Skip to content

Changelog

Included directly from the repository CHANGELOG.md so it never goes stale relative to the single source of truth.

Changelog

Formato basato su Keep a Changelog.

[1.1.9]

Fixed

  • core/compiler.py ricompilava ad ogni chiamata: run_dynamic_pipeline, run_pipeline_with_chunking e compute_gradients definivano il proprio kernel @jax.jit DENTRO il metodo -- un nuovo oggetto jax.jit (quindi una cache di compilazione vuota) ad ogni singola chiamata, mai riuso della compilazione XLA anche a parita' di shape tra una chiamata e la successiva. Stesso bug gia' trovato e risolto nel motore di AdaptiveSignalStabilizer (vedi [1.0.3]), mai corretto qui. Trovato scrivendo un test che doveva dimostrare l'utilita' reale di PipelineProfiler (warm-up separato dal regime): con il bug, warm-up e regime erano praticamente identici. Fix: i tre kernel spostati a livello di modulo, compilati una sola volta. Verificato: 375ms -> 0.2ms a regime sulla stessa pipeline (>1700x), test di regressione aggiunto.
  • utility/anwav.py andava in crash su console Windows non-UTF-8: i verdetti su volume "troppo spinto"/"troppo silenzioso"/picco a rischio usavano emoji (❌, ⚠️) nei print() -- su cp1252 (l'encoding di default della console Windows) sollevavano UnicodeEncodeError, quindi qualunque uso reale della funzione fuori da pytest (che forza UTF-8 in test/conftest.py) su un file rumoroso o silenzioso andava in crash. Rimosse le emoji dai messaggi.
  • Link rotto in questo stesso CHANGELOG bloccava il deploy del sito in silenzio: la voce 1.1.8 linkava [Toolkit](../api/toolkit.md), un percorso relativo valido solo dentro docs/ -- ma CHANGELOG.md vive nella root del repo e viene incluso cosi' com'e' in docs/changelog.md. mkdocs build --strict rifiutava giustamente la build, e i due push precedenti non erano mai arrivati sul sito pubblico (la sezione toolkit di getting-started.md e gli esempi in docs/api/toolkit.md erano gia' su GitHub ma non ancora online). Corretto con l'URL completo del sito; verificato dal vivo che il sito pubblico ora li mostra davvero.

Changed

  • docs/api/toolkit.md non vende piu' ogni modulo allo stesso modo: aggiunte note oneste dove l'utilita' e' effettivamente sottile (TensorVault sono matrici scrivibili in una riga, l'euristica RAM di AIHardwareProfiler e' arbitraria, BitwisePermutationEngine fa un solo swap controllato per chiamata non una permutazione generale, l'update di ParametricScenarioSimulator e' una EMA fissa non un modello configurabile, i formatter di logging sono wrapper sottili, StochasticAdversarialNoise si sovrappone alla suite adversarial reale invece di aggiungerci qualcosa) e rafforzate quelle con prove reali (PipelineProfiler ha scoperto il bug sopra; i preset producono filtraggio misurabilmente diverso; kappa in apply_fast_resonance modula davvero il punteggio, non e' cosine similarity travestita).

Added

  • Test che dimostrano l'utilita' dichiarata dei moduli, non solo che "non crashano": preset diversi (SIGNAL_STABILIZER_PRESETS) producono un filtraggio misurabilmente diverso quando collegati a AdaptiveSignalStabilizer; kappa in apply_fast_resonance modula davvero il punteggio; il warm-up di PipelineProfiler e' davvero piu' lento del regime (il test che ha scoperto il bug di ricompilazione sopra).
  • docs/api/toolkit.md: ogni modulo del toolkit ha ora un esempio di codice reale verificato (non solo la firma auto-generata dai docstring), preceduto da cosa fa e a cosa serve.

[1.1.8]

Fixed

  • docs/getting-started.md non spiegava come usare il toolkit: la pagina aveva un quickstart per Orca, Armatura e robust_filters, ma per il toolkit (14 moduli, aggiunti in 1.1.6-1.1.7) solo un link nudo nella home del sito, nessun esempio eseguibile. Aggiunta una sezione "Standalone toolkit" con due esempi reali verificati (DynamicAICodegen, UniversalMemoryGuard) e link a Toolkit per il resto.

[1.1.7]

Nessuna modifica alla matematica/logica di Armatura/Orca in questa versione. I 14 moduli del toolkit aggiunti a 1.1.6 sono ora davvero pubblici (documentati sul sito, show_source: true), quindi tutto quello che c'era di poco professionale nel codice sorgente -- non solo nel README -- ora si vede.

Added

  • Sito: nuova pagina docs/api/toolkit.md (mkdocstrings, pesca dai docstring reali) per i 14 moduli aggiunti in 1.1.6 -- prima invisibili sul sito, l'API Reference copriva solo i 5 moduli dello scudo. Linkata da mkdocs.yml, docs/index.md, docs/api/index.md.
  • README: la sezione $ toolkit --standalone (prima solo un blocco di import con commenti) riscritta con prosa reale, raggruppata per categoria (pipeline/chunking, hardware/profiling, tensori/configurazione, logging/provenance, audio/I/O dati, ricerca per similarità).

Changed

  • Rimosso "Sentinel"/branding residuo dal codice sorgente dei 14 moduli toolkit e dei 5 moduli originali dello scudo (armatura.py, core/damping_operator.py, utility/metro.py, utility/orca.py -- mancati nel passaggio di de-branding di 1.1.5, che si era fermato al testo rivolto all'esterno README/pyproject/sito, senza scendere nei singoli docstring con show_source: true): banner "SENTINEL ENTERPRISE... BEAST MODE" e claim falsi di "logica quantistica" in core/chunk.py, blocco "Fix applicati/BILANCIAMENTO AUREO" (contenuto da changelog finito nel docstring) in core/compiler.py, riferimenti a file interni inesistenti (simulator.py, NoiseModel, test21.py/main.py) in core/vector.py/core/noise.py/ core/chunk.py, intestazioni "Sentinel Metrology Framework" e vecchio percorso interno shield_/... nei 4 moduli originali.
  • Simboli pubblici rinominati (uniche API realmente rotte da questa release, erano appena diventate pubbliche in 1.1.6): execute_pipeline_beast_mode -> execute_pipeline_chunked (core/chunk.py); SENTINEL_PRESETS -> SIGNAL_STABILIZER_PRESETS (core/preset.py); get_enterprise_logger -> get_json_file_logger, nome logger/file di default sentinel*/sentinel_dashboard.log -> dense_armor*/dense_armor.log, campo JSON "framework": "Sentinel-TensorFlowEngine" -> "dense-armor" (core/logger.py); AIEngineVisualizer.ENGINE_SIGNATURE/intestazione del trend report non dicono più TensorFlowEngine-Sentinel (core/visualizer.py).
  • utility/orca.py: rimossa una sys.path.insert(...) morta (residuo di quando il modulo girava come script standalone fuori dal pacchetto -- gli import relativi non ne hanno bisogno, e nient'altro nel file usava sys/os dopo quella riga) e i relativi import inutilizzati.
  • armatura.py: docstring e messaggi di uso CLI aggiornati da python armatura.py/from armatura import Armatura (invocazione da script standalone) a python -m dense_armor/from dense_armor import Armatura (pacchetto installato).

[1.1.6]

Nessuna modifica alla matematica/logica di Armatura/Orca in questa versione. Partita dalla richiesta di portare la coverage Codecov al 100%: 14 file in core//utility/ risultavano a 0% di coverage. Prima di cancellarli come "codice morto" (la prima ipotesi), trovato dense_armor/README.md (riferimento interno) che li documenta tutti come componenti reali e intenzionali — indagine invertita, modulo per modulo, invece di procedere con la cancellazione.

Fixed

  • core/__init__.py vuoto: il vero file di inizializzazione del pacchetto (import/export di 9 classi: AIHardwareProfiler, StochasticAdversarialNoise, UniversalMemoryGuard, MemoryPressureError, ParametricScenarioSimulator, BitwisePermutationEngine, DynamicAICodegen, CMD_MAP, TensorVault, AIEngineVisualizer, PipelineProfiler) esisteva ma era salvato come core/init.py (nome sbagliato, mai eseguito da Python) — il file col nome giusto era vuoto. Nessuna di queste classi era importabile da dense_armor.core.* nonostante il codice reale esistesse. Contenuto spostato nel file col nome corretto, init.py eliminato.
  • core/preset.py: l'intero dizionario SENTINEL_PRESETS (4 profili calibrati) era definito due volte verbatim nello stesso file. Rimossa la duplicazione.
  • utility/iodat.py: lodat() ritornava in silenzio un tensore di dati casuali finti se il file richiesto non esisteva (solo un log di warning, nessun errore) — ora solleva FileNotFoundError.

Added

  • Test reali per tutti e 14 i moduli precedentemente a 0% di coverage: chunk.py, compiler.py, memory.py, preset.py, logger.py, tensor.py, vector.py, noise.py, profiler.py, visualizer.py (core/); anwav.py, diagnostic.py, iodat.py (utility/, con file WAV/HDF5/NetCDF reali generati nei test, non mock) — più le righe ancora scoperte in resonance_search.py. Coverage totale del pacchetto: 54% -> 91%.
  • README: nuova sezione $ toolkit --standalone che documenta questi moduli come seconda parte del pacchetto, indipendente dallo scudo anomalie di Armatura/Orca.

[1.1.5]

Nessuna modifica alla matematica/logica di Armatura/Orca/robust_filters in questa versione -- solo infrastruttura di test, documentazione e metadati.

Added

  • Suite di test adversarial reale (test/test_boundA-E.py): i test dietro la tabella "robustezza adversarial" del README (PGD/BIM/MI-FGSM, affine/elastica, Carlini-Wagner L2/Linf, DeepFool, Fourier a banda estesa) esistevano solo in un progetto precursore ("sentinel3", mai parte di questo repository) da cui AdaptiveSignalStabilizer era stato estratto. Riportati qui con una modifica sostanziale: l'import punta ora a dense_armor.core.engine.AdaptiveSignalStabilizer (il pacchetto reale) invece del modulo locale standalone del progetto precursore -- stessa classe, stessa API, ri-eseguiti e confermati riprodurre esattamente i numeri gia' nel README (PGD 0.0130, BIM 0.0625, MI-FGSM 0.0784, C&W L2 78.96%, C&W Linf 64.39%, DeepFool 78.79%, Fourier 99.77%+): la tabella e' ora una misura reale e riproducibile, non piu' un dato non tracciato.
  • Sito di documentazione (GitHub Pages, https://tatopenn-cell.github.io/Dense-Armor/): home, guida rapida, riferimento API generato dai docstring reali dei 5 moduli pubblici (Armatura, Orca, hybrid_engine, engine, robust_filters), changelog/licenza sorgentati da CHANGELOG.md/LICENSE.md -- stesso impianto mkdocs-material gia' in uso su Dense-Evolution.

Fixed

  • Due assert instabili in CI: test_boundB.py/test_boundD.py avevano un assert t_elapsed >= 5.0 che non verificava la correttezza della difesa, solo che il calcolo fosse durato "abbastanza" sulla macchina di sviluppo originale -- falliva su ogni runner CI piu' veloce (verificato: 4.41s invece dei 5.0s richiesti su GitHub Actions, riprodotto su ubuntu/windows-latest, ogni versione Python). Rimosso: le assert reali (nessuna divergenza numerica) sono l'unica verifica che conta.

Changed

  • Rimosso "Sentinel" (nome interno originale del progetto) dal testo rivolto all'esterno: descrizione PyPI (pyproject.toml), README, home della documentazione, docstring di __init__.py, e l'etichetta nella definizione di Software in LICENSE.md (solo l'etichetta, nessuna modifica ai componenti elencati/coperti dalla licenza). Il CHANGELOG.md (storia reale del progetto) e i commenti interni nel codice restano invariati.

[1.1.4]

Added

  • pressure_valve: orchestratore automatico dei quattro rilevatori aggiunti in 1.1.3. Non un voto (quanti metodi segnalano un punto) ma la combinazione classica a minima varianza (stimatore BLUE): ogni metodo produce una coppia (centro, scala) locale, i pesi della combinazione sono derivati con un moltiplicatore di Lagrange minimizzando la varianza della combinazione pesata sotto il vincolo che i pesi sommino a 1 -- w_k proporzionale a 1/scala_k^2, un metodo la cui incertezza si gonfia (es. Chauvenet quando la finestra contiene gia' un outlier) viene automaticamente pesato meno, senza scartarlo esplicitamente. Decisione finale sempre binaria (marcato/sostituito con la mediana locale, o intatto). Soglia di default (soglia_pressione=8.0) calibrata empiricamente -- 1/300 falsi positivi su rumore gaussiano puro, rilevamento corretto di un outlier chiaro e di due outlier ravvicinati.
  • Soglia dinamica via JSD ("la molla"): soglia_pressione non e' piu' fissa -- si confronta la finestra locale con una piu' ampia (Jensen- Shannon divergence) e si allarga proporzionalmente quando le due distribuzioni divergono (una vera transizione di regime in corso), senza mai smettere di decidere in binario. La soglia puo' solo allargarsi (JSD >= 0), mai restringersi sotto il valore base.
  • Bug reale trovato e corretto durante la calibrazione: la JSD "ingenua" (bin fissi, epsilon quasi-zero) risultava PIU' alta su rumore stazionario puro che vicino a una vera transizione -- il contrario esatto dello scopo del meccanismo, un artefatto da pochi campioni per bin. Corretto con binning adattivo (~6 campioni/bin) e smoothing di Laplace vero (pseudo-conteggio, non solo un epsilon per evitare log(0)) -- riverificato: JSD media vicino a una vera transizione 1.0->5.0 ora 2-3x piu' alta che su rumore stazionario alla stessa ampiezza, la direzione corretta.

[1.1.3]

Added

  • dense_armor/utility/robust_filters.py: quattro rilevatori di anomalie "a basso costo" -- Chauvenet's criterion (1863), Tukey's fences/IQR, Hampel filter, sigma-clipping iterativo. Statistiche classiche, note e usate da decenni in telemetria/astronomia, nessun modello dinamico/stato -- solo aritmetica su una finestra locale centrata (pensate per pulizia offline/ batch, non il ciclo causale real-time di core/hybrid_engine.py; adatte anche a un futuro porting embedded/Arduino, dove non ci si potra' appoggiare a dipendenze come numpy).
  • pressure_valve: orchestratore automatico dei quattro metodi sopra. Non un voto (quanti metodi segnalano un punto) ma la combinazione classica a minima varianza (stimatore BLUE): ogni metodo produce una coppia (centro, scala) locale, e i pesi della combinazione sono derivati con un moltiplicatore di Lagrange minimizzando la varianza della combinazione pesata sotto il vincolo che i pesi sommino a 1 -- il risultato, w_k proporzionale a 1/scala_k^2, pesa automaticamente meno un metodo la cui incertezza si gonfia (es. Chauvenet quando la finestra contiene gia' un outlier), senza doverlo scartare esplicitamente. Decisione finale sempre binaria (marcato/sostituito con la mediana locale, o intatto) -- nessuno stato intermedio, coerente col resto dell'ecosistema. Soglia di default (soglia_pressione=8.0) calibrata empiricamente (non "3 sigma": la scala combinata e' sempre piu' stretta di ogni scala singola) -- verificato 1/300 falsi positivi su rumore gaussiano puro, rilevamento corretto di un outlier chiaro e di due outlier ravvicinati (dove Chauvenet da solo soffre), nessun tocco su un gradino genuino sostenuto.

[1.1.2]

Fixed

  • hybrid_shield restava bloccato su un equilibrio sbagliato dopo un cambiamento di livello genuino e sostenuto (core/hybrid_engine.py): trovato testando Armatura(livello_ia=0.0) dal vivo su uno scenario base (salto da 1.0 a 5.0, poi 30 punti stabili al nuovo livello). La finestra di baseline locale era presa da out (già guarito) invece che da processed (grezzo) — una scelta deliberata per proteggere da uno spike isolato passato che sposta la baseline, ma con un effetto collaterale peggiore su un gradino vero: i primi 1-2 punti dopo la transizione vengono inevitabilmente respinti (nessun rilevatore causale distingue un gradino vero da uno spike al primo campione), quei punti respinti finiscono in out, e la finestra dei punti successivi li rimedia dentro il proprio calcolo — producendo una baseline "a metà strada" che respinge ANCHE i punti successivi genuini, in un loop che si autoalimenta. Il segnale restava bloccato per sempre su un valore intermedio sbagliato (~4.0 invece di 5.0), non solo per una manciata di passi transitori. Fix: la finestra torna a usare processed (grezzo), riallineata a ia_utils.vector_healing.enhanced_dense_healing_hybrid (il riferimento che questo modulo dichiara di generalizzare) — il valore di fallback è ora la MEDIANA della finestra grezza, non la media: la mediana ignora già da sola un singolo spike isolato nella finestra, quindi la protezione originale resta valida senza bisogno del trucco out (riverificato direttamente). Il test di regressione esistente (test_gradino_sostenuto_non_viene_appiattito_ma_lo_spike_isolato_si) non lo intercettava (tolleranza/finestra di controllo troppo larghe, passava anche col bug) — aggiunto un nuovo test più severo che fallisce sul codice vecchio e passa su quello corretto.

[1.1.1]

Fixed

  • NaN sanato con la media globale della serie invece di una stima locale (core/hybrid_engine.py, armatura.py): trovato testando l'esempio esatto del README con un'installazione pulita da PyPI subito dopo la 1.1.0. Un NaN veniva sostituito con np.nanmean calcolata su TUTTA la serie — se uno spike enorme era presente ovunque nella serie (anche lontanissimo), contaminava il sostituto di ogni NaN, non solo di quelli vicini allo spike. Su serie brevi il sostituto risultava assurdo (2000.81 invece di ~1.28 sull'esempio del README, n=6); su serie più lunghe l'effetto si attenuava ma non spariva (51.24 invece di ~1.0 su n=200) — non era un caso limite di serie corte, era la logica stessa. Se il NaN cadeva anche entro il raggio locale di uno spike (fino a 20 passi), la volatilità locale gonfiata dallo spike impediva pure al trigger di ricorreggerlo verso la baseline. Fix: nuova funzione _local_nan_fill — ogni NaN è sostituito con la mediana dei vicini FINITI in una finestra locale (mediana, non media: robusta a uno spike che capiti nella stessa finestra), non con una statistica sull'intera serie. La marcatura come anomalia (anomalie) era già sempre corretta anche col bug — solo il valore restituito in pulito per quel punto era sbagliato.

[1.1.0]

Changed

  • Motore di Armatura sostituito: Armatura.analizza() non usa più AdaptiveSignalStabilizer (Stadio 1) + ABCollatz (Stadio 2). Il gate ABCollatz era già documentato in [1.0.10] come matematicamente non discriminante (il radicale di una traiettoria di Collatz non ha relazione monotona con l'intensità del rumore — verificato con sweep numerico, e una sigmoide monotona alternativa, pur costruita e testata, peggiorava sistematicamente su 7 scenari reali). Sostituito con un motore a trigger binario (dense_armor/core/hybrid_engine.py), portato e adattato dalla logica phi_ab/vettore-dinamico/trigger già verificata in Dense-Evolution (dense_evolution/healing.py, oggi in produzione su PyPI dense-evolution

    = 8.1.9) e in ia_utils.vector_healing.enhanced_dense_healing_hybrid. Tre adattamenti necessari per il nuovo dominio (serie scalari a scala libera, non vettori di embedding normalizzati), tutti verificati con test manuali mirati prima di essere accettati: (1) la baseline della finestra locale usa i valori già guariti (out), non quelli grezzi, altrimenti un outlier passato continua a spostare la baseline per radius passi dopo di sé; (2) l'IPG (gradiente istantaneo) resta sui valori grezzi, non su quelli guariti, altrimenti un punto respinto non lascia mai più traccia e nessun gradino reale può essere riconosciuto in seguito; (3) la distanza tra stati è normalizzata sulla volatilità locale del segnale (deviazione standard delle differenze successive nella finestra), non su una costante fissa né sulla grandezza assoluta dei valori — altrimenti o qualunque cambiamento sopra ~1.4 unità restava permanentemente appiattito, o (nel tentativo intermedio) anche uno spike isolato passava intatto perché "proporzionalmente coerente" con la propria grandezza. Contratto pubblico di Armatura invariato (analizza, referto, referto_json, deriva, stessa firma del costruttore); K è ora binario (0.0/1.0) invece di una sigmoide continua, coerente con la natura binaria del trigger sottostante.

  • Orca non è stata toccata in questa release: continua a usare AdaptiveSignalStabilizer + ABCollatz + apply_damping_blend. I numeri di robustezza adversarial nel README (PGD/Carlini-Wagner/Fourier) restano validi e non ricalcolati, perché misurati su quel motore.

[1.0.11]

Fixed

  • K_anomalous in apply_damping_blend (dense_armor/core/damping_operator.py): la formula c_anom/(c_anom+diff) dava K_anomalous massimo a differenza quasi nulla (segnale già pulito, dovrebbe damparsi poco) e lo faceva decrescere fino al pavimento _ALPHA=0.25 al crescere della differenza — l'opposto di quanto dichiarato nella docstring della funzione. Invertito il rapporto (diff/(c_anom+diff)). Testato su 30 seed × 4 livelli di rumore: il fix batte l'originale 30/30 a rumore medio/alto/molto alto (RMSE fino a -0.137), ma peggiora sistematicamente a rumore molto basso (limite noto, documentato e coperto da test di regressione dedicato).

Added

  • dense_armor/utility/healing.py — healing_filter: nuovo modulo, a sé stante (non integrato in armatura.py/orca.py), porting concettuale da Dense-Evolution/dense_evolution/healing.py. A differenza di ABCollatz e del damping Stadio 1 (giudicano un punto dal proprio residuo istantaneo), classifica ogni punto guardando quanti vicini condividono la stessa deviazione dalla baseline locale — deviazione isolata = rumore (sostituita con la mediana di una finestra più ampia), deviazione sostenuta dai vicini = cambiamento vero (lasciata passare). Batte una mediana mobile a raggio 2 su segnali con transizioni vere + spike (40/40 e 30/30 su più varianti testate); perde su denoising puro di segnali stazionari a basso/medio rumore (limite noto, non è il suo caso d'uso primario).

[1.0.10]

Fixed

  • Gate ABCollatz dello Stadio 2 (compute_damping_gating): era matematicamente saturo a ~0.85 sempre, indipendentemente dal rumore vero — causa: il radicale di un intero (derivato dalla traiettoria di Collatz) non ha nessuna relazione monotona con la sua grandezza (verificato con sweep numerico: rumore crescente 0->1000 dava discrepanze 0, 300, 220, 600, -8, 13920, 0, senza andamento). Non era un problema di scala/compressione: l'artefatto restava identico su dati grezzi.
  • Costruita e testata anche una sigmoide monotona e scala-invariante sul rumore relativo, genuinamente discriminante — ma su 7 scenari reali (test/testKalman.py), sia in modalità cieca sia con riferimento vero esplicito, peggiora sistematicamente l'RMSE rispetto al fallback costante 0.85 (anche alzando il pavimento minimo fino a 0.84). Nel design attuale di Orca il riferimento (Stadio 1) è già una stima affidabile: correggere sempre con forza verso di esso batte qualunque discriminazione basata sul rumore locale. Ripristinato il fallback costante, ora dichiarato esplicitamente invece di emergere per accidente da una formula rotta.

Nessun cambio di comportamento a runtime per chi già usa il pacchetto (RMSE e tempi verificati pressoché identici prima/dopo su tutti gli scenari di test) — il fix è di correttezza/manutenibilità del codice, non di funzionalità.

[1.0.9]

Indagine approfondita partita dalla verifica di uno script esterno che testava (male, con una reimplementazione a mano non fedele) il fix 1.0.8 — ha portato a scoprire e risolvere 4 bug distinti in cascata nello scudo entrata, ciascuno mascherato dal precedente.

Fixed

  • Compressione log10 (Orca._execute_4_phase_input_shield): due fattori di scala indipendenti (uno da pulito, uno da corrotto) collassavano qualunque valore alla stessa magnitudine compressa, distruggendo ogni differenza relativa prima ancora che Stadio 1/Stadio 2 la vedessero (verificato: anche un pass-through totale senza nessuna vera protezione ricostruiva il pulito esatto, allo stesso modo). Ora un solo fattore condiviso, derivato dal pulito, applicato a entrambi.
  • Stadio 2 ingannato dal segnale già ammortizzato: compute_damping_gating valutava f1 (output dello Stadio 1) invece del segnale originale, sotto-stimando l'anomalia se già parzialmente corretta a monte.
  • Contaminazione post-shock dello Stadio 1: il motore ricorsivo (AdaptiveSignalStabilizer) lasciava sempre passare almeno il 25% (k_anom_min) di un'anomalia enorme nel proprio stato interno, che poi decadeva lentamente contaminando per diversi passi anche campioni successivi perfettamente normali.
  • Costante c_anom fissa non in scala con i dati compressi: era comparabile in grandezza al rumore in spazio compresso, impedendo alla soppressione naturale delle anomalie di funzionare anche con lo State Flush attivo.

Added

  • Hard-clamp deterministico: raw_noise (dati grezzi originali, prima di qualunque compressione) > 0.05 forza il gate finale a 0.99 (non più 0.85, per non ereditare il pavimento pensato per i disturbi ordinari).
  • State Flush: lo stesso segnale hard-clamp, già autorevole, passato anche allo Stadio 1 (nuovo parametro opzionale hard_clamp_mask su filter_batch_scenarios/_process_single_scenario/_step_kernel) — azzera il pavimento di guadagno minimo solo per il passo flaggato.
  • c_anom scala-adattiva: proporzionale alla magnitudine locale corrente (prev_filtered, già nello stato ricorsivo) invece di una costante fissa assoluta — si adatta da sola sia a dati grezzi (Armatura, filter_data_stream diretto) sia a dati compressi (Orca), senza imporre l'assunzione di scala di un solo chiamante nella classe generica AdaptiveSignalStabilizer.

Verificato con numeri reali: un outlier da 9999 in una serie di valori ~1.3 è ora protetto a 3.61 (indistinguibile dagli altri campioni ~3.4-3.62 dopo il modello), tutti i vicini tornano normali, margine d'errore corretto. Tutti i parametri nuovi sono opzionali con default che preservano il comportamento esistente per chi non li usa.

[1.0.8]

Fixed

  • Orca._execute_4_phase_input_shield: lo Stadio 2 (gating ABC/Collatz) valutava f1, l'output già ammortizzato dallo Stadio 1 (AdaptiveSignalStabilizer), invece del segnale originale — se lo Stadio 1 riduceva parzialmente un outlier enorme, lo Stadio 2 poteva sotto-stimare quanto fosse anomalo l'input reale. Ora valuta il segnale compresso pre-Damping.

Added

  • Sbarramento deterministico (hard-clamping): la soglia di rumore critico (0.05) è calcolata sui dati grezzi originali, prima di qualunque compressione log10 (che rinormalizzerebbe ogni valore individualmente, facendo perdere l'intensità reale del rumore). Se superata, il gate finale viene forzato alla blindatura massima (0.85), bypassando il calcolo ABC/Collatz solo per le macro-anomalie; sotto soglia la pipeline sinergica originale resta invariata. Verificato: il leak residuo su una macro-anomalia crolla a zero. @jax.jit/jax.vmap intatti, nessuna nuova chiamata eager fuori dal kernel precompilato.

[1.0.7]

Fixed

  • evaluate_abc_discrepancy arrotondava sempre b prima di calcolare il radicale, anche quando chiamata da compute_damping_gating_smooth — che genera apposta valori collatz_wave non arrotondati tramite execute_collatz_step_smooth. La variante smooth collassava così silenziosamente sulla stessa matematica di quella discreta, un livello più in basso di dove il docstring già avvertiva del rischio. Aggiunto smooth_mode: bool = False (gestito con jnp.where, compatibile con jax.jit/vmap); compute_damping_gating_smooth ora passa smooth_mode=True. La variante discreta di default non è cambiata. Verificato: prima del fix le due varianti davano risultati identici anche su input non interi; ora divergono, come previsto.

[1.0.6]

Risolti i 3 punti lasciati aperti come Known Issues in 1.0.5.

Changed

  • Logging (comportamento cambiato, non solo interno): le ~14 chiamate print() che stampavano lo stato di Orca.protect_and_forward ad ogni inferenza ([ORCA] Attivazione..., orca/utility/iodat.py, core/compiler.py save/load pipeline) sono ora logging.getLogger(__name__). Di default sono silenziose (nessun handler configurato dalla libreria, convenzione standard) — per vederle di nuovo: logging.basicConfig(level=logging.INFO) prima di usare la libreria. Le ~35 print() rimaste (in armatura.py metodo referto() e CLI main(), utility/anwav.py, utility/diagnostic.py) non sono state toccate: sono referti/output voluti quando l'utente chiama esplicitamente quelle funzioni, non rumore di background — convertirle avrebbe reso silenzioso per default uno strumento il cui scopo e' stampare un referto.

Fixed

  • Test JIT flaky sotto pressione di RAM: Orca._gc_se_ram_bassa() chiamava jax.clear_caches() (svuota la cache di compilazione JIT di TUTTO il processo) alla stessa soglia morbida di gc.collect() — se la RAM libera scendeva anche solo temporaneamente sotto quel margine preventivo, la precompilazione fatta in __init__ veniva vanificata e ogni chiamata successiva ricompilava XLA da zero. Ora jax.clear_caches() scatta solo al limite duro (min_free_ram), non al margine preventivo. Il test di regressione (test_orca_protect_and_forward_usa_la_cache_jit_ non_ricompila_ogni_volta) ora finge anche RAM abbondante via mock, rendendolo indipendente dallo stato reale della macchina/CI.
  • Copertura docstring/type hint: dal 53.9%/58.8% (55/60 su 102 funzioni) al 100% — tutte le funzioni/metodi pubblici e privati hanno ora una docstring one-line e annotazioni di tipo su argomenti/ritorno.
  • except Exception: generico: ristretto a eccezioni specifiche dove identificabili — core/memory.py (subprocess/parsing di nvidia-smi a (CalledProcessError, TimeoutExpired, FileNotFoundError, OSError, ValueError); query VRAM jax.devices() a (RuntimeError, AttributeError)), core/noise.py (jax.default_backend() a RuntimeError). Lasciati broad-by-design, ma documentati con un commento: memory.py (pulizia cache JIT best-effort, ora anche loggata a livello debug invece di pass silenzioso) e utility/resonance_search.py::smoke_test (per definizione uno smoke test deve catturare qualunque fallimento).

[1.0.5]

Fixed

  • pyproject.toml: campo license come tabella TOML deprecata da setuptools (avviso ad ogni build, sarebbe diventato errore bloccante dal 18 febbraio 2027) sostituito con stringa SPDX standard "BUSL-1.1" + license-files = ["LICENSE.md"]. Richiede setuptools>=77 (bumpato in build-system.requires).
  • Residuo del vecchio nome del progetto ("sentinel02") nei commenti di intestazione di dense_armor/core/damping_operator.py e dense_armor/utility/metro.py — aggiornati al percorso corrente (shield_/...), nessun impatto funzionale.

Known Issues (non risolti in questa versione)

  • Logging: 49 chiamate a print() sparse nel codice per i messaggi [ORCA] .... Esiste gia' dense_armor/core/logger.py ma non e' importato da nessun altro modulo — chi integra la libreria non puo' abbassare la verbosita', reindirizzare su file o silenziare i log senza modificare il sorgente.
  • Copertura docstring/type hint: su 102 funzioni/metodi totali, 55 hanno una docstring (53.9%) e 60 hanno almeno un type hint tra argomenti/valore di ritorno (58.8%).
  • except Exception: generico: 5 punti che catturano tutto silenziosamente — core/memory.py (righe 56, 72, 96), core/noise.py (riga 43), utility/resonance_search.py (riga 73). Da rivedere caso per caso: quali eccezioni sono davvero previste (es. file mancante) e quali nascondono bug che dovrebbero propagarsi.

[1.0.4]

Changed

  • Nessuna modifica al codice rispetto a 1.0.3 — solo bump di versione, perche' 1.0.3 risultava gia' occupata su PyPI da un caricamento precedente.

[1.0.3]

Fixed

  • filter_data_stream (motore di AdaptiveSignalStabilizer) ricompilava l'intero kernel JIT ad ogni chiamata invece di riusare quello precompilato — kernel 1D spostato in __init__, soglie/gain passati come argomenti jit invece che letti da self.* dentro la funzione.
  • jnp.insert chiamato fuori da jax.jit subito dopo lo scan (stesso problema, punto diverso) — sostituito con np.insert post-conversione.
  • Orca._execute_4_phase_input_shield / _execute_4_phase_output_shield eseguivano la loro pipeline elementwise (jnp.where/jnp.isnan/ aritmetica) in modalita' eager, fuori da qualunque jax.jit — estratta in due kernel dedicati precompilati una sola volta in __init__. Eliminate anche chiamate ridondanti duplicate a filter_batch_scenarios/compute_damping_gating.
  • Risultato: 3 chiamate a protect_and_forward passano da ~11s a ~0.03s (zero ricompilazioni XLA residue a regime, verificato con cProfile).
  • CI: workflow lanciava ancora pytest tests/ dopo la rinomina della cartella in test/ — corretto in .github/workflows/tests.yml e README.md.

Changed

  • Cartella dei test rinominata da tests/ a test/.

[1.0.1]

Fixed

  • Bug critico: evaluate_abc_discrepancy (radicale ABCollatz) calcolava il radicale su a*b*c invece che sul valore generato dalla traiettoria di Collatz — la traiettoria era di fatto ignorata, producendo lo stesso risultato indipendentemente dal valore Collatz reale (verificato: b=7 e b=999999 davano discrepanze identiche prima del fix).
  • Dipendenza core mancante psutil aggiunta a pyproject.toml (trovata testando l'installazione del wheel in un venv pulito).

Added

  • Suite di test pytest (test/) e CI GitHub Actions (.github/workflows/tests.yml), matrice Python 3.10/3.11/3.12 su ubuntu/windows + controllo build/metadata.
  • Istruzioni per lanciare la suite di test in locale nel README.

[1.0.0]

Prima pubblicazione.