Deterministic demo, not random sampling
把防黃牛系統變成能跑的三層票務平台
這個 demo 把主軸改成可上線的部署順序：先用入口層風控擋掉大宗異常流量，再對高風險交易做行為與感測器辨識，最後用 commitment / nullifier 完成隱私保護型一人一票。
場景與分數都由固定公式生成，依公開 anti-bot / behavioral biometrics patterns 映射，沒有用亂數補資料。
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。
Interactive simulator
選 persona 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。
Persona 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 Log
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
Operations dashboard
營運視角看入口壓力與 cluster
入口層是主引擎，所以 dashboard 先看 on-sale 瞬間、cluster watchlist 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
Watchlist Clusters
| Session | Scenario | Layer Scores | Network | Action |
|---|
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 signal、cluster 與導入時程。