---
title: "大规模多智能体网络流量建模方案"
subtitle: "基于双层随机混合自动机的离散事件仿真"
author: "参赛团队：待填写"
date: "2026年8月"
toc: true
toc-title: "目录"
number-sections: true
---

# 本次修订说明

**修订日期：2026年8月13日**

本版本补充了基于大模型模拟数据开展快速实验的技术方案，主要改动如下：

- 在“参数估计与数据方案”章节新增 **7.4 模拟实验设计流程（基于大模型）**；
- 定义任务行为画像向量，包括工具调用概率、任务拆分概率、平均子任务数、超时与失败概率、处理时间和消息大小参数；
- 说明采用“大模型生成行为画像 + 本地受约束随机引擎生成事件日志”的混合方法，而不是让大模型直接逐行生成海量日志；
- 补充 `task_id`、`message_id` 和 `parent_message_id` 驱动的消息因果链构造方法；
- 增加概率范围、正值参数、事件时间顺序、消息守恒、训练/验证/测试隔离和随机种子等质量约束；
- 补充静态均值基线、无上下文模型、完整双层状态机模型、压力实验和重试放大实验的闭环；
- 明确模拟数据的用途是验证模型实现和实验方法，正式结论仍需真实日志或可控 Agent 实验校准。

上述流程已在 `agent_traffic_experiments/` 中实现，模型输入输出字段和本方案中的状态机、参数估计及评估指标保持对应。

# 摘要

本文面向大规模多智能体系统中的通信流量预测问题，建立由动态通信图、双层随机混合自动机、消息队列、路由与目标选择模型、离散事件调度器和流量统计模型组成的统一框架。外层自动机描述消息在节点之间的传播位置和交互路径，内层自动机描述节点接收、排队、思考、任务拆分、工具调用、等待、重试和发送等行为。模型通过节点能力、任务上下文、局部拓扑及系统负载共同决定状态转移概率、状态持续时间、输出消息数量和消息大小。

参数主要由小规模运行日志、系统配置和压力测试数据估计；对于新任务、新阶段和新节点，采用分层参数共享、特征表示和回退机制实现组合泛化。最终利用离散事件仿真，计算节点与链路流量、任务时延、吞吐量、队列长度、流量放大系数以及故障重试效应，为大规模 Agent 网络的容量规划和架构优化提供依据。

**关键词：** 多智能体系统；网络流量；随机混合自动机；离散事件仿真；排队模型；分层参数

# 1 问题定义

## 1.1 研究对象

研究对象为由 Agent、工具服务、数据库、模型服务等计算与通信实体构成的异构网络。外部任务进入网络后，节点会根据任务阶段和自身能力进行推理、拆分、协作、查询、转发或返回结果，并产生新的内部消息。

系统需要根据有限规模日志和配置参数，预测更大规模或更高负载条件下的网络行为。

## 1.2 输入

模型输入包括：

- 网络拓扑及其动态变化规则；
- 节点能力、并发上限、服务速度和队列容量；
- 外部任务类型、阶段、到达过程和优先级；
- 状态转移、状态持续时间和下游消息数量参数；
- 不同消息类型的大小分布；
- 链路带宽、传播时延和传输失败参数；
- 超时阈值、最大重试次数和退避策略。

## 1.3 输出

在时间窗口 $T$ 内，输出包括：

1. 节点入站/出站消息数和字节数；
2. 链路累计流量、平均速率和利用率；
3. 任务完成时间及平均、P95、P99 延迟；
4. 节点队列长度、利用率、吞吐量和丢弃数；
5. 平均跳数、内部消息数和流量放大系数；
6. 超时率、失败率、重试次数和故障影响范围；
7. 热点节点、瓶颈链路和系统稳定区间。

## 1.4 建模边界

本模型主要描述应用层消息及其引发的计算、排队和路由行为。若比赛数据只提供逻辑消息大小，则不额外精确建模 TCP/IP 包头、分片和底层重传；如能获得网络层数据，可在逻辑消息大小之上增加协议开销系数。

# 2 基本假设

为构建可计算模型，作如下基础假设：

1. 系统可表示为随时间变化的有向图，节点和链路属性在事件发生时更新；
2. 消息是仿真的基本通信对象，每条消息具有来源、目的、类型、大小和任务关联；
3. 节点共享通用状态集合，但可执行动作和参数因能力、上下文与负载不同；
4. 状态持续时间和消息大小服从从日志估计的经验分布或参数分布；
5. 外部任务到达可按实测时间序列重放；无日志时，基线场景采用泊松或非齐次泊松过程；
6. 节点处理资源和链路带宽有限，负载超过容量会形成队列或丢弃；
7. 超时与失败可触发有限重试，重试策略由最大次数和退避规则控制；
8. 不同随机实验使用独立随机种子，并通过多次重复估计均值和置信区间。

# 3 系统对象与符号定义

## 3.1 动态通信图

系统在时刻 $t$ 表示为：

$$
G(t)=(V(t),E(t))
$$

$V(t)$ 为节点集合，$E(t)$ 为有向通信边集合。对链路 $e=(u,v)$，定义：

$$
g_e(t)=(C_e,d_e,u_e(t),p_e^{fail})
$$

其中 $C_e$ 为带宽，$d_e$ 为基础传播时延，$u_e(t)$ 为利用率，$p_e^{fail}$ 为传输失败概率。

## 3.2 节点

节点 $v$ 表示为：

$$
v=(x_v,q_v,G_v,z_v,r_v,Q_v)
$$

其中：

- $x_v$：能力和静态资源向量；
- $q_v$：节点级资源状态，取 `Idle`、`Busy`、`Saturated` 或 `Failed`，不表示某条消息所处的业务处理阶段；
- $G_v$：局部拓扑子图；
- $z_v$：从局部拓扑提取的度数、距离、邻居能力和负载特征；
- $r_v$：并发数、处理资源占用及可用容量；
- $Q_v$：等待队列。

能力向量示例：

```text
x_v = {
  can_reason: true,
  can_split_task: true,
  can_call_tool: true,
  can_query_database: false,
  can_forward: true,
  max_concurrency: 4
}
```

## 3.3 消息

消息定义为：

$$
m=(message\_id,task\_id,parent\_message\_id,correlation\_id,
attempt\_id,source,destination,next\_hop,message\_type,
message\_size,priority,path,h,retry\_count,t_{create})
$$

其中 `destination` 是逻辑最终接收节点，`next_hop` 是本次传输实际到达的下一跳；$h$ 是消息已完成的跳数。`parent_message_id` 用于还原消息触发关系，`task_id` 用于关联同一次任务，`correlation_id` 用于匹配请求、响应、错误和超时，`attempt_id` 用于区分同一逻辑请求的不同发送尝试。

## 3.4 任务上下文

任务上下文 $c$ 包含任务类型、任务阶段、复杂度、可靠性要求、实时性要求等。为了支持未知类别，除离散标签外，还可使用如下可解释特征：

```text
long_context, needs_external_tool, collaboration_degree,
realtime_requirement, reliability_requirement, result_complexity
```

# 4 双层随机混合自动机

## 4.1 外层自动机

外层自动机描述消息的网络位置和交互关系。外层状态可写为：

$$
S_m^{outer}(t)=(v_t,path_m,h_m,c_m)
$$

当节点内部状态转移生成新消息时，外层模型选择目标节点或下一跳，并计算传输完成时间。目标选择模型为：

$$
P(dst=u\mid v,type,c,z_v,\ell)=
\frac{\exp(r_u)}{\sum_{k\in\mathcal N_v^{feasible}}\exp(r_k)}
$$

评分 $r_u$ 可以综合能力匹配、跳数、队列长度、链路利用率和历史成功率：

$$
r_u=\theta_1 match_u-\theta_2 distance_u-\theta_3 queue_u
-\theta_4 utilization_{vu}+\theta_5 reliability_u
$$

## 4.2 内层自动机

节点内部状态集合定义为：

$$
\mathcal Q=\{Idle,Receive,Queue,Think,Split,CallAgent,
CallTool,Query,Forward,Wait,Retry,Send,Failed\}
$$

该集合表示消息或任务处理上下文状态 $q_m$，不是节点整体资源状态 $q_v$。同一节点可同时维护多个 $q_m$，其数量和资源占用由 $r_v$ 与 `max_concurrency` 约束。

主要状态转移如下：

```text
Idle → Receive
Receive → Queue / Think
Queue → Think
Think → Send / Split / CallAgent / CallTool / Query / Forward
Split / CallAgent / CallTool / Query / Forward → Wait
Wait → Think / Retry
Retry → Think / Failed
Send / Failed → Idle
```

每次状态转移可同时产生状态持续时间、输出消息集合和流量增量。因此，模型属于含离散状态、连续时间和随机输出的混合自动机。

## 4.3 可行转移过滤

设状态 $q$ 的候选动作集合为 $\mathcal A(q)$，根据能力、拓扑和资源得到可行集合：

$$
\mathcal A(X)=\{a\in\mathcal A(q):constraint(a,x_v,z_v,r_v,c)=1\}
$$

例如：

- `can_call_tool=false` 时移除 `CallTool`；
- 无可用数据服务时移除 `Query`；
- 队列或并发已满时进入等待、拒绝或转发分支；
- 达到最大重试次数后移除继续重试分支。

## 4.4 条件状态转移概率

对于可行转移 $j$，定义评分：

$$
s_j=\beta_j+\alpha_{task,j}+\gamma_{phase,j}
+\eta_{cap,j}+\delta_{topology,j}+\rho_{load,j}
$$

通过 softmax 得到：

$$
P(j\mid X)=\frac{e^{s_j}}
{\sum_{k\in\mathcal A(X)}e^{s_k}}
$$

若日志样本较少，可采用带平滑的频率估计作为初始值：

$$
\hat P_{ij}=\frac{N_{ij}+\alpha}{\sum_k N_{ik}+K\alpha}
$$

其中 $\alpha$ 为平滑系数，$K$ 为候选转移数量。

## 4.5 状态持续时间

不同状态采用不同持续时间分布。正值且右偏的数据可使用对数正态分布：

$$
\log T_q\sim \mathcal N(
\mu_q+\alpha_{task}+\gamma_{phase}+\eta_v+\rho_{load},\sigma_q^2)
$$

当样本量充足时，优先保存经验累积分布，并报告均值、中位数、P95 和 P99，避免只使用平均值掩盖长尾。

## 4.6 输出消息模型

一次转移产生的消息数量为 $N_{out}$，消息集合为：

$$
M_{out}=\{m_1,m_2,\ldots,m_{N_{out}}\}
$$

任务拆分的 $N_{out}$ 可采用经验离散分布或泊松、负二项分布。消息大小按类型和阶段建模：

$$
\log S_m\sim\mathcal N(\mu_{type,phase},\sigma_{type,phase}^2)
$$

# 5 队列、链路与时间模型

## 5.1 节点队列

节点 $v$ 在时间窗口内的队列动态为：

$$
Q_v(t+\Delta t)=\min\left\{Q_v^{max},
\max[0,Q_v(t)+A_v(t)-D_v(t)]\right\}
$$

当队列达到 $Q_v^{max}$ 时，根据系统策略执行丢弃、拒绝、限流或改道。

$Q_v(t)$ 仅包含已经到达节点但尚未分配到活跃处理资源的消息；$D_v(t)$ 表示窗口内从等待队列取出并开始处理的消息数。队列采用有界、按 `priority` 优先且同优先级按到达顺序处理的规则。默认 `Wait` 上下文仍占用并发槽；实际系统若在等待期间释放资源，应设置 `wait_holds_slot=false`，并在响应到达后重新申请并发槽。

若某基线场景满足泊松到达和指数服务，可用 M/M/1 结果进行理论校验：

$$
\rho=\frac{\lambda}{\mu},\qquad
W=\frac{1}{\mu-\lambda},\qquad \lambda<\mu
$$

正式仿真不强制要求指数分布，可直接使用经验处理时间和多并发服务资源。

## 5.2 链路传输时间

消息 $m$ 经过链路 $e$ 的基础传输时间为：

$$
T_{e,m}=d_e+\frac{S_m}{C_e}+T_e^{queue}
$$

如需更细致地表达利用率导致的非线性排队，可设：

$$
T_e^{queue}=\kappa_e\frac{u_e}{1-u_e+\varepsilon}
$$

该形式需要通过压力测试校准，不应在无数据时声称为真实网络规律。

## 5.3 超时和重试

请求在超时阈值 $T_{timeout}$ 前未收到有效响应时进入 `Retry`。若单次成功概率为 $1-p$，允许最多 $R$ 次重试，则理论期望请求次数为：

$$
E[N_{request}]=\sum_{k=0}^{R}p^k=
\frac{1-p^{R+1}}{1-p}
$$

超时概率本身可以随队列和链路利用率变化：

$$
logit(p_{timeout})=omega_0+omega_1 Q_v+omega_2 u_e+omega_3 T_{service}
$$

# 6 流量与性能指标

## 6.1 节点流量

时间窗口 $T$ 内节点入站和出站字节数：

$$
B_v^{in}(T)=\sum_{m:dst(m)=v}S_m,
\qquad
B_v^{out}(T)=\sum_{m:src(m)=v}S_m
$$

对应平均速率为 $B/T$。

## 6.2 链路流量

$$
B_e(T)=\sum_{m:e\in path(m)}S_m,
\qquad
R_e(T)=\frac{B_e(T)}{T}
$$

链路利用率为：

$$
U_e(T)=\frac{R_e(T)}{C_e}
$$

## 6.3 任务级指标

任务 $i$ 的端到端延迟：

$$
L_i=t_i^{finish}-t_i^{arrival}
$$

任务内部流量放大系数定义为：

$$
AF_i=\frac{\text{任务 }i\text{ 产生的内部总字节数}}
{\text{任务 }i\text{ 的外部输入字节数}}
$$

也可分别计算消息数量放大系数、工具调用放大系数和重试放大系数。

## 6.4 系统稳定性

对每个节点检查有效到达率与服务能力：

$$
\rho_v=\frac{\lambda_v^{eff}}{\mu_v}
$$

其中 $\mu_v$ 按基准模型定义为节点的总单位时间处理能力，已经综合节点并发槽、资源竞争和消息类型差异，不能再默认乘以 `max_concurrency`。若实测参数是单槽服务率，则必须先根据并发竞争和资源共享关系换算为节点总处理能力。多个关键节点长期满足 $\rho_v\ge 1$ 时，系统通常进入队列持续增长区间。由于任务拆分和重试会改变 $\lambda_v^{eff}$，稳定性需要通过迭代或仿真而非只看外部到达率判断。

# 7 参数估计与数据方案

## 7.1 日志模式

每条事件至少包含：

| 字段 | 含义 |
|---|---|
| timestamp | 事件时间 |
| task_id、message_id、parent_message_id | 任务与消息触发关系 |
| correlation_id、attempt_id | 请求响应匹配与重试尝试区分 |
| source、destination、next_hop | 逻辑发送端、逻辑接收端与实际下一跳 |
| task_type、task_phase、message_type | 业务上下文 |
| state_before、state_after | 状态转移 |
| state_duration | 状态持续时间 |
| message_size | 消息字节数 |
| queue_length、concurrency | 节点负载 |
| link_utilization | 链路负载 |
| success、retry_count | 结果与重试 |

## 7.2 估计流程

1. 根据 task_id 和 parent_message_id 还原任务调用树；
2. 校验时间戳顺序、重复消息和缺失字段；
3. 按状态、任务、阶段、能力和负载分组；
4. 估计转移概率、持续时间和消息大小分布；
5. 使用压力测试估计高负载下的服务率和超时率；
6. 划分训练集、验证集和测试集；
7. 记录每个参数的样本量、来源、版本和置信度。

## 7.3 未知类别与回退

运行时依次尝试：

```text
类别专属参数
→ 相似类别或特征组合参数
→ 同任务类型的上级参数
→ 全局状态基础参数
```

回退结果应附带 `parameter_source=fallback` 和较低置信度，避免把缺少数据的预测解释为高可信结论。

## 7.4 模拟实验设计流程（基于大模型）

在尚未获得足量真实 Agent 运行日志时，采用“大模型生成行为画像 + 规则约束生成事件日志”的混合数据构造方法。大模型用于提供不同任务类型的语义差异和合理参数组合，本地生成程序负责生成大规模、结构一致且可重复的日志。

### 7.4.1 流程设计

```text
步骤1：定义任务类型、网络节点和实验负载
  ↓
步骤2：大模型生成任务行为画像
  ↓
步骤3：执行结构与数值约束校验
  ↓
步骤4：本地生成器扩展任务、状态和消息事件
  ↓
步骤5：按任务划分训练集、验证集与测试集
  ↓
步骤6：训练集估计状态机和分布参数
  ↓
步骤7：验证集选择分布和调整参数
  ↓
步骤8：测试集作为模拟实测值进行最终预测验证
  ↓
步骤9：执行基线、压力和重试实验并输出图表
```

大模型生成的单个行为画像包括：

$$
profile=(p_{tool},p_{split},E[N_{subtask}],p_{timeout},p_{fail},
\mu_T,CV_T,\mu_{req},\mu_{resp},CV_S)
$$

分别表示工具调用概率、任务拆分概率、平均子任务数、超时概率、失败概率、处理时间均值和变异系数、请求与响应消息大小均值以及消息大小变异系数。

### 7.4.2 结构化事件扩展

行为画像通过本地随机引擎扩展为事件日志。每个任务生成唯一 `task_id`，每条消息生成唯一 `message_id`，并通过 `parent_message_id` 记录任务拆分、工具请求和返回结果之间的因果关系。生成器按照状态机约束生成：

```text
外部任务到达 → 协调节点思考 → 拆分或调用执行节点
→ 可选工具调用 → 超时与有限重试 → 执行结果返回
→ 协调节点汇总 → 最终响应
```

生成过程中同时维护时间戳、状态持续时间、消息大小、来源节点、目标节点、队列长度、成功状态和重试次数。

### 7.4.3 数据质量约束

- 概率参数限制在 $[0,0.95]$，不可行状态转移概率设为零；
- 子任务数量、消息大小和处理时间必须为正，并设置合理上限；
- 消息标识唯一，父消息必须存在或为空；
- 同一任务的事件时间保持因果顺序；
- 发送、接收、在途、丢弃和外部输出之间满足消息守恒；
- 训练集、验证集和测试集按完整任务划分，避免消息级数据泄漏；
- 保存生成模型、提示词版本、配置文件和随机种子。

### 7.4.4 实验闭环

训练事件用于估计状态转移概率、持续时间分布、消息大小分布和重试参数；验证事件用于选择分布和调整参数；测试事件只按任务聚合为模拟实测值并用于最终评估。随后分别运行静态均值基线、无任务上下文模型和完整双层状态机模型，并比较内部流量、任务延迟、消息数、工具调用数和流量放大系数。压力实验通过提高外部到达率观察队列和容量拐点，重试实验通过组合超时概率与最大重试次数观察成功率和流量放大。

该流程的定位是快速验证模型实现、实验方法和指标体系。模拟数据不得表述为真实生产数据；正式结论仍需真实日志或可控 Agent 实验进行校准。

# 8 离散事件仿真算法

## 8.1 事件类型

- ExternalArrival：外部任务到达；
- MessageArrival：消息抵达目标节点；
- ServiceStart：节点获得处理资源；
- StateComplete：状态处理完成；
- TransmissionComplete：消息传输完成；
- ResponseArrival：协作或工具结果返回；
- Timeout：请求超时；
- Retry：重新发送或改选目标；
- Failure/Recovery：节点或链路故障与恢复；
- Snapshot：周期性统计快照。

## 8.2 核心状态

仿真器维护：全局时钟、优先事件队列、节点状态、节点等待队列、链路状态、未完成请求表、任务状态表以及流量统计器。

## 8.3 核心伪代码

```text
初始化拓扑、节点、参数和随机种子
生成外部任务到达事件

while 事件队列非空 且 当前时间 < 仿真终止时间:
    event = 弹出时间最早的事件
    clock = event.time

    if event 为消息到达:
        更新目标节点入站流量
        若有处理资源则安排处理，否则进入队列

    if event 为状态完成:
        读取任务、阶段、能力、拓扑和负载
        过滤不可行转移
        计算条件概率并抽样下一状态
        抽样持续时间、输出消息数量和消息大小
        更新节点状态、队列和资源
        为输出消息选择目标并安排传输事件
        必要时安排超时事件

    if event 为响应或超时:
        取消互斥事件或触发重试/失败

    更新任务、节点、链路和全局指标
```

## 8.4 事件冲突处理

响应和超时可能同时存在于事件队列。为每个请求维护唯一 `request_id` 和状态标记；先发生的有效事件更新请求状态，后续互斥事件到达时被忽略，防止同一请求既成功又重试。

## 8.5 可复现性

所有随机源由统一种子管理。实验配置保存为版本化文件，包含拓扑、参数、仿真时长、预热期、重复次数和种子列表。报告中的每张图应能由对应配置和脚本重新生成。

# 9 大规模仿真优化

## 9.1 事件驱动

不按固定毫秒更新所有节点，只处理实际事件，复杂度主要与事件数量有关。若总事件数为 $M$，二叉堆优先队列的调度复杂度约为 $O(M\log M)$。

## 9.2 稀疏拓扑与局部查询

采用邻接表存储通信图，节点选择只遍历可行邻居，避免建立 $|V|^2$ 的全连接矩阵。

## 9.3 节点聚合

对于能力、参数和连接模式相同的大量节点，可在宏观实验中按节点群组聚合；在需要尾延迟和热点分析的局部区域保留细粒度仿真。

## 9.4 分区与并行

可按网络社区或业务域进行分区，跨区消息作为边界事件交换。并行化时必须保证事件因果顺序，比赛原型阶段可先完成单机确定性版本，再扩展并行实现。

# 10 三节点算例

设外部任务大小为 2 KB，路径为：

```text
外部 → Node_A → Node_B → Node_C → Node_B → Node_A
```

其中：

- A→B 任务请求 3 KB；
- B→C 工具请求 1 KB；
- C→B 工具响应 4 KB；
- B→A 最终结果 2 KB；
- B 调用工具的基础概率为 0.7。

若一次任务实际进入工具调用分支，则节点间链路累计流量为：

$$
B_{AB}=3+2=5\text{ KB}
$$

$$
B_{BC}=1+4=5\text{ KB}
$$

若外部任务到达率为每秒 100 条，忽略排队和失败，则期望链路流量近似为：

$$
R_{AB}=100\times5=500\text{ KB/s}
$$

$$
R_{BC}=100\times0.7\times5=350\text{ KB/s}
$$

该算例用于验证计数和事件实现。正式实验将引入随机消息大小、处理时间、队列、有限带宽和超时重试。

# 11 验证设计概述

模型验证分为：

1. 手工算例逐事件对账；
2. 小规模日志训练/验证/测试集预测；
3. 与静态倍数、纯拓扑和 M/M/1 基线比较；
4. 移除分层阶段、局部拓扑、队列或重试模块的消融实验；
5. 到达率、带宽、并发数、超时率和重试上限敏感性分析；
6. 10—100000 仿真节点的性能扩展实验。

预测误差使用 MAE、RMSE 和 MAPE；尾延迟单独比较 P95/P99；热点识别使用 Precision、Recall 和 F1；仿真性能报告运行时间、内存峰值和每秒处理事件数。

# 12 模型局限与改进方向

- 小规模日志不能直接覆盖大规模系统中的新拥塞机制，需要压力实验校准；
- 泊松到达只适合作为无实测数据时的基线，突发任务应使用实测序列或批量到达模型；
- 参数之间可能存在相关性，独立抽样会低估极端事件，后续可引入联合分布或条件生成模型；
- 若新能力引入流式通信、广播或长期连接，需要扩展状态机结构；
- 超大规模精细仿真计算成本较高，可研究多分辨率和代理模型加速；
- 模型预测代表给定假设和参数下的仿真结果，必须同步报告参数来源和置信度。

# 13 最终模型定义

消息处理事件在时刻 $t$ 的完整状态表示为：

$$
s_m(t)=(v,q_v,q_m,x_v,z_v,c,m,path,h,Q_v(t),r_v,\tau_v,retry\_count)
$$

一次状态更新为：

$$
(s_{t+\Delta t},M_{out},\Delta F)=f(s_t,g_e(t),\xi_t)
$$

其中 $\xi_t$ 表示状态选择、持续时间、消息大小、目标选择和故障等随机变量，$\Delta F$ 表示节点及链路流量增量。

因此，整体模型可概括为：

$$
\boxed{\text{随机混合自动机}+\text{消息队列}+\text{动态通信图}
+\text{事件调度器}+\text{路由模型}+\text{流量统计}}
$$

# 结论

本方案将 Agent 的任务行为转化为可观测、可估计的消息生成机制，并通过双层状态机与动态网络连接起来。模型既保留状态、路径、参数和流量之间的可解释关系，又能通过事件仿真表达队列、拥塞、超时和重试的非线性反馈。下一阶段应以最小可运行仿真器和标准化实验为重点，用数据检验模型精度、模块必要性和大规模运行能力。