Commercialization.tapadn/Tools/SmartLoadSensitivity/output/TapADN_智能预加载_敏感度验收报告.md

TapADN 智能预加载策略验收报告（含随机偏好机器人 + 网络环境）

仿真前提

• 模型定位：IAA 场景中 3 类广告位（激励/开屏/插屏）统一参与策略决策。
• 次留默认验收基线：35%
• 随机机器人数量：5000
• 场景进入->展示请求->预加载决策->展示时延为核心链路。
• 每次样本运行前先生成一批“偏好机器人”，再在其上分别运行：纯手动（无 smart）与智能预加载两种模式。
• 预加载触发后在 cooldown 内有效一次，不命中将视作普通 load。
• Immediate：请求时已命中可直接播放的占比（值越高越好）
• Waste：预加载后在 cooldown 内未被消费即失效的比例（值越低越好）
• 网络环境：Wi-Fi / 4G / 3G / 2G 按机器人偏好加权采样，逐回合独立变化。

机器人与网络设置

• 机器人类型：随机采样以下偏好族（reward_heavy、interstitial_focus、splash_driven、balanced、churn_sensitive、network_bound）。
• 每类机器人具有独立的场景进入偏好、请求偏好、fill 成功倍率、加载时延倍率和留存倍率。
• 网络环境以会话粒度采样，低网速会同步影响网络请求率、fill 成功率和加载耗时。

参数扫描范围

• Threshold: 0.20~0.90 步长 0.05
• Cooldown: 30,60,90,120,180,240,300
• 次留：20%,25%,30%,35%,40%,50%,60%

基线对照

• 次留 35% 基线（纯手动，无 smart）即时命中率：0.00%
• 次留 35% 基线平均时延：1615 ms（p95 2913）
• 次留 35% 建议起点（当前模型）：threshold=0.25, cooldown=30s
  • 对比基线即时命中提升：38.09%
  • 对比基线时延变化：-565 ms
• 平衡候选（Waste<=12%）：
  • threshold=0.25, cd=60s，Immediate 25.12%，Waste 4.88%

最优/最差（次留=35%）

排名	Threshold	Cooldown	即时命中率	平均等待	P95等待	浪费率	播放成功率
1	0.25	30	38.09%	1050	2787	14.03%	81.35%
2	0.20	30	36.65%	1073	2790	13.96%	81.35%
3	0.25	60	25.12%	1234	2774	4.88%	77.96%
4	0.20	60	24.81%	1242	2830	6.75%	77.45%
5	0.30	30	24.65%	1285	2894	7.73%	77.79%
6	0.30	60	24.56%	1239	2812	5.76%	77.61%
7	0.35	30	23.05%	1318	2895	5.44%	77.58%
8	0.50	30	22.96%	1320	2893	4.99%	77.54%

最差 8 组

排名	Threshold	Cooldown	即时命中率	平均等待	P95等待	浪费率	播放成功率
1	0.90	300	0.00%	1629	2924	0.00%	70.55%
2	0.90	240	0.00%	1630	2899	0.00%	70.09%
3	0.90	180	0.00%	1622	2907	0.00%	70.60%
4	0.90	120	0.00%	1633	2943	0.00%	70.51%
5	0.90	90	0.00%	1637	2963	0.00%	70.84%
6	0.90	60	0.00%	1628	2863	0.00%	70.72%
7	0.90	30	0.00%	1627	2933	0.00%	69.52%
8	0.85	300	0.00%	1623	2910	0.00%	70.69%

与纯手动模式对比（次留35%）

• 纯手动：Immediate 0.00%，AvgWait 1615ms，Waste 0.00%。
• smart 最优：阈值 0.25，cd 30，Immediate 38.09%，AvgWait 1050ms，Waste 14.03%。
• 增益：38.09%。

网络分层对比（次留35%）

• WIFI：手动即时 0.00% / 等待 1248ms；智能（threshold=0.25, cd=30s）即时 40.13% / 等待 767ms；提升 40.13%。
• 4G：手动即时 0.00% / 等待 1601ms；智能（threshold=0.25, cd=30s）即时 39.66% / 等待 1003ms；提升 39.66%。
• 3G：手动即时 0.00% / 等待 2165ms；智能（threshold=0.20, cd=30s）即时 32.64% / 等待 1498ms；提升 32.64%。
• 2G：手动即时 0.00% / 等待 3044ms；智能（threshold=0.25, cd=30s）即时 32.06% / 等待 2116ms；提升 32.06%。

次留敏感度（35%基线）

• 次留 20%：手动基线时延 1618ms，智能最佳 threshold=0.20, cd=30s，最佳 Immediate 38.69%，Waste 13.14%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 25%：手动基线时延 1641ms，智能最佳 threshold=0.20, cd=30s，最佳 Immediate 37.52%，Waste 14.16%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 30%：手动基线时延 1629ms，智能最佳 threshold=0.20, cd=30s，最佳 Immediate 37.42%，Waste 13.33%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 35%：手动基线时延 1615ms，智能最佳 threshold=0.25, cd=30s，最佳 Immediate 38.09%，Waste 14.03%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 40%：手动基线时延 1617ms，智能最佳 threshold=0.20, cd=30s，最佳 Immediate 38.05%，Waste 13.64%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 50%：手动基线时延 1618ms，智能最佳 threshold=0.25, cd=30s，最佳 Immediate 38.02%，Waste 14.06%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。
• 次留 60%：手动基线时延 1619ms，智能最佳 threshold=0.25, cd=30s，最佳 Immediate 38.01%，Waste 14.88%；最差 threshold=0.90, cd=300s，Immediate 0.00%，Waste 0.00%。

交叉参数观察

• 在同一保留率下，阈值下调能显著提高 Immediate，但通常也抬高 Waste。
• cooldown 拉长可降低 waste（减少重复预加载/空耗），但可能提高用户等待。
• 在弱网（尤其低分配机器人更多时）场景，建议提高 waste 上限约束后再考虑 lower threshold。

图表示例（输出文件）

• heatmap_immediate_r_0.20.png

• heatmap_immediate_r_0.35.png

• heatmap_immediate_r_0.60.png

• heatmap_preload_success_r_0.20.png

• heatmap_preload_success_r_0.35.png

• heatmap_preload_success_r_0.60.png

• heatmap_wait_ms_r_0.20.png

• heatmap_wait_ms_r_0.35.png

• heatmap_wait_ms_r_0.60.png

• heatmap_waste_ratio_r_0.20.png

• heatmap_waste_ratio_r_0.35.png

• heatmap_waste_ratio_r_0.60.png

• line_immediate_vs_retention.png

• line_mode_immediate_vs_retention.png

• line_mode_wait_vs_retention.png

• line_network_immediate_vs_retention.png

• line_network_wait_vs_retention.png

• line_threshold_0.55_retention_0.20.png

• line_threshold_0.55_retention_0.25.png

• line_threshold_0.55_retention_0.30.png

• line_threshold_0.55_retention_0.35.png

• line_threshold_0.55_retention_0.40.png

• line_threshold_0.55_retention_0.50.png

• line_threshold_0.55_retention_0.60.png

• line_wait_vs_retention.png

验收结论

• 建议首轮灰度点：threshold=0.25, cooldown=60s（兼顾即时性与 waste）。
• 次留 35% 下智能策略最佳立即命中来自 threshold=0.25, cd=30s，即时率 38.09%，Waste 14.03%。
• 建议将 smart_preload 配置作为实验变量：先以纯手动为对照，再按次留分层和网络监控逐步放量。