该论文研究 Model Context Protocol (MCP) 在企业网络中造成的网络检测盲区。MCP 是用于标准化自主 AI 智能体与远程工具之间通信的协议，基于 Streamable HTTP 传输，会把机器生成、经过认证、高频的 JSON-RPC 流量直接引入企业内网。传统上，防御方把“机器式固定节律”的通信视为失陷指标 (IoC)，因此这类流量本应容易被识别。作者指出，在缺乏显式网络层标识的情况下，MCP 流量在结构与时间特征上与命令控制 (C2) 信标行为高度相似，尤其是 Cobalt Strike 等高级持续性威胁常用的轮询式架构。为验证这一假设，作者搭建了基于 Docker 的受控测试床，构造 11 种有数学定义的流量剖面，覆盖三种 TLS 条件（不透明加密、TLS 解密检测、明文），并分别用 Suricata 的签名匹配和 RITA 的行为信标评分对 MCP JSON-RPC 模式进行评估。结果显示存在明显的可见性缺口：无论是否加入时间抖动 (jitter)、也无论是否具备 TLS 解密可见性，MCP 流量在 Behavior 评分上稳定得到 0.0，在 Emerging Threats (ET) Open 规则集下内容告警近乎为零，标准企业 IDS 与信标评分框架均未把 MCP 远程工具调用判为异常。作者进一步分析：不透明 TLS 虽然遮蔽了 HTTP 内容，却使流量暴露于流级时间分析之下，但现有针对传统恶意软件调优的 NIDS 启发式规则无法识别生成式 AI 推理循环所特有的对数正态到达间隔分布。据此，论文提出建立“智能体原生 (agent-native)”网络标识标准，包括 Agent-Native ALPN 与标准化带外头部，使防御方能够在不依赖内容解密的前提下区分合法智能体工具流量与恶意信标。该工作适合网络检测工程、SOC 检测规则开发、AI 智能体平台与网关基础设施团队阅读。