System framing
先風控、再辨識、最後驗證資格
這不是把技術堆起來，而是照實際可部署順序拆成三層，每層都有清楚的任務和 KPI。
FAKETICKET / SCENARIO MATRIX
場景分類矩陣
十二種情境，三種處置
系統依序執行三道判斷：入口層（網路與設備）、行為層（操作軌跡）、身分層（資格比對）。 下列情境涵蓋從正常購票到組織型搶票的完整光譜。
Supervised AI Detection
AI 偵測模型：由模擬資料訓練，再用留出測試集驗證
模型不是 rule-based if/else；它吃數值化特徵，預測「直接放行 / 加驗後處置 / 直接攔截」。目前指標是同一套模擬規則下的留出測試，不代表真實世界上線成效。
L1 入口
L2 行為
L3 身分
分層判斷的核心不是「一刀切」，而是依據訊號強度動態調整。可疑但像真人的流程會先加驗；明顯機器行為則直接攔截。
Interactive simulator
選一種情境後，實際跑一遍訂票與偵測流程
先按開始模擬，網站會逐步跑過進場、排隊、鎖位、入口風控、行為辨識與資格驗證，最後才顯示結果。
情境列表
先選一個場景，再按右邊的「開始模擬」。你會看到系統如何在不同層逐步判斷。
Live ticket flow
開始模擬訂票
流程進度
依實際部署順序執行即時偵測紀錄
模擬偵測引擎逐步回報Simulation Result
載入中
操作軌跡
裝置感測器
高風險手機交易才重點比對請求流程
決策紀錄
營運輔助圖
輔助營運圖表
入口層是主引擎，所以這裡補充開賣瞬間、群組觀察名單與高頻異常訊號。
售票瞬間壓力
風險帶分布
Stage Funnel
高頻異常訊號
觀察名單群組
| Session | 情境 | Layer Scores | Network | 處置 |
|---|
Privacy-preserving verification
本地生成 commitment 與 event nullifier
這裡不把原始字串送回伺服器。瀏覽器端先算 commitment，再以 event ID 算 nullifier，模擬一人一票的第三層。
Demo 輸入
驗證結果
Evidence and rollout
研究依據與系統設計重點
研究來源不只是列技術名詞，而是直接轉成 demo 裡的訊號、群組觀察與導入時程。