 70/30, что приводит к ложным сигналам в трендовых и волатильных режимах. Предлагаемый индекс AEWSI устраняет этот недостаток через адаптивное взвешивание по энтропии рыночного режима.

2.1. Базовые компоненты

Для каждого бара t вычисляются «сила вверх» и «сила вниз»:

SU_t = \max(C_t - C_{t-1}, 0), \quad SD_t = \max(C_{t-1} - C_t, 0)

где C_t — цена закрытия.

2.2. Измерение энтропии режима

Нормированная энтропия Шеннона по распределению знаков изменений за окно N :

H_t = -\frac{1}{\log 3}\sum_{k=1}^{3} p_k \log p_k

где p_1, p_2, p_3 — доли положительных, отрицательных и нулевых изменений в окне. H_t \in [0, 1] : низкая энтропия — структурированный тренд, высокая — шум.

2.3. Адаптивный коэффициент сглаживания

\alpha_t = \alpha_{\min} + (1 - H_t)(\alpha_{\max} - \alpha_{\min})

При \alpha_{\min} = 0.05 , \alpha_{\max} = 0.30 . В тренде ( H_t \to 0 ) сглаживание становится быстрым, в шуме ( H_t \to 1 ) — медленным.

2.4. Экспоненциально-адаптивные средние

\overline{SU}_t = \alpha_t \cdot SU_t + (1 - \alpha_t) \cdot \overline{SU}_{t-1}

\overline{SD}_t = \alpha_t \cdot SD_t + (1 - \alpha_t) \cdot \overline{SD}_{t-1}

2.5. Итоговая формула AEWSI

\text{AEWSI}_t = 100 \cdot \frac{\overline{SU}_t}{\overline{SU}_t + \overline{SD}_t}

Отличие от RSI: знаменатель использует сумму, а не отношение, что даёт устойчивость к выбросам и корректное поведение при \overline{SD}_t = 0 .

2.6. Почему AEWSI превосходит RSI

Критерий RSI AEWSI

Окно усреднения Фиксированное Адаптивное по энтропии

Реакция в тренде Запаздывание Ускорение (низкая H )

Реакция в шуме Ложные сигналы Подавление (высокая H )

Устойчивость к выбросам Средняя Высокая (сумма в знаменателе)

Формула не требует обучения, работает на потоковых данных и совместима с любым таймфреймом — от тиковых данных до дневных баров.