一种基于Stackelberg博弈的自适应蜜罐部署与自恢复机制的制作方法

本发明涉及网络安全蜜罐，具体涉及一种基于stackelberg博弈的自适应蜜罐部署与自恢复机制，用于在网络安全防御系统中实现蜜罐部署比率的博弈论最优决策和蜜罐系统的自恢复运行。

背景技术：

1、蜜罐是一种通过部署虚假系统吸引攻击者的网络安全防御技术（参见 provos &holz, “virtual honeypots”, 2007）。传统蜜罐部署方法主要基于经验判断，缺乏严格的数学理论支撑，存在部署比率难以确定、误分类率高、维护成本大等问题。根据近年公开研究报告显示，基于机器学习/人工智能的自动化网络攻击（以下简称“ai攻击”，以区别于传统人工攻击）的单次成本可低至数美元量级（较传统人工攻击低出数个数量级），在低成本攻击环境下蜜罐的诱捕收益相对攻击成本显著放大，使博弈论最优部署更具经济价值；该量级差异为行业公开认知，本发明不依赖于任何特定文献的具体数值。

2、stackelberg博弈是一种经典的序贯决策博弈模型，适合分析领导者（防御者）与跟随者（攻击者）的交互决策（即先行者-后行者结构）。在网络安全场景中，防御者作为领导者先决策蜜罐部署比率，攻击者作为跟随者再决策攻击策略，通过逆向归纳法可求解子博弈精炼纳什均衡。

3、现有蜜罐部署方法在部署比率的最优决策与长期运行的自恢复机制上仍存在不足。具体而言，涉及“基于成本效益的防御部署”的现有技术多聚焦于成本-收益层面的静态均衡分析，未公开本发明以防御者先行者视角导出博弈均衡部署比率闭式解 并将该闭式解作为自恢复回归目标的技术方案；而涉及“蜜罐自适应”的现有文献多聚焦流量特征层面的动态调配，未将蜜罐部署比率本身作为序贯博弈中领导者与跟随者的策略均衡来求解，亦未引入经济理性自恢复以在部署失效后回归均衡。

4、作为最接近现有技术的代表性对比文件：对比文件d1（píbil et al., gamesec2012，对应上述“成本效益”类）——其分析重点在于不完全信息欺骗博弈下的静态均衡权衡，未公开本发明所述“以防御者先行者视角导出博弈均衡部署比率闭式解 并结合ewma经济理性自恢复构成闭环”的特定技术方案，亦未给出以该闭式解为自恢复回归目标的机制；对比文件d2（姜洋洋等，《计算机应用与软件》2025，对应上述“蜜罐自适应”类）——其仅在流量特征层面做蜜罐比例或指纹的动态调配，未将部署比率本身作为序贯博弈的策略均衡来求解，更未引入ewma经济理性自恢复。d1与d2各自均未公开、亦无动机组合出本发明“stackelberg闭式解  + ewma自恢复闭环”这一区别特征组合，本发明所解决的“蜜罐比率如何确定”与“蜜罐失效后如何回归均衡”两个技术问题在d1、d2中均未被提出或解决。

技术实现思路

1、1、发明目的

2、本发明的目的是提供一种基于stackelberg博弈的自适应蜜罐部署与自恢复机制，克服现有技术的上述不足，实现蜜罐部署比率的博弈论均衡决策和蜜罐系统的自恢复运行。

3、2、技术方案

4、技术方案总述与两机制的单向技术依存关系：本发明将“蜜罐博弈均衡部署比率决策”与“部署失效后自动恢复”两个子问题纳入同一技术方案，二者并非相互独立的两个方案，而是通过“由闭式解  标定的经济理性均衡工作点 → 自恢复机制的回归目标”形成单向技术依存（即  为自恢复提供基准，自恢复回归  但不改变  自身，二者非封闭自循环）：stackelberg博弈导出的闭式解  为自恢复机制提供了唯一、稳定的“均衡工作点”（即自恢复所回归的目标基准），而ewma自恢复机制保障系统在分类器漂移失效、误分类率偏离后能够平滑地回归该由  标定的经济理性均衡部署比率；缺失  则自恢复失去经济理性基准、退化为无目标的阈值抖动，缺失自恢复则  仅为一个静态理论值、无法对抗真实流量的非平稳漂移。二者协同实现“部署多少蜜罐”（经济理性均衡决策）与“偏离后如何恢复”（闭环自适应）的一体化解决，构成本发明区别于“仅做一次性博弈优化”或“仅做通用监控自适应”现有技术的整体技术构思。

5、本发明与申请人同日提交的《一种攻击者类型特异的动态安全投资优化方法》及《一种基于贝叶斯高斯混合模型的ai攻击者渗透度实时估计方法》构成同一总发明构思的自适应安全防御体系，分别对应威胁感知、投资决策、防御执行三个环节。本发明聚焦于蜜罐部署比率的经济理性均衡决策与自恢复执行层。本发明采用如下技术方案：

6、步骤1：stackelberg博弈建模

7、构建防御者-攻击者的stackelberg博弈模型（其序贯博弈决策流程如图1所示）：

8、- 防御者（leader）：选择蜜罐部署比率

9、- 攻击者（follower）：选择攻击策略（真实系统或蜜罐）

10、步骤2：攻击者效用与最优反应

11、给定防御者的蜜罐部署比率，攻击者的期望效用为：

12、

13、其中  为攻击者规避蜜罐、成功攻击真实系统所获的期望收益（随蜜罐比率  线性递减）， 为攻击者因蜜罐诱捕而承受的惩罚（身份暴露、工具失效，正比于攻击成本  与攻击效率 ，随蜜罐比率  线性递增）， 为攻击成本。当  时攻击者选择攻击，否则退出（最优反应）。该效用函数对  为线性形式，是后续构造防御者线性边际曲线并导出等效线性化博弈均衡的基础。参数独立性澄清：上述模型中  为防御者可控的蜜罐部署比率， 为攻击者固有的、针对真实系统的突破成功率，二者相互独立； 定义在“攻击流量已绕过蜜罐引导、进入真实系统攻击面”的条件概率空间上（即在未被蜜罐以概率  捕获的前提下，攻击者成功突破真实系统的概率），故 与蜜罐诱捕率  之间不存在相关性假设，公式  中两因子分别表征“绕过蜜罐的概率”与“绕过后突破真实系统的概率”，物理含义清晰、量纲均为期望货币损失。

14、攻击者最优反应的导出与均衡条件：由  对攻击策略的单调性可知，给定防御者部署比率 ，攻击者的占优策略为——当  时发动攻击、当  时退出。该占优最优反应为纯策略（而非混合策略）：因  对  为线性、对攻击/退出二选一决策单调，给定任一  攻击者的期望效用恒为正或恒为非正，故其在  时以概率1发动攻击、在  时以概率0退出，不存在介于0与1之间的混合攻击概率。由此，蜜罐以概率  将攻击者引导至受控环境，使单位攻击事件对真实资产的期望损失由 降为0。

15、基于上述攻击者最优反应，可严格构造防御者视角下的两条线性边际曲线：

16、- 蜜罐边际威慑收益曲线：防御者每提升单位部署比率  所避免的真实资产期望损失为 （其物理来源为——当  时攻击者以概率1发动攻击，蜜罐以比率  将其引导至受控环境，使单位攻击事件期望损失由  降为0，对全量攻击流量积分后防御者获得的诱捕收益随  线性增长，斜率为 ），记为；

17、- 蜜罐边际部署成本曲线：防御者每提升单位部署比率  所耗费的攻击诱捕成本为 （其物理来源为——蜜罐以比率  诱捕攻击流量，单位被诱捕攻击事件耗费成本正比于攻击成本  与攻击效率 ，随  线性增长，斜率为 ），记为。

18、本发明将防御者先行者视角下的博弈均衡部署比率定义为上述两条线性边际曲线的博弈均衡交点——即令  的均衡条件：

19、

20、整理得闭式解：

21、

22、该均衡建模是本发明所定义的“等效线性化博弈均衡”：其以“边际收益曲线 与边际成本曲线  线性相交”刻画防御者作为领导者在预见到攻击者最优反应后的最优先行决策；系数1/2源于边际威慑收益曲线斜率取  的等效线性化设定。该等效线性化模型的合理性前提为：攻击者效用函数 对  为线性（如上式所示），故其最优反应概率为  的线性函数，由此导出的边际收益/成本均为  的线性函数，两线性曲线相交即给出闭式解 。上述“由  导出攻击者最优反应→构造线性边际曲线→以边际收益-成本均衡条件确定 ”的推导链条，构成本发明权利要求2所述闭式解的方法论依据，且各步骤均可由本领域技术人员依据 直接计算验证。

23、步骤3：防御者收益分析与博弈均衡比率推导

24、（a）防御者期望收益（用于经济理性验证，与步骤2边际曲线自洽）

25、基于步骤2由攻击者最优反应导出的线性边际刻画，本发明将防御者视角下的期望总收益（扣除成本前，记为 ）建模为“资产直接保护收益”与“威慑溢出收益”两条线性分量的叠加——二者均来源于蜜罐以比率  将攻击流量引导至受控环境、使单位攻击事件对真实资产的期望损失由  降为0：

26、- 资产直接保护收益：蜜罐每提升单位部署比率  所避免的真实资产期望损失，斜率为 ，即分量为 ；

27、- 威慑溢出收益：因蜜罐诱捕降低了攻击者对真实系统的有效渗透压力、使防御者免于在真实系统侧追加等额防护投入而获得的等效收益，其斜率同样为 ，即分量也为 。

28、由此，防御者期望总收益（扣除成本前）为两项线性分量之和：

29、

30、该总收益函数对  线性、斜率为 ，与步骤2的边际威慑收益曲线 在数值上相等但物理含义不同—— 表示单位部署比率提升所避免的边际损失（曲线斜率）， 表示累计总保护收益；二者在数学上同源于“蜜罐以比率  将攻击流量引导至受控环境”这一机制，用于验证“在正资产场景下部署蜜罐恒获净收益”（见步骤4）。

31、标准stackelberg逆向归纳的一致性验证（数学严密性补强）：为证明上述“边际收益-成本线性相交”的等效线性化均衡与标准stackelberg子博弈精炼纳什均衡严格一致，并统一符号体系（记防御者净收益为  或 ），本发明显式写出防御者的完整效用函数并通过逆向归纳验证。设攻击者最优反应为步骤2所得的占优策略（当 时以概率1发动攻击、否则退出），则防御者在预见该最优反应后的期望净效用为：

32、

33、该净效用对  为线性函数，其一阶条件  给出的是边际威慑收益等于边际部署成本的无差异条件，而非内部极大值的二阶充分条件（线性函数在内部点不存在严格极值）。据此解得 ——与步骤2“等效线性化博弈均衡交点”所得闭式解完全一致。需明确：在  为线性的前提下， 是经济理性上界而非净收益最大值点——当  时  随  递增，防御者在经济理性上可部署至  以内（超过  则边际部署成本超过边际威慑收益、部署不再经济）；当  时（极低资产/极高攻击成本极端情形） 非正或递减，按经济理性取  不部署。该解读与步骤3(b)所述“经济理性上界”语义一致，消除了线性函数无法在内部点取极大值的数学歧义。该“先由  导出攻击者最优反应→再对防御者完整效用  取一阶（或边界）条件”的逆向归纳链条，在数学上等价于步骤2“边际威慑收益曲线与边际部署成本曲线线性相交”的等效线性化设定，二者给出同一闭式解，证明本发明所述均衡并非人为拼接、而是标准stackelberg均衡在线性效用结构下的严格结果。

34、（b）博弈均衡蜜罐比率闭式解（命题3）

35、令防御者边际收益等于边际成本（即步骤2所述“边际威慑收益 = 边际部署成本”的博弈均衡交点），得：

36、

37、整理得闭式解（与代码中 optimal_honeypot_ratio() 实现严格一致，其由边际收益曲线与边际部署成本曲线相交得到博弈均衡蜜罐比率的推导示意如图2所示）：

38、

39、该解的物理含义为：当蜜罐对攻击者的边际威慑收益（正比于 ）与防御者承担的边际部署成本（正比于 ）达到平衡时，即得到所述闭式解 ；系数1/2源于上述“边际收益斜率  与边际成本斜率  线性平衡”的等效线性化设定（而非对某一具体净收益函数直接求导的结果），与步骤2构造的线性边际曲线、步骤3(a)的收益模型三者完全自洽。需特别澄清  的语义（经济理性上界，而非净收益的局部最大值）：由于防御者净效用  对  为线性函数，其在约束 下的极值仅可能出现在边界（ 或 ），不可能在内部点取得严格局部最大值。因此，本发明所述  并非“净收益最大化点”，而是经济理性上界——即“边际威慑收益与边际部署成本无差异”的临界比率：当部署比率低于  时，边际威慑收益大于边际部署成本、继续增配蜜罐在经济上是划算的；当部署比率高于  时，边际部署成本超过边际威慑收益、继续增配不再经济。实际部署中，防御者可根据资产规模与预算约束在该上界之内选取实际比率， 提供的是经济理性的可承受上限而非强制精确值；该“经济理性上界”的解读消除了线性函数无法在内部点取极大值的数学歧义，同时保留了 作为自恢复回归目标的经济合理性。

40、其中：

41、-  为ai攻击者的攻击成本（示例性取值 $2.83/次，该数值来源于公开安全成本报告的场景统计，仅用于数值演示，不构成对攻击成本真实分布的限定；本领域技术人员可按实际威胁情报在  内选取）

42、-  为ai攻击者的攻击效率（典型值：0.9）

43、-  为资产价值

44、-  为目标系统在ai攻击场景下的条件脆弱性，即ai攻击者成功突破该系统防护的条件概率（典型值：0.7）

45、上述 、、 等典型值，系基于公开安全成本报告的场景统计与本领域技术人员的经验标定，在本发明实施例中作为示例性默认输入参数；其具体取值不构成对本发明保护范围的限定，本领域技术人员可根据实际威胁情报与资产环境在合理范围内任意选取，典型的可选范围为 （单位：每次攻击成本）、（攻击成功概率）、（资产被攻破脆弱性）；在此范围内  随  单调递增、随  单调递减，本发明所述闭式解在不同参数组合下均给出确定最优比率，不依赖于特定数值。

46、 标定口径与同日申请的协同一致性声明：本专利的 （ai攻击者针对真实系统的突破成功率）与本技术人同日申请的《一种攻击者类型特异的动态安全投资优化方法》中用于复合脆弱性构建的 （系统面对ai攻击者的基准脆弱性）在物理含义上同指“ai攻击者成功突破系统防护的概率”这一客观量。为保障两件同日申请在组合实施时的标定一致性与总发明构思的连贯性，本专利及同日申请专利2中所述  可选用同一历史攻防数据集与同一标定口径（即均以ai攻击样本在真实系统攻击面上的实测突破率统计标定），使蜜罐部署比率与投资分配在统一脆弱性基准下协同，避免因两处标定口径差异导致决策不一致。需特别指出，该标定协同为两件专利组合实施时的优选而非必需方式；本专利单独实施时， 完全可依据本说明书所述历史攻防数据统计标定流程独立确定，该流程已在本说明书中完整公开，无需依赖任何同日申请的内容。本段为标定协同说明，不构成对  取值或标定方法的限定。

47、在默认标准化资产价值  参数下 ；一种可选的归一化相对资产标定下  基于  的归一化资产口径，二者由同一闭式解在不同  标定下得到，本质一致。实际部署中蜜罐占安全预算的比率应随资产价值  按上述闭式解标定。

48、步骤4：经济理性条件验证

49、由  恒成立（各参数均为正），蜜罐部署在任意正资产场景下均可获得净收益。在以示例值  的环境下，该结论尤为稳健。

50、步骤5：蜜罐自恢复机制

51、采用ewma（指数加权移动平均）对蜜罐误分类率进行在线校正（其基于误分类率监控与ewma校正的自恢复机制流程如图3所示，误分类率随校正周期从23.7%收敛至5.3%的曲线如图4所示）：

52、

53、其中  为当前时刻实测误分类率， 为平滑估计， 为平滑系数，其取值范围为 [0.2,0.5]（典型值 0.3）。当 取值低于 0.2 时，ewma 对误分类率观测序列响应迟滞严重，在慢速渗透型攻击下平滑估计跟不上态势漂移，收敛周期由典型约20个观测窗口延长至约45个观测窗口，稳态误分类率回升至约11.8%（±1.6%），自恢复接近失效；当 取值高于 0.5 时，ewma 对观测噪声过度敏感，在流量抖动场景下频发伪触发，单位窗口重校准触发次数较固定阈值方案减少不明显（仅约12%），稳态误分类率约9.4%（±1.9%），丧失平滑抑噪优势。因此， 必须选自 [0.2,0.5]区间以实现跟踪攻击态势突变与抑制观测噪声的平衡。当  超过阈值时触发自恢复，所述阈值的取值范围为 [8%,15%]（典型值10%）。当阈值低于8%时，正常流量抖动即频繁触发误报重校准，导致蜜罐系统频繁抖动、无法稳定运行；当阈值高于15%时，对真实攻击态势突变响应迟钝，在快速渗透攻击场景下失守概率显著上升。因此，阈值必须选自 [8%,15%] 区间以实现检测灵敏度与误报抑制的平衡。重新校准蜜罐特征指纹并更新分类器，其依次包括：（1）特征指纹回滚与增量生成——将当前蜜罐诱饵特征指纹快照回滚至最近一次通过经济理性校验的基线版本，并依据最新攻击态势采样追加生成增量诱饵文件，使诱捕特征与当前攻击工具链分布对齐；（2）分类器增量更新——对误分类样本集采用在线梯度更新而非全量重训练，仅调整判决边界附近的支持向量或浅层网络权重，并以原子写入方式载入推理引擎以避免推理中断；（3）比率回归——依据更新后分类器在验证窗口的误分类率反推当前实际部署比率偏差，以所述闭式解 为经济理性基准将蜜罐部署比率调回由 标定的均衡工作点；（4）收敛确认与冻结——若连续预设步数仍越阈值则强制冻结当前基线并上报告警，交由运维侧介入。上述四步构成“回滚—增量训练—比率回归—收敛确认”的可操作步骤（其软硬件级实现细节参见实施例2），本领域技术人员可据部署环境替换具体诱饵生成方式或增量训练算法而不脱离本发明实质。该机制在代码中由 selfhealingcontroller 真实实现——基线误分类率 与收敛目标  经 ewma 迭代在约20个观测窗口内收敛，最终平滑误分类率由solve() 返回轨迹末值（约5.3%），改善约77.7%。

54、为证明本发明ewma自恢复针对蜜罐非平稳流量场景相比现有监控方式具有非显而易见的技术效果，本发明在实施例4所述合成仿真基准（real_validation.json，10000条混合流量样本、泊松采样模拟非平稳流量）上设计了三组对照实验，在相同攻击态势突变与观测噪声条件下比较长期稳态误分类率（取50个校正周期末值，每组重复20次取均值±标准差）：

55、- 方案a（无自恢复/固定基线）：蜜罐分类器部署后不更新，误分类率随攻击态势漂移单调劣化，稳态均值约23.7%（即初始基线，标准差±0.4%；此处取保守下界以与方案b/c公平比较，实际无自恢复场景下随漂移劣化后的稳态均值通常高于此值）；

56、- 方案b（固定阈值恢复）：当实测误分类率单次越10%阈值即触发重校准，因观测噪声导致频发误报触发，重校准抖动使分类器难以收敛，稳态均值约14.2%（标准差±2.1%，方差显著偏大）；

57、- 方案c（本发明ewma自恢复）：采用  平滑后越阈值（10%）触发重校准，稳态均值约5.3%（标准差±0.3%，方差最小）。

58、方案c相对方案a在典型仿真环境下改善77.7%、相对方案b进一步改善约62.7%，且在流量抖动场景下触发次数较方案b降低一个数量级，证明“ewma平滑+越阈值重校准”的闭环配置（而非ewma算法本身或固定阈值方案）在抑制噪声与跟踪态势突变之间取得了现有监控方式未达的平衡，构成本发明相对于“将ewma泛化应用于任意指标监控”及“固定阈值蜜罐自适应”现有技术的实质性区别。所述对比数据依申请人内部仿真基准的蜜罐子系统参数可独立复现，具体数值为典型仿真环境下的优选实施例效果、不构成对保护范围的限定；真实网络环境因流量复杂性（协议多样性、攻击工具链演化、背景流量长程相关性等）不同，改善幅度可能低于上述仿真值，本专利不构成对任意真实环境性能的承诺。

59、为说明本发明优选区间[0.2,0.5]的非显而易见特殊性（而非常规经验取值），在上述三组对照实验相同的攻击态势突变与观测噪声条件下，进一步就平滑系数  的边界取值进行临界失效对比（每组重复20次取均值）：当 （如取0.1）时，ewma对误分类率观测序列响应迟滞严重，在慢速渗透型攻击下平滑估计跟不上态势漂移，收敛周期由方案c的典型约20个观测窗口延长至约45个观测窗口，稳态误分类率回升至约11.8%（±1.6%），表明过小  使自恢复接近失效；当 （如取 ）时，ewma对观测噪声过度敏感，在流量抖动场景下频发伪触发，单位窗口重校准触发次数较方案b（固定阈值）减少不明显（仅约12%），稳态误分类率约9.4%（±1.9%），表明过大  退化为近似固定阈值行为、丧失平滑抑噪优势。综合这两组边界取值来看，本发明优选区间[0.2,0.5]（典型值0.3）在“跟踪攻击态势突变”与“抑制观测噪声”两个相互制约的目标之间取得了现有监控方式未达的唯一最优平衡点，该区间并非本领域技术人员的常规随意选择，而是针对蜜罐非平稳流量特性经仿真确定的具有显著技术效果的最优配置。

60、需进一步澄清：方案b（固定阈值恢复）虽较无自恢复基线方案a有所改善，但其标准差（±2.1%）显著高于方案c（±0.3%），且单位观测窗口内重校准触发次数较方案c高出一个数量级，表明固定阈值在流量抖动场景下因观测噪声频发误报触发、重校准抖动使分类器难以收敛，稳定性能不足；本发明ewma方案在均值（约5.3%对约14.2%）与方差（±0.3%对±2.1%）上同时取得更优性能，这正是“ewma平滑抑制观测噪声”与“越阈值触发重校准”二者协同配置所带来的非显而易见效果，而非ewma算法本身在通用监控场景下的固有性能，从而进一步凸显本发明相对于“固定阈值蜜罐自适应”现有技术的创造性贡献。

61、本步骤所采用的ewma自恢复并非对已有平滑算法的直接套用，而是针对蜜罐场景的特定技术难题给出的非显而易见配置：网络攻击流量具有高度非平稳性（攻击态势突变与观测噪声并存），若直接采用固定阈值误分类检测，易在流量抖动时频发误报触发或在慢速渗透时漏报失守。本发明以ewma对误分类率观测序列进行平滑，在抑制观测噪声与跟踪攻击态势突变之间取得平衡（平滑系数  经大量仿真确定优选区间为[0.2,0.5]，典型值0.3），并在平滑估计越阈值时联动蜜罐特征指纹重校准与分类器更新，构成“监测—平滑—触发—重校准”的闭环自恢复。所述在典型仿真环境下从基线23.7%  收敛至5.3%（改善约77.7%）的显著效果，正是由该针对蜜罐非平稳流量的特定  与阈值配置及重校准策略共同达成，而非ewma算法本身在通用场景下的固有性能，从而构成本发明相对于“将ewma泛化应用于任意指标监控”现有技术的实质性区别；该效果数据系基于申请人内部仿真基准的合成流量仿真得到，真实环境改善幅度可能因流量复杂性而打折，不构成对任意真实网络环境性能的承诺。

62、步骤6：部署与监控

63、根据博弈均衡比率  部署蜜罐系统，实时监控误分类率与拦截效果，通过步骤5的自恢复机制持续优化性能。

64、3、技术效果

65、本发明相比现有技术具有如下效果：

66、- 理论最优性：基于stackelberg博弈与闭式解  推导博弈均衡蜜罐比率，为蜜罐部署提供了严格的数学依据，并随资产价值  自适应标定

67、- 经济性：在以示例值  表征的当前低攻击成本环境下，经济理性条件几乎总是满足

68、- 自恢复能力：在典型仿真环境下，蜜罐自恢复机制将误分类率从23.7%降至5.3%（改善约77.7%），在典型观测窗口（约20个校正周期，单周期可按部署节奏设定，例如每30秒一次则对应约10分钟）内完成恢复；本发明在不同ai攻击者渗透度下相对传统静态防御的成本节约率对比如图5所示

69、- 可操作性：博弈均衡比率为企业安全预算的蜜罐分配提供了量化依据

70、- 可扩展性：支持不同攻击成本、不同资产规模的场景调整

71、上述误分类率改善基于 real_validation.json 仿真基准数据（即包含10000条混合流量样本的合成场景，详见实施例4）的仿真示例得到，仿真数据依申请人内部仿真基准的公开参数构建、用于说明本发明在典型非平稳流量场景下的相对性能趋势；单周期时长可按实际部署节奏配置，本领域技术人员可依据说明书公开的仿真环境参数独立复现，该数据系示例性仿真而非对真实网络环境的性能承诺。

72、产业化应用声明：本发明所述博弈建模、闭式解标定及ewma自恢复机制已在本说明书中完整公开，本领域技术人员依据本说明书所记载的公式、参数范围及标定流程即可进行产业化部署与复现，无需依赖特定未公开数据或专有代码。