vessels-source

Vessels — Source Mirror数据集是GitHub仓库szl-holdings/vessels在Hugging Face平台上的源代码镜像。该仓库是SZL Holdings研究堆栈的一部分，旨在为受SZL治理的AI代理提供一个容器编排基础层。核心功能包括代理实例的生命周期管理、边界强制执行，并为符合Λ-compliant规范的代理实例生成SLSA（软件供应链级别保障）认证的部署凭证。数据集内容包含源代码文件，并非用于机器学习的训练数据；它是一个在2026-05-29提交点的静态快照，用于提高项目的可发现性，其规范源代码仍位于GitHub主仓库。该数据集与SZL Holdings的其他研究成果紧密关联，如形式化验证论文、对齐模型、可观测性数据等。所有代码声明均可追溯至Zenodo DOI、GitHub提交哈希，并在适用情况下关联基于Mathlib v4.13.0的Lean 4形式化证明。数据集规模小于1K，语言为英文。

The Vessels — Source Mirror dataset is a source code mirror of the GitHub repository szl-holdings/vessels on the Hugging Face platform. This repository is part of the SZL Holdings research stack, designed to provide a container orchestration base layer for AI agents governed by SZL. Its core functions include lifecycle management of agent instances, boundary enforcement, and generating SLSA (Software Supply Chain Levels for Artifacts) certified deployment credentials for Λ-compliant agent instances. The dataset content consists of source code files and is not intended for machine learning training data; it is a static snapshot at a specific commit point (2026-05-29) to enhance project discoverability, with the canonical source code remaining in the main GitHub repository. The dataset is closely linked to other SZL Holdings research outputs, such as formal verification papers, alignment models, and observability data. All code claims are traceable to Zenodo DOIs, GitHub commit hashes, and, where applicable, linked to Lean 4 formal proofs based on Mathlib v4.13.0. The dataset size is less than 1K, and the language is English.

原始信息汇总

数据集概述

数据集名称：vessels — Maritime Fleet Intelligence Source

许可证：Apache 2.0

语言：英文

规模：n < 1K（小于1000条记录）

任务类别：其他（other）

标签：海事、制裁、船舶追踪、暗船检测、治理、人工智能治理、智能体人工智能

核心能力

该数据集支持以下四项海事舰队情报分析能力：

能力	描述
制裁筛查	实时船舶制裁名单交叉核对
暗船检测	基于AIS信号缺失分析与行为特征的暗船识别
所有权图谱	多跳受益所有权解析
航程分析	港口停靠模式与航线异常检测

相关链接

• 组织卡片：https://huggingface.co/datasets/SZLHOLDINGS/SZLHOLDINGS
• 源代码仓库：https://github.com/szl-holdings/vessels

引用信息

如需引用该数据集，请使用以下BibTeX格式：

@misc{lutar2026ouroboros, title = {Ouroboros: Formal Verification of Agentic AI Governance — v18.0}, author = {Lutar, Stephen P.}, year = {2026}, doi = {10.5281/zenodo.20434276}, url = {https://doi.org/10.5281/zenodo.20434276} }

联系方式

• 联系人：Stephen P. Lutar
• 邮箱：[e-mail]
• ORCID：0009-0001-0110-4173
• GitHub：https://github.com/szl-holdings
• Hugging Face：https://huggingface.co/SZLHOLDINGS

搜集汇总

数据集介绍

构建方式

vessels-source数据集是SzL Holdings旗下海事舰队情报垂直领域的数据源镜像，源自GitHub仓库szl-holdings/vessels，并托管于HuggingFace平台。该数据集以合规治理为核心理念，采用严格的Doctrine v6规范构建，确保数据可验证性。最新版本uds-v0.3.0以压缩包格式发布，并提供SHA256哈希校验和cosign签名验证机制，保障数据完整性与来源可信度。数据集遵循Apache-2.0开源许可证，并关联Zenodo DOI，支持学术引用。

使用方法

用户可通过HuggingFace Hub的hf_hub_download函数下载数据集压缩包，并利用Python的hashlib库验证SHA256哈希值以确保数据未被篡改。待签名完成后，可使用cosign工具配合公开ECDSA密钥验证数字签名。数据集提供GitHub仓库链接便于追踪更新，其BibTeX条目支持学术引用。建议开发者结合专用海事分析框架，利用数据集的元数据字段与治理规则实施制裁清单比对、AIS异常检测等任务。

背景与挑战

背景概述

海上交通监控与合规分析领域长期面临数据碎片化与透明度不足的困境。由Stephen P. Lutar主导、SZLHOLDINGS机构于2026年发布的vessels数据集，旨在构建一套可验证的海上船队情报体系，核心聚焦于制裁筛查、暗船检测、所有权图谱解析及航程异常分析。该数据集通过整合自动化识别系统（AIS）信号与多源合规数据，为海事治理与人工智能监管提供了标准化基准，其依托的Ouroboros验证框架更为代理型人工智能的可信度评估树立了新范式。作为Apache 2.0协议下的开源资源，vessels数据集已通过Zenodo获得数字对象标识符，正在推动海事情报从经验驱动向数据驱动的转型。

当前挑战

该数据集面临的挑战多维且深刻。领域层面，暗船活动常通过关闭AIS信号或伪造航迹逃避监管，现有模型难以在噪声数据中精确辨识反常行为模式，且全球制裁名单的动态更新对实时交叉验证提出了极高要求。构建过程中，如何从异构数据源（如卫星遥感、港口日志、所有权注册表）中提取一致性特征并消除偏差，成为技术瓶颈；同时，确保692KB级数据包在分布式溯源链（SZL receipt chain）下的可审计性与完整性，亦需抵御哈希碰撞与签名伪造的风险。此外，训练数据中合法航行与违规行为的样本极度不平衡，加剧了模型泛化难度。

常用场景

经典使用场景

vessels-source数据集是海事智能领域的一颗明珠，专为海上舰队的深度情报分析而设计。其经典使用场景聚焦于制裁筛查、暗船检测、所有权图谱分析和航程分析四大核心任务。研究人员通过该数据集可对全球船舶进行实时制裁名单交叉比对，精准识别违规行为；同时，利用AIS信号间隙分析与行为特征建模，高效锁定隐秘航行的“暗船”。此外，该数据集支持多跳受益所有权解析，能够揭示复杂的船舶控制链条，并通过对港口停靠模式的挖掘与航线异常检测，勾勒出完整的海上活动图谱，为海事安全与合规研究提供了坚实的数据基石。

解决学术问题

该数据集精准回应了海事治理领域的诸多学术痛点，尤其在非合作目标行为建模与合规性验证方面开辟了新路径。它有效解决了暗船检测中数据稀疏性与行为模式不确定性难题，通过整合AIS间隙数据与行为签名，提出了可量化的异常航行评估框架。同时，针对国际制裁执行中的所有权隐匿问题，vessels-source构建了多跳图谱推理方法，突破了传统单层信息检索的局限。这些贡献不仅提升了海上交通监控的自动化水平，也为跨国监管协作提供了理论支持，推动海事治理从被动响应转向主动预警，对地缘政治安全与海洋法执行具有深远意义。

实际应用

在实际场景中，vessels-source数据集已广泛应用于国际航运合规系统、港口安全调度与海洋执法决策支持平台。跨国贸易公司利用其制裁筛查模块，在船舶入港前自动核验其背景，规避法律风险；海事监管机构则通过暗船检测功能，实时追踪可疑船只的隐蔽活动，如非法转运或规避禁运。该数据集还被整合进基于智能体的人工智能治理框架中，实现从数据采集到决策验证的全链路自动化，显著提升了海上情报的响应速度与准确性。例如，在重点航道安全监控项目中，它帮助分析人员快速识别出违反制裁的航行动态，成为保障全球供应链透明度的利器。

数据集最近研究

最新研究方向

该数据集聚焦于海事舰队智能领域的前沿研究，涵盖制裁筛查、暗船检测（即基于AIS信号缺失与行为特征的可疑船舶识别）、所有权图谱解析及航程异常分析等核心方向。其最新版本（uds-v0.3.0）严格遵循v6教义，并通过SHA256校验与cosign签名保障数据完整性，体现了对可验证性与治理透明度的极致追求。在人工智能治理领域，该数据集与《Ouroboros》项目中对自主智能体治理的形式化验证研究深度关联，为构建可信、可追溯的海事监管体系提供了关键数据基础设施，尤其在全球制裁合规与海上安全监测等热点事件中具有重要应用价值。