该论文针对LLM智能体（Agent）在部署中面临的安全问题，提出了一种新的攻击归因任务：跨智能体异步攻击归因（Cross-Agent Asynchronous Campaign Attribution）。传统的LLM智能体防御通常在每个会话（session）级别独立进行检测，忽略了攻击者可能将攻击步骤分布到多个独立的智能体、团队或运行环境中，导致每个本地防御只能看到零散的片段。为了解决这一问题，论文形式化了跨智能体异步攻击归因的任务定义：在缺乏共享运行时状态、测试时攻击标签、攻击者身份或acles的情况下，将来自同一潜在攻击活动的不同会话关联起来。为此，作者提出了异步归因指纹向量（Asynchronous Attribution Fingerprint Vectors, A²FV），这是一种轻量级的代理侧参考协议，通过从代理可观察的工具体用（tool-use）、时序（timing）和提示残留（prompt residue）中提取特征，来计算会话对之间的攻击活动相似度评分。同时，论文构建了首个针对该任务的基准数据集SCD-v1，包含良性流量、孤立攻击、多会话攻击活动、匹配的非oracle逃避以及泄漏审计等场景。在SCD-v1上的实验表明，A²FV在攻击活动关联的成对AUC指标上达到0.82，而传统的单会话检测器和分块LLM评估器在相同任务下表现接近随机。进一步分析显示，最强的固定信号来自结构性和文体学残留，而时序则作为诊断通道用于更丰富的代理痕迹。交叉风格控制实验表明信号部分对风格敏感，但不能简化为仅风格因素。静态和维度感知的非oracle压力测试进一步表明，成对可分离性在受控逃避下仍然存在。这些结果确立了跨智能体攻击归因作为保障野外LLM智能体安全的一个独立评估层。