🤖 machine learning

Post-Deterministic Distributed Systems: A New Foundation for Trustworthy Autonomous Infrastructure

Dieses Paper führt Post-Deterministic Distributed Systems (PDDS) als ein neues fundamentales Modell zur Koordination heterogener autonomer Agenten und stochastischer Reasoning-Engines ein, welches das Paradigma von universeller deterministischer Ausführung hin zu einem Framework verschiebt, das auf fünf architektonischen Säulen basiert, welche Vertrauen durch semantische Äquivalenz und epistemische Zustandsreplikation gewährleisten.

Ursprüngliche Autoren: Jun He, Deying Yu

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jun He, Deying Yu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Welt vor, in der die Regeln, wie Computer miteinander kommunizieren, neu geschrieben werden. Jahrzehntelang haben wir unsere digitale Infrastruktur auf einer einfachen, starren Idee aufgebaut: Wenn man zwei Computern exakt dieselbe Anweisung gibt, müssen sie exakt dasselbe tun, und zwar auf exakt dieselbe Weise, jedes einzelne Mal.

Denken Sie an dies wie an einen militärischen Exerzierdrill. Wenn der Kommandant „Links!“ ruft, drehen sich alle Soldaten nach links. Wenn ein Soldat sich nach rechts dreht, selbst wenn er am Ende in dieselbe Richtung blickt, gilt er als gescheitert beim Drill. So funktionieren unsere aktuellen „deterministischen“ Systeme. Sie sind zuverlässig, vorhersehbar und perfekt für Dinge wie Bankkonten oder Datenbankeinträge.

Doch nun führen wir KI-Agenten und autonome Denkmaschinen in das Geschehen ein. Dies sind keine starren Soldaten; sie sind eher wie kreative Detektive.

Das Problem: Das Detektiv-Dilemma

Stellen Sie sich vor, es gibt einen Brand in einem Gebäude.

Detektiv A sieht das Feuer, prüft die Rauchmelder und entscheidet, die Fenster zu öffnen, um die Luft zu klären.
Detektiv B sieht dasselbe Feuer, prüft die Hitzemelder und entscheidet, Wasser aus einem anderen Winkel zu sprühen.

Beide Detektive haben das Problem gelöst (das Feuer ist aus) und beide haben die Regeln befolgt. Aber sie haben unterschiedliche Wege genommen, sich auf unterschiedliche Hinweise bezogen und unterschiedliche Methoden angewandt.

In unserem alten „militärischen Drill“-System wäre dies eine Katastrophe. Das System würde schreien: „Fehler! Detektiv A und Detektiv B haben nicht exakt dasselbe getan!“ und alles abschalten. Aber in der realen Welt müssen wir diese kreativen Detektive brauchen, um komplexe Probleme zu lösen, die starre Skripte nicht bewältigen können.

Die Lösung: Post-Deterministische Verteilte Systeme (PDDS)

Das Paper schlägt ein neues Framework vor, das Post-Deterministic Distributed Systems (PDDS) genannt wird. Anstatt zu verlangen, dass alle exakt dasselbe tun, fragt dieses neue System: „Haben alle das Richtige getan?“

Es verschiebt das Ziel von identischen Handlungen hin zu semantischer Kohärenz (Übereinkunft über die Bedeutung und das Ergebnis).

Hier ist, wie das Paper vorschlägt, diese neue Welt aufzubauen, unter Verwendung von fünf Hauptsäulen:

1. Protokollgesteuerte Entwicklung (Das Sicherheitsnetz)

Anstatt nur den Code vor der Ausführung zu prüfen, setzt diese Säule einen „Türsteher“ an die Tür des Systems. Dieser Türsteher kümmert sich nicht darum, wie der KI-Detektiv zu einem Plan gekommen ist, aber er prüft streng: „Verstößt dieser Plan gegen Sicherheitsregeln?“ Wenn der Detektiv eine Datei löschen will, prüft der Türsteher, ob das erlaubt ist. Wenn nicht, wird der Plan gestoppt, selbst wenn der Detektiv dachte, es sei eine gute Idee.

2. Verifizierbare Agentische Infrastruktur (Der Ausweis)

In den alten Tagen benötigte ein Agent nur ein Passwort, um zu handeln. In dieser neuen Welt muss ein Agent eine „Beweiskette“ vorweisen. Es ist wie ein Detektiv, der sein Notizbuch zeigt: „Ich habe diesen Rauch gesehen (Beweis), ich habe diese Richtlinie bedacht (Regeln) und deshalb habe ich entschieden, das Fenster zu öffnen (Handlung).“ Das System prüft die gesamte Geschichte, um sicherzustellen, dass der Agent aufgrund der richtigen Absicht handelt und nicht nur, weil er ein Passwort besitzt.

3. Autonome State Control Planes (Der Projektmanager)

Manchmal konzentriert sich ein Detektiv so sehr auf einen kleinen Hinweis, dass er das große Ganze aus den Augen verliert (wie etwa zu versuchen, ein einzelnes Zimmer zu retten, dabei aber das ganze Gebäude niederzubrennen). Diese Säule fungiert als Projektmanager, der das langfristige Ziel im Blick behält. Sie trennt die „Denkphase“ von der „Ausführungsphase“ und stellt sicher, dass selbst wenn der Detektiv abgelenkt wird, die Mission als Ganzes auf Kurs bleibt.

4. Semantische Quorum-Absicherung (Die Jury)

In einem traditionellen System müssen 51 % der Computer exakt dieselbe Zahl vereinbaren. In PDDS muss eine „Jury“ zustimmen, dass das Ergebnis korrekt ist.
Wenn drei verschiedene KI-Agenten drei verschiedene Wege vorschlagen, um einen Serverabsturz zu beheben, verlangt das System nicht, dass sie alle dasselbe sagen. Stattdessen fragt es: „Sind alle drei Lösungen sicher und effektiv?“ Wenn eine Mehrheit der Jury sagt: „Ja, alle drei sind gültig“, wählt das System eine davon aus und macht weiter. Dies nutzt die Diversität der Agenten, um das System stärker, nicht schwächer zu machen.

5. Epistemische Zustandsreplikation (Das geteilte Gedächtnis)

Dies ist der komplexeste Teil. In der alten Welt teilten Computer Daten (wie eine gemeinsame Tabellenkalkulation). In dieser neuen Welt müssen Computer Wissen und Überzeugungen teilen.
Stellen Sie sich zwei Detektive vor, die an einem Fall arbeiten. Sie müssen nicht exakt dieselben Notizen in ihren Notizbüchern haben, aber sie müssen wissen, was der jeweils andere weiß, damit sie sich nicht widersprechen. Diese Säule schafft ein System, in dem Agenten ihre „Denkprozesse“, „Beweise“ und „Annahmen“ teilen. Sie stellt sicher, dass sie, selbst wenn sie unterschiedlich denken, nicht mit veralteten oder widersprüchlichen Informationen arbeiten.

Die neuen Arten von Fehlern

Das Paper warnt uns auch davor, dass diese neue Welt neue Arten von Fehlern mit sich bringt, um die sich alte Systeme nie sorgen mussten:

Semantische Drift: Die Agenten beginnen, die Regeln im Laufe der Zeit unterschiedlich zu interpretieren, so wie zwei Freunde, deren Meinungen langsam auseinanderdriften.
Korrelierter Denkfehler: Wenn alle Agenten dasselbe „Gehirn“ (KI-Modell) nutzen, könnten sie alle zur gleichen Zeit denselben logischen Fehler machen.
Kontext-Amnesie: Ein Agent könnte ein Problem lösen, aber vergessen, warum er es gelöst hat, was dazu führt, dass er später denselben Fehler erneut begeht.

Das Fazbare

Das Paper argumentiert, dass wir nicht einfach die alten „militärischen Drill“-Regeln für eine Welt voller kreativer KI-Detektive verwenden können. Wir brauchen ein neues Fundament, auf dem Vertrauen auf verifizierter Argumentation und gemeinsamen Zielen basiert, nicht nur auf identischem Code.

Die deterministische Ära gab uns zuverlässige Computer. Die post-deterministische Ära zielt darauf ab, uns vertrauenswürdige autonome Infrastrukturen zu geben, die die chaotischen, komplexen und kreativen Probleme der Zukunft bewältigen können.

Technisches Resümee: Post-deterministische verteilte Systeme

1. Problemstellung

Die klassische Theorie verteilter Systeme stützt sich auf eine feste Annahme: Teilnehmer sind deterministische Zustandsautomaten, die ein protokollspezifiziertes Verhalten mit stabilen, extern definierten Semantiken ausführen. Unter dem Modell der Zustandsmaschinenreplikation (State Machine Replication, SMR) wird Korrektheit durch Transitionsäquivalenz definiert – bei einer identischen Sequenz von Eingaben müssen alle korrekten Replikate durch identische Zustandssequenzen gehen und identische Ausgaben erzeugen.

Diese Annahme wird zunehm durch die Integration von autonomen Reasoning-Engines, stochastischen modellgesteuerten Agenten (z. B. Large Language Models) und richtlinienbasierten Akteuren in kritische Infrastrukturen wie Cloud-Control-Planes, Incident-Response-Systeme und Finanzplattformen infrage gestellt. Im Gegensatz zu traditioneller Software zeichnen sich diese agentischen Teilnehmer dadurch aus, dass sie:

keine statischen Sequenzen hartcodierter Instruktionen ausführen.
lokalen Kontext dynamisch auswerten, externes Wissen konsultieren und Reasoning-Schritte generieren.
divergierende Reasoning-Pfade und distinkte operationale Spuren erzeugen können, während sie potenziell semantisch äquivalente und korrekte Ergebnisse erzielen.

Klassische Konsensmechanismen (z. B. Paxos, Raft) können dieses Verhalten nicht verifizieren oder koordinieren, da sie nicht-identische Ausführungspuren als Divergenz oder Fehler behandeln, selbst wenn die resultierenden Aktionen sicher und zulässig sind. Dies schafft eine Lücke, in der Architekten entweder Agenten in starre, deterministische Skripte zwingen müssen (was deren Nutzen einschränkt) oder die verteilten Sicherheitsmechanismen gänzlich umgehen müssen.

2. Methodik: Das Participant-General-Modell

Das Paper führt Post-Deterministic Distributed Systems (PDDS) als Forschungs- und Engineering-Modell zur Koordination heterogener Umgebungen ein, in denen deterministischer Code, stochastische Modelle und autonome Agenten koexistieren.

Formale Definition

PDDS definiert ein Participant-General-Modell, bei dem ein Teilnehmer nicht auf eine deterministische Transitionsfunktion $f(s, i) = s'$ beschränkt ist. Stattdessen wird das Verhalten eines Teilnehmers durch eine zulässige Verhaltensfunktion definiert:
$Adm: S \times I \times C \times P \times E \rightarrow 2^{U \times R}$
Wobei:

$S$ : Systemzustände
$I$ : Deklarierte Intentionen/Eingaben
$C$ : Beobachteter Kontext und Telemetrie
$P$ : Aktive Richtlinien und Invarianten
$E$ : Epistemischer Zustand (retinierte Beobachtungen, Evidenz, Zusammenfassungen, Annahmen, Belief-Lineage)
$U$ : Aktionsraum (Systemmutationen)
$R$ : Reasoning-Spuren/Erklärungen

Ein Teilnehmer gilt als korrekt, wenn er ein Aktions-Reasoning-Paar $(a, r)$ vorschlägt, sodass $(a, r) \in Adm(s, i, C, P, E)$ .

Zwei Regime

Klassischer Spezialfall: $|Adm| = 1$. Es gibt genau eine zulässige Aktion und einen Trace. Dies stellt klassische deterministische Systeme wieder her, in denen der epistemische Zustand leer oder fixiert ist.
Post-deterministischer Fall: $|Adm| > 1$. Mehrere syntaktisch unterschiedliche Aktions-Reasoning-Paare sind semantisch zulässig. Das Koordinationsprotokoll zertifiziert, dass das gewählte Paar ein gültiges Element der Menge der zulässigen Werte ist, anstatt identische Spuren zu fordern.

3. Kernbeiträge

A. Theoretische Grundlagen

Identifizierung impliziter Grenzen: Das Paper identifiziert die „deterministische Teilnehmer-Annahme“ als verborgene Grenze in der klassischen Theorie verteilter Systeme.
Semantische Kohärenz: Es definiert das Ziel der Übereinstimmung von „deterministischer Transitionsäquivalenz“ hin zu semantischer Kohärenz unter Berücksichtigung von Intent, Policy und Ausführungskontext um. Korrektheit wird durch semantische Zertifizierung (Validierung des strukturierten Beweises der Zulässigkeit) statt durch Identität der Werte verifiziert.
Taxonomie von Fehlern: Das Paper definiert eine neue Taxonomie von Fehlerklassen, die spezifisch für post-deterministische Systeme sind, einschließlich:
- Semantic Drift: Gradueller Zerfall des gemeinsamen Verständnisses.
- Correlated Reasoning Failure: Mehrere Agenten, die aufgrund geteilter Modell-Biases denselben logischen Fehler aufweisen.
- Intent Loss: Kumulative Divergenz von Benutzerzielen über lange Zeiträume.
- Evidence Fabrication: Erfindung von Telemetrie zur Rechtfertigung von Aktionen.
- Unsafe Delegation: Übertragung von Autorität ohne Wahrung der Intent-Constraints.
- Policy-Violating Autonomy: Erfüllung lokaler Constraints bei gleichzeitiger Verletzung von Systeminvarianten.
- Epistemic Divergence: Inkompatible Wissenszustände trotz geteilter Intention.
- Context Amnesia: Verlust des historischen Kontexts während Memory-Resets.

B. Architektonische Säulen

Das Paper skizziert fünf Säulen zur Operationalisierung von PDDS:

Protocol-Driven Development (PDD): Verlagert Sicherheit von der Compile-Time-Verifikation zur Runtime-Policy-Enforcement, wobei Edit-Automaten eingesetzt werden, um vorgeschlagene Zustandsmutationen gegen aktive Invarianten abzufangen und zu validieren.
Verifiable Agentic Infrastructure (VAI): Ersetzt statische Credentials durch Intent-to-Execution-Evidence-Chains (Delegation von Autorität, Kontext und Reasoning-Pfad), um Autorität durch Intent zu begrenzen.
Autonomous State Control Planes (ASCP): Steuert langfristige Workflows durch Entkopplung von Reasoning und Ausführung, Isolation von Agenten in Sandboxes und Persistierung des Intents zur Vermeidung von Drift.
Semantic Quorum Assurance (SQA): Zertifiziert nicht-deterministische Operationen, indem Anfragen an heterogene Teilnehmer versendet, Vorschläge aggregiert und verifiziert wird, ob ein Quorum unabhängiger Verifizierer die semantische Äquivalenz bestätigt.
Epistemic State Replication (ESR): Eine Persistenzschicht, die Wissen, Evidenz und Belief-Lineage repliziert, statt nur Daten. Sie führt neue Konsistenzkonzepte ein:
- Semantic Linearizability: Aktionen müssen durch eine gültige Ordnung von Intent, Evidenz und Policy erklärbar sein.
- Eventual Coherence: Konvergenz hin zu semantisch kompatiblen Wissenszuständen.
- Verifiable Semantic Rollback: Rückgängigmachen von Aktionen unter gleichzeitiger Bereinigung der Belief-Lineage, ohne kritischen Kontext zu verlieren.

4. Ergebnisse und Ansprüche

Das Paper präsentiert keine experimentellen Benchmarks oder ein implementiertes System. Seine „Ergebnisse“ sind stattdessen konzeptioneller und architektonischer Natur:

Es zeigt auf, dass das klassische Distributed Computing ein ambiguitätsfreier Spezialfall des breiteren Participant-General-Modells ist.
Es etabliert, dass deterministische Ausführung nicht länger als universelle Teilnehmer-Annahme für autonome Infrastrukturen dienen kann.
Es liefert einen formalen Rahmen (via der $Adm$-Funktion), um zwischen syntaktischer Divergenz und semantischer Korrektheit zu unterscheiden.
Es definiert die notwendigen Komponenten (PDD, VAI, ASCP, SQA, ESR), um vertrauenswürdige autonome Systeme zu bauen, die stochastisches Reasoning handhaben können, während sie gleichzeitig Sicherheit gewährleisten.

5. Bedeutung

Das Paper argumentiert, dass die Integration autonomer Agenten in kritische Infrastrukturen einen grundlegenden Wandel in der Art und Weise erfordert, wie verteilte Systeme entworfen und verifiziert werden. Durch den Übergang von einem Modell der Zustands-/Output-Äquivalenz zu einem Modell der semantischen Kohärenz und des zulässigen Verhaltens ermöglicht PDDS die sichere Koordination heterogener Teilnehmer.

Die Bedeutung liegt in der Bereitstellung eines technischen Rahmens für:

Die Koordination von deterministischen Services, stochastischen Modellen und menschlichen Akteuren, ohne Agenten in starre Skripte zu zwingen.
Die Gewährleistung, dass autonome Infrastrukturen auditierbar, policy-gebunden und semantisch zertifizierbar bleiben.
Die Adressierung von Fehlermodi (wie Correlated Reasoning Failure und Epistemic Divergence), die klassische Fehlermodelle (Crash-Stop, Byzantine) nicht erfassen können.

Die Autoren kommen zu dem Schluss, dass das deterministische Zeitalter zwar zuverlässige verteilte Berechnungen ermöglichte, das post-deterministische Zeitalter jedoch dieses neue Fundament benötigt, um vertrauenswürdige autonome Infrastrukturen zu realisieren.