该论文针对基于溯源（provenance）的入侵检测系统（PIDS）中规则方法检测精度不足、误报率高的问题展开研究。现有规则型PIDS虽然具备轻量级、实时性强和可解释性等优势，但规则通常过于粗糙且缺乏针对具体环境的配置，导致在实际部署中难以区分正常与恶意行为。为此，作者提出CAPTAIN系统，一个能自动适应多种环境的规则型PIDS。其核心创新在于引入三个自适应参数，分别从节点（node）、边（edge）和告警生成阈值三个层面动态调整检测配置。作者构建了一个可微分的标签传播框架，并利用梯度下降算法基于训练数据对这些自适应参数进行优化，从而使系统能够学习环境的特定行为模式。实验基于DARPA Engagement数据集和模拟环境进行评估，结果表明CAPTAIN在保持规则型PIDS低开销和可解释性优势的同时，显著提升了检测准确率，降低了检测延迟和运行时开销，整体性能优于现有最先进的PIDS。对于蓝队和SOC而言，该研究提供了一种兼顾效率与精度的入侵检测思路，尤其适用于需要高可解释性且资源受限的部署场景。