该论文聚焦于网络攻击预测中AI/机器学习理论与实际部署之间的鸿沟。作者首先指出，尽管已有大量研究提出高精度的预测模型，但这些模型在真实生产环境中往往难以落地，主要原因包括：数据集随时间推移而过时、攻击行为覆盖范围狭窄、模型实时可解释性不足、对抗鲁棒性欠缺以及隐私伦理问题。基于对150余个基准数据集和200余篇研究的系统分析，论文识别并优先排序了上述五项实施障碍，并引入了一个新颖的缺口优先级框架，该框架依据检测影响、实施成本和修复时间三个维度评估各项限制。分析结果表明，数据集过时和对抗鲁棒性是最高优先级的缺口，而模型可解释性对于资源受限环境是最具成本效益的改进路径。为弥合研究与实践的鸿沟，论文提供了实用的实施路线图，并设计了一个数据集质量评估框架，将45个基准数据集分为生产就绪、仅研究可用和不可用三类。总体而言，该工作将学术成果转化为可操作的决策支持工具，旨在推动稳健、面向生产的AI驱动网络防御。