GUARD

GUARD是一个灵活的框架，用于从开放数据集中生成真实的矩阵和安全游戏实例。这些数据集包括用于反偷猎场景的动物运动数据和用于基础设施保护的人口和基础设施数据。GUARD框架允许用户自定义效用函数和游戏参数，并提供了一系列预配置的实例。此外，GUARD还提供了一些理论结果，强调了在随机游戏上进行基准测试的退化和局限性，并在计算Nash和Stackelberg均衡的标准算法上与随机基线进行了实证比较。

原始信息汇总

GUARD - Games Under Adversarial Realistic Domains 数据集概述

示例1：绿色安全游戏

数据集来源

• 数据来自喀麦隆Lobeke国家公园的公开领域研究：大象移动数据
• 数据文件：lobeke.csv
• 数据字段：
  • animal_id：动物标识符
  • lat：纬度坐标
  • long：经度坐标
  • timestamp：观测时间戳

地理边界定义

• 使用边界框定义公园范围：
  • 最小纬度：2.05522
  • 最大纬度：2.2837
  • 最小经度：15.8790
  • 最大经度：16.2038

游戏参数设置

• 网格划分：5x5网格
• 目标生成方法：基于5个聚类中心
• 玩家配置：
  • 攻击者（偷猎者）：2个
  • 防御者（巡逻员）：1个
• 时间步长：8个
• 基地位置：(3,3)网格节点

策略空间

• 防御策略数量：3,571种
• 攻击策略数量：36种

示例2：基础设施安全游戏

数据集来源

• 基础设施数据：通过Overpass Turbo查询获取的纽约市地铁区域电力设施数据
  • 查询范围：曼哈顿地区(40.4774,-74.2591,40.9176,-73.7004)
  • 数据类型：包含18891行电力相关节点、路径和关系
• 人口数据：2020年新泽西州人口普查区块数据

数据预处理

• 移除非关键设施：太阳能电池板
• 分离处理：
  • 节点数据：直接提取坐标
  • 路径数据：计算质心坐标
• 坐标系统转换：
  • 投影坐标系：EPSG:32618（UTM Zone 18N）
  • 地理坐标系：EPSG:4326（经纬度）

游戏参数设置

• 研究区域：新泽西州霍博肯市
  • 边界框：(40.752635, 40.745600, -74.030386,-74.043903)
• 电力设施权重：包含20类设施的不同权重值
• 玩家配置：
  • 攻击者：2个
  • 防御者：1个
• 时间步长：15个
• 基地位置：节点8

策略空间

• 攻击策略数量：144种
• 防御策略数量：29,249种

搜集汇总

数据集介绍

构建方式

GUARD数据集通过整合公开可用的地理空间和生态数据，构建了高度结构化的博弈实例。框架采用三层架构设计：基础层（Graph Game）定义图结构游戏核心逻辑，中间层（Security Game）实现安全博弈专用机制，顶层（Domain-Specific Game）集成动物迁徙、人口普查和基础设施等真实数据。具体构建过程中，通过时间约束的深度优先搜索生成移动单位动作空间，运用混合整数规划求解最优防御策略，并支持将博弈实例导出为OpenSpiel和Gambit兼容格式。

特点

该数据集的核心特征体现在三个方面：首先，采用模块化设计同时支持矩阵博弈（NFG）和调度博弈（SFG）两种表示形式，满足不同算法的基准测试需求；其次，基于真实地理信息的空间约束建模，包括巡逻路径生成、基础设施拓扑关联和动物活动热点聚类等技术，使博弈实例具有现实解释性；最后，提供效用函数自定义接口和预设参数库，允许调整防御资源价值、攻击成功概率等关键参数，实现博弈场景的灵活配置。

使用方法

使用该数据集时，研究者可通过三种路径开展实验：直接调用预设的博弈实例进行算法对比，利用框架API生成特定区域的安全博弈，或通过修改utility_calculator模块自定义收益函数。典型工作流程包括：加载地理数据定义博弈环境，配置攻防单位属性和时间步长，选择NFG/SFG输出格式，最后调用内置求解器或导出至第三方工具进行均衡分析。数据集特别适用于评估纳什均衡和Stackelberg均衡求解算法在空间约束场景下的计算效率与策略质量。

背景与挑战

背景概述

GUARD数据集由哥伦比亚大学工业工程与运筹学系的Noah Krever、Jakub Černý、Moïse Blanchard和Christian Kroer等研究人员于2025年创建，旨在解决博弈论算法评估中缺乏真实场景基准的问题。该数据集通过整合公开数据源（如动物移动记录和基础设施数据），构建了基于反偷猎和关键资产保护等现实场景的矩阵博弈与安全博弈实例。GUARD填补了传统博弈论研究中依赖随机生成或娱乐性游戏的空白，为安全博弈领域的算法开发提供了可定制、可复现的评估框架，显著提升了该领域研究的实用性和可扩展性。

当前挑战

GUARD数据集面临的核心挑战体现在两个维度：领域问题层面，需解决安全博弈中目标价值效用建模的稀缺性问题，传统方法因敏感数据不可获取而难以构建真实战略权衡；构建过程层面，需克服多源异构数据融合、博弈结构参数化、以及随机博弈退化性等难题。具体包括：1) 从动物轨迹和人口数据中提取具有现实意义的效用函数；2) 设计兼顾计算效率与博弈复杂性的实例生成算法；3) 验证生成博弈与真实决策场景的语义一致性；4) 处理大规模空间数据导致的行动空间爆炸问题。

常用场景

经典使用场景

GUARD数据集在博弈论算法评估中扮演着关键角色，特别是在安全博弈领域。该数据集通过整合真实世界数据（如动物迁徙记录和基础设施信息），构建了高度逼真的矩阵博弈和安全博弈实例。研究者可利用这些实例评估纳什均衡和斯塔克尔伯格均衡计算算法的性能，避免了传统随机博弈实例可能存在的简并性问题。

实际应用

在实际应用层面，GUARD数据集可直接支持反偷猎巡逻优化和关键基础设施保护等场景。例如，环保部门可利用动物移动数据生成的博弈实例优化巡逻路线；城市安全管理者可基于人口和基础设施数据模拟针对电网、医院的防御部署。数据集提供的定制化功能允许用户根据具体需求调整效用函数和博弈参数。

衍生相关工作

该数据集已催生多项创新研究，包括稀疏策略承诺算法、 contested logistics博弈建模等。其框架设计启发了GraphChase等追逃博弈平台的开发，并与OpenSpiel、Gambit等工具链形成生态互补。相关衍生工作显著拓展了博弈理论在生态保护、城市安全等领域的应用边界。