zeroday450/EIDOLON

# EIDOLON [](https://doi.org/10.5281/zenodo.20365831) [](https://opensource.org/licenses/MIT) ## 概述 EIDOLON 是一个概率推理引擎，在结构约束下将目标实体建模为信念图。每个节点代表一个具有贝叶斯先验、传播敏感性和认知不确定性的认知或行为特征。边具有类型化特征（determines、reveals、constrains、weakens），并具有自身的导电性。该引擎执行带有 Noisy-OR/AND 门、协同激活以及防振荡阻尼的 Loopy Belief Propagation，以计算联合概率分布。PIR Solver 通过最大化综合分数 [w₁·D + w₂·ΔH + w₃·T]（w₁=0.50, w₂=0.30, w₃=0.20），在数学上选择下一个最佳的认知压力，该分数结合了诊断约束信号 (D)、信息增益 (ΔH — Lindley 1956) 和拓扑破坏 (T)。Rigidity Model 模拟具有加工硬化 (work hardening) 和永久坍塌（节点在断裂后永远不会回到其初始状态）的抗变形能力。TemporalLayer 记录在顺序压力下图的完整轨迹，并将节点分类为不可压缩约束（resistanceScore > 0.65）、弹性约束或易变约束。最终的分析产物是目标依赖项的真实层级，这通过在定向负载下约束屈服的顺序来揭示。 该引擎执行 **Loopy Belief Propagation** (Pearl, 1988)，结合 Noisy-OR/AND 门、协同激活以及防振荡阻尼，以计算图上的联合概率分布。**PIR Solver** 通过综合标准 argmax [w₁·D + w₂·ΔH + w₃·T]（w₁=0.50, w₂=0.30, w₃=0.20）选择最佳刺激，结合了诊断约束信号 (D)、信息增益 (ΔH — Lindley 1956) 和拓扑破坏分数 (T)。纯粹的 argmax ΔH 标准 (MacKay 1992) 会偏向于易变节点；D 通过奖励目标阻力和上下文变形之间的对比度来纠正这一点，这是 EIDOLON 中核心的结构信号。**Rigidity Model** 模拟具有加工硬化和永久坍塌（节点在突破阈值后永远不会回到其初始状态）的抗变形能力。**TemporalLayer** 记录在顺序压力下图的完整轨迹，并将节点分类为不可压缩约束（resistanceScore > 0.65）、弹性或易变。 ## 架构 ``` src/ ├── engine/ │ ├── BeliefPropagation.ts # Loopy BP core — Noisy-OR/AND gates, damping, convergence │ ├── PIRSolver.ts # Pressure–Information–Response optimal stimulus selector │ ├── RigidityModel.ts # Deformation resistance, work hardening, permanent collapse │ ├── TemporalLayer.ts # Sequential pressure trajectory, node classification │ ├── PressureEngine.ts # Pressure application and propagation controller │ ├── PressureGenerator.ts # PressureEvent factory — typed, timestamped, immutable │ ├── BeliefTopology.ts # Persistent homology (H0+H1), bridge detection, topology analysis │ ├── SemanticAffinity.ts # Semantic affinity matrix for cross-domain propagation │ ├── PressureProfiles.ts # Preset pressure profiles for common analytical scenarios │ └── AnalyticConstants.ts # Single source of truth for shared classification thresholds ├── core/ │ └── domains/ # Domain knowledge base (JSON belief graphs — 20 domains) │ ├── geographic.json │ ├── linguistic.json │ ├── temporal.json │ ├── digital.json │ ├── social.json │ ├── behavioral.json │ ├── biological.json │ ├── cultural.json │ ├── professional.json │ ├── economic.json │ ├── psychological.json │ ├── ideological.json │ ├── interests.json │ ├── health.json │ ├── constraints.json │ ├── motivations.json │ ├── vulnerabilities.json │ ├── approach.json │ ├── technical.json │ └── identity.json ├── graph/ │ └── Graph.ts # Graph data structure and manipulation primitives ├── types/ # Shared TypeScript type definitions └── renderer/ # Electron renderer — interactive graph UI └── components/ scripts/ # Domain expansion and integrity validation scripts ``` ## 理论基础 | 组件 | 理论基础 | |---|---| | Belief Propagation | Pearl (1988) — *Probabilistic Reasoning in Intelligent Systems* | | Noisy-OR gates | Henrion (1987) — 实用的贝叶斯网络近似 | | Loopy BP convergence | Murphy et al. (1999) — 经验收敛分析 | | Rigidity / work hardening | Ludwik (1909), Hollomon (1945) — 幂律应变硬化；EIDOLON 使用线性近似 r_new = min(1, r + η·p)，η = 0.02，针对认知领域动态进行了校准 | | PIR 标准 | Lindley (1956) — 预期信息增益 ΔH(beliefs \| pressure)；EIDOLON 扩展了诊断约束信号 D 和拓扑破坏 T，形成复合公式 w₁·D + w₂·ΔH + w₃·T (w₁=0.50, w₂=0.30, w₃=0.20) | ## 安装说明 ``` npm install npm run dev # development mode (Electron) npm run build # production build npm test # run engine test suite ``` **环境要求：** Node.js ≥ 18，npm ≥ 9 ## 引擎参数 | 参数 | 描述 | 默认值 | |---|---|---| | `damping` | 防振荡阻尼系数 | 0.80 | | `maxIterations` | 每次推理传递的最大 BP 迭代次数 | 40 | | `convergenceThreshold` | 用于提前停止的信念差值阈值 | 0.0006 | | `resistanceScoreThreshold` (不可压缩) | 约束分类的上限边界 | 0.65 | | `resistanceScoreThreshold` (易变) | 约束分类的下限边界 | 0.35 | | `minSamplesToClassify` | 节点分类前的最小压力观测次数 | 2 | | `emaAlpha` | 用于 TemporalLayer 阻力评分的 EMA 系数 | 0.30 | ## 节点 Schema 领域 JSON 文件中的每个信念节点都符合以下 schema（`schema_version: 2.0.0`）： ``` { id: string // Unique stable identifier kind: "concept" category: string // Domain category subcategory: string // Domain subcategory label: string // Human-readable label description: string // Observable OSINT signal description prior: number // [0, 1] — base frequency in target population sensitivity: number // [0, 1] — belief integration sensitivity (0=immune, 1=fully responsive) rigidity: number // [0, 1] — resistance to belief deformation under pressure elasticity: number // [0, 1] — reversible deformation capacity breakingPoint: number // [0, 1] — collapse threshold under cumulative strain } ``` **设计原则：** `rigidity + elasticity ≈ 1.0` — 领域 JSON 文件的校准指南；不由 schema 验证强制执行。超出此范围的值将被接受，并将节点行为转向刚性非弹性（同时具有高 rigid 和高 elastic）或流动吸收的极端情况。 ## 边 Schema ``` { id: string // Format: "source__type__target" source: string target: string type: EdgeType // "determines" | "implies" | "enables" | "exploits" | // "reveals" | "influences" | "suggests" | "weakens" | // "resists" | "pressures" | "constrains" | "temporalNext" weight: number // [0, 1] — conductivity / propagation strength } ``` ## 已知局限性 **PIR Solver 上下文依赖性。** PIR 综合分数 ŝ = w₁·D̂ + w₂·ΔĤ + w₃·T̂ 是通过对评估的候选集进行 min-max 归一化来计算的。这意味着如果将候选 B 添加到池中，候选 A 的分数可能会发生变化（违反了无关替代品的独立性）。在正常使用中，`solve()` 接收完整的 canvas 节点集，并且对于给定的图状态，结果是确定性的。IIA 属性仅在调用者将 `targetCandidates` 限制为子集时才相关。 **topologyBoost 自适应放大。** 当 BeliefPropagation 检测到振荡（平滑收敛率 ≈ 1）时，`topologyBoost` 机制会增加 `affinityScale` 以增强语义通道耦合。对于这种自适应反馈循环，不存在理论上的收敛界限。在验证语料库上的经验测试表明收敛稳定；具有密集循环结构和高 `topologyBoost` 值的图可能会经历放大的振荡而不是消解。在这种情况下的结果应与非提升的基线运行进行对比验证。 **专家校准参数。** 以下常数是通过在 EIDOLON OSINT 认知领域本体上的专家判断进行校准的，而不是通过正式优化得出的：`SYNERGY_BOOST` (0.28)、边类型激活权重（`TYPE_SCALE_POS`，11 个条目）、语义亲和矩阵（`DOMAIN_AFFINITY`，18×18）、PIR 综合权重 (w₁=0.50, w₂=0.30, w₃=0.20) 以及 H1 循环检测阈值 (0.28)。定性结果对 PIR 权重 ±0.10 的变化具有鲁棒性；尚未对完整的参数集进行正式的敏感性分析。EIDOLON 被设计为决策支持框架，而不是正式的概率方法；推论应据此进行解释。 ## 引用 *（待发表后补充）* ### 作者 **Charles Mordelet** — 系统设计、领域本体、分析框架、研究方向。 ### AI 合作者 本项目是通过结构化的多智能体协作过程开发的。以下 AI 系统在研究和工程流水线的不同阶段作为积极的合作者做出了贡献： | 模型 | 角色 | |---|---| | **Claude Opus 4.7** (Anthropic) | 架构协同设计 — 核心引擎选择、上下文级别的架构决策 | | **Claude Sonnet 4.6** (Anthropic) | 引擎正式验证 — 所有分析模块的实现、六维度迭代工件审查（数学正确性、代码完整性、架构、文档、内部一致性、科学有效性） | | **Qwen 3.7** | 多智能体配置 — 协调 15 个智能体流水线 | | **GPT 5.5** (OpenAI) | 治理护栏 — 架构选择的自我治理、智能体间讨论的调解 | | **Kimi K2.6** (Moonshot AI) | 后台子智能体 — 异步任务执行 | | **Perplexity** (Claude Sonnet 4.6 · GPT 5.4) | 子智能体组织 — 研究结构化和子任务编排 | 多智能体流水线在 Charles Mordelet 的人工监督和最终授权下运行。所有理论表述、校准决定和发表判断均由作者负责。 ## 许可证 MIT License — 版权所有 (c) 2025 Charles Mordelet。 特此免费授予任何获得本软件及相关文档文件（以下简称“软件”）副本的人不受限制地处理本软件的权利，包括但不限于使用、复制、修改、合并、发布、分发、再授权和/或销售本软件副本的权利，并允许向其提供本软件的人这样做，但须符合以下条件： 上述版权声明和本许可声明应包含在本软件的所有副本或重要部分中。 本软件“按原样”提供，不提供任何形式的明示或暗示的保证，包括但不限于适销性、特定用途适用性和非侵权的保证。在任何情况下，对于任何索赔、损害或其他责任，无论是在合同诉讼、侵权行为还是其他方面，因本软件或其使用或交易而产生、与之相关或与之相关，作者或版权持有人均不承担责任。

标签：MITM代理, 人工智能, 图论算法, 概率图模型, 用户模式Hook绕过, 自动化攻击, 认知建模, 贝叶斯推断