sentra-source

sentra Source — Security Gate Mirror 是一个用于AI安全的形式验证数据集，作为sentra（六门AI安全器官）的源存储库镜像。它包含用Lean 4编程语言实现的安全门定义、用于记录门决策的DSSE（数字签名软件工单）收据发射器、所有40个锚定公式的测试夹具以及集成测试。门定义与形式验证语料库中的锚定公式严格一一对应，为sentra-security-gates空间提供数据源。数据集遵循Doctrine v7原则，强调可验证性，所有指标均关联到持续集成日志、Lean形式证明或Zenodo数字对象标识符。数据规模包括626个Lean声明、15个公理（其中14个唯一）、189个待解决问题（包括138个基线问题和51个Putnam竞赛相关问题），以及40个指定的锚定公式。此外，数据集还覆盖了Putnam 2025数学竞赛的验证任务，其中4个问题已通过Lean完全形式化验证。它适用于形式验证、AI安全治理、智能体系统安全、软件供应链安全等研究领域，采用Apache 2.0许可证发布，数据量小于1000条。

原始信息汇总

数据集概述：sentra Source — Security Gate Mirror

• 许可证：Apache 2.0
• 语言：英语（en）
• 数据集大小：n<1K（不足1000条记录）
• 任务类别：其他（other）
• 标签：形式验证、Lean4、mathlib、DSSE、治理、Agentic AI、安全性、源代码等

数据集描述

sentra 是一个6门AI安全组织，该数据集是其源代码仓库的镜像，包含：

• Lean 4 中的门实现
• 门决策的DSSE收据发射器
• 所有44个锚定公式门的测试夹具
• 集成测试

该数据集为 sentra-security-gates 空间 提供数据支持，且门定义与形式验证语料库中的锚定公式一一对应。

当前状态（截至2026-05-30）

指标	数值	验证链接
Lean 声明	626	lutar-lean@7ef33a6
Lean 公理	15（14个唯一）	A1–A18 诚实缺口
Lean 待办项（sorries）	138 基线 + 51 Putnam = 189 总计	PR #109
锚定公式	44 个已指定	a11oy#114
内核状态	Mathlib 4.13.0 d7317655（绿色）	PR #106
HF Spaces	27 个	SZLHOLDINGS 组织
HF Datasets	31 个	SZLHOLDINGS 组织
Zenodo DOI	6 个发布版 + 1 个概念别名	10.5281/zenodo.20434276
RAE-1 协议	已合并	a11oy#122
Putnam 2025 覆盖率	10/12 结构 · 4/12 GREEN（Lean验证通过：A1, A5, B4, B6） · 2 个跟踪中（A2/B1） · 6 个暂存待审	agi-forecast PR #51

交叉引用

• 论文：Ouroboros Thesis v18 · DOI 10.5281/zenodo.20434276
• Lean 配套项目：lutar-lean · DOI 10.5281/zenodo.20424992
• 收据系统：MCP 服务器
• 测试结果：SZLHOLDINGS/test-results
• 目录：SZLHOLDINGS on HuggingFace
• 源代码：sentra-source on GitHub

来源与元数据

字段	值
生态系统阶段	generated-mirror（生成镜像）
生态系统阶段矩阵	SZLHOLDINGS/szl-anatomy → Stage Matrix
MCP 网关	szlholdings-mcp-receipts-server.hf.space
理论	v7 — 无营销语言，每个数字均可解析为CI日志或Zenodo DOI
论文DOI	10.5281/zenodo.20434276
Lean 配套DOI	10.5281/zenodo.20424992
作者	Stephen Paul Lutar Jr. · ORCID 0009-0001-0110-4173

搜集汇总

数据集介绍

构建方式

sentra-source 数据集作为 sentra 安全框架的源代码镜像仓库，基于 Lean 4 形式化验证语言构建，严格遵循 6-门控（6-gate）AI 安全架构。其核心构建方式包括：在 Lean 4 中实现门控（gate）逻辑，集成 DSSE（Dead Simple Signing Envelope）收据发射器以记录门控决策，并涵盖全部 44 个锚定公式（anchor formula）的测试固件与集成测试。数据集的每个门控定义均与形式化验证语料库中的锚定公式一一对应，确保了数学严谨性与可追溯性。元数据采用 Doctrine v7 规范，所有指标均可解析至 CI 日志、Lean 证明或 Zenodo DOI，消除了营销噪音。

使用方法

研究人员可通过 sentra-source 数据集复现 sentra 安全门控的完整形式化验证流程。使用路径包括：访问 Hugging Face 上的 sentra-security-gates Space，获取门控的定义与状态；利用 Lean 4 环境加载仓库中的声明与证明，结合数学库（mathlib）进行扩展或回归测试；通过 MCP 收据服务器查询门控决策的 DSSE 收据，验证结果的完整性。数据集同时提供 Zenodo DOI 指向的论文与配套 Lean 代码，便于研究者在学术场景中引用与集成。建议首先查阅 Ouroboros Thesis 以理解框架的数学基础，再借助测试结果数据集（SZLHOLDINGS/test-results）进行实证分析。

背景与挑战

背景概述

sentra-source数据集由Stephen Paul Lutar Jr.及其团队于2025年创建，隶属于SZLHOLDINGS组织，旨在为人工智能安全领域提供一个基于Lean 4形式化验证的六门安全gate实现镜像。该数据集的核心研究问题涉及如何将数学定理证明与AI安全治理相结合，通过严格的形式化方法确保AI系统的行为符合预设的伦理与安全规范。其影响力体现在对DSSE、RAE-1等新兴协议的支持，以及对Putnam数学竞赛命题的形式化验证覆盖，展现了形式化方法在AI安全决策可审计性中的潜力。

当前挑战

该数据集所解决的领域问题集中于AI安全治理中决策过程的不可审计性与不可验证性，通过Lean 4形式化证明引擎将安全gate逻辑转化为可数学验证的锚定公式，从而消除对黑盒模型的信任依赖。构建过程中面临的核心挑战包括：在Lean 4中精确编码44个锚定公式并确保与数学直觉的一致性，维护138个基线未完成证明与51个Putnam相关未完成证明的持续演进，以及协调多个跨仓库（如lutar-lean、a11oy）的集成验证流程，确保每个数据项均可通过CI日志或DOI唯一追溯。

常用场景

经典使用场景

sentra-source数据集的核心经典应用场景在于为形式化验证驱动的AI安全治理提供可追溯、可复现的基准平台。该数据集完整镜像了sentra安全器官的六门（6-gate）实现，包含44个锚定公式门的测试夹具与集成测试代码，所有门定义均与形式化验证语料库中的锚定公式一一对应。研究者可直接利用该数据集复现Lean 4内核的绿色构建状态（kernel green），验证626个Lean声明与189个待证明断言（sorries）的演进过程，从而在统一的工程框架内评估AI系统的行为约束与安全属性。

解决学术问题

该数据集聚焦于解决AI安全领域长期存在的透明性与可验证性缺失问题。通过将安全门实现与Lean 4形式化证明绑定，sentra-source首次实现了安全策略的数学可证明性——每一道门的判定均可追溯至DSSE收据发射器生成的证据，任何数字都能解析为持续集成日志、Lean证明或Zenodo DOI。这消解了传统AI安全中‘黑盒审核’的困境，为‘治理即代码’（governance-as-code）提供了可严格验证的学术范式，其影响在于将AI安全从经验讨论提升至形式化公理体系的层面。

实际应用

在实际工程中，sentra-source已被部署为MCP（Model Context Protocol）网关的后端数据源，支撑27个HuggingFace Spaces与17个MCP工具的实时运行。当AI系统发出请求时，sentra-source的六门机制（security gate mirror）能够根据DSSE收据对决策进行链上或链下的防篡改审计，适用于需要高安全合规的代理型AI（agentic AI）系统。该数据集还支持RAE-1协议（Receipt Audit Event v1），使得任何安全门事件均可通过MCP服务器生成标准化的审计轨迹，从而在金融、医疗等强监管领域实现可审核的AI行为管控。

数据集最近研究

最新研究方向

sentra-source数据集聚焦于将形式化验证与人工智能安全治理深度融合的前沿方向。该数据集基于Lean 4定理证明器与Mathlib数学库，构建了涵盖44条锚定公式的六门安全闸门体系，通过DSSE收据发射器实现闸门决策的可追溯性证明。其核心创新在于利用可验证的形式化方法对AI系统实施可审计的安全策略，所有度量指标均关联至持续集成日志或Zenodo数字对象标识符，体现了Doctrine v7严格的可复现性纲领。特别值得关注的是，该数据集首次将普特南数学竞赛的12道题目中的4道成功转化为Lean可验证的绿色证明，展现了形式化验证在复杂数学推理中的突破性进展。这一研究方向与当前学界和工业界对AI安全与可解释性的迫切需求高度契合，为构建具有数学保障的智能系统治理框架提供了可操作的工程范例。