论文聚焦现代企业安全运营中心（SOC）面临的响应延迟问题：人工处置滞后使攻击者得以在杀伤链的早期侦察阶段持续推进。作者指出，经典博弈论防御模型虽然能优化防御资源的战略分配，但其效用矩阵是静态的，无法随实时遥测数据自适应调整。为此，论文提出一个“指标驱动”的集成决策引擎，把定量风险参数化与持续的自动化响应时间衔接起来。方法层面包含四个组件：其一，将 CVSS 的可利用性（exploitability）相关参数映射为攻击者成功概率，使漏洞评分具备行为学含义；其二，借助 FAIR（信息风险因素分析）框架的蒙特卡洛模拟评估防御方日志分布，从而把漏洞严重性转化为可货币化或可量化的风险；其三，把实时 SIEM 日志流建模为泊松到达过程，利用序贯贝叶斯滤波动态更新防御方对威胁的后验信念，从而区分真实对抗性探测与瞬态背景噪声；其四，将攻防交互形式化为动态贝叶斯 Stackelberg 博弈，推导出闭式阈值——当期望的未缓解风险超过主动遏制的成本时即触发自动化响应。实验部分以 2023 年 MGM Resorts 与 Caesars Entertainment 网络事件的经验数据作为参数标定来源，仿真结果显示该引擎能在抑制背景噪声的同时，于对抗性探测发生后数秒内触发 SOAR 网络隔离；多参数敏感性分析进一步表明决策边界会随实时周界脆弱性动态调整，为亚分钟级的自动化威胁遏制提供了控制论层面的理论基础。该工作适合 SOC 检测工程与自动化响应团队、SOAR 平台建设者，以及研究安全经济学与博弈论防御建模的读者。

该论文面向任务关键型环境中的网络防御，提出了一种面向任务的三层网络防御框架，用于增强网络态势感知（CSA）与决策支持。研究背景是：在任务关键型运营域中，防御者需要在信息不完整且有噪声的观测条件下，持续估计不断变化的安全态势，同时保持关键任务的连续性与完整性，而现有方法往往难以在统一框架内同时表达攻击进展、防御方不确定性、任务影响和防御决策支持。核心方法是一个三层概率集成模型：第一层是攻击图模型，刻画攻击者经由任务相关资产的潜在进阶路径；第二层是事件模型，利用贝叶斯推断将观测到的遥测数据转换为防御者的后验信念；第三层是状态模型，将推断出的安全态势抽象为冲突状态和任务风险等级。三个层次连接到一个单步防御行动规则，该规则在估计的残余任务风险与运营成本之间进行权衡。框架在一个基于NetLogo的智能体仿真中实例化，仿真环境包含战术边缘区（TEZ）、任务运营区（MOZ）和企业支持区（ESZ）三个运营区域。评估方式包括数学一致性分析、遥测扰动下的局部鲁棒性评估以及代表性仿真轨迹分析。结果表明，该框架及其实现能够在攻击推进、遥测驱动的不确定性管理、任务影响评估以及基于任务风险优先级的成本感知防御决策支持之间保持连贯关系。主要贡献在于提供了一个可执行的仿真原型和统一的概率模型，将攻击图、事件推断和状态抽象有机结合，为任务关键型环境中的态势感知与防御决策提供了一种系统化方法。适合网络防御架构师、态势感知研究人员以及关注任务保障的蓝队人员阅读。