该论文面向工业控制系统（OT，Operational Technology）的自动化入侵响应问题。OT 系统负责监控和控制电力、水务、制造等关键工业过程，一旦遭受网络攻击，可能直接影响社会基础服务的可用性与安全性，因此仅靠人工响应已难以满足时效要求，如何构建自动化的响应决策策略成为重要研究课题。作者的核心贡献在于：不再把响应决策当作简单的规则映射或静态策略表，而是将其形式化为一个部分可观测马尔可夫决策过程（POMDP）。在这个模型中，防御方无法直接、完整地观测 OT 系统的真实安全状态，只能通过基于流量测量（traffic measurements）得到的间接、带噪声的观测来推断当前态势，这一设定比常见的完全可观测假设更贴近真实工业网络的可见性受限情况。基于该 POMDP 建模，作者采用 PPO（Proximal Policy Optimization）这一深度强化学习算法求解，使原本在部分可观测条件下难以求解的响应决策问题变得可计算、可训练，从而能够学习出自动化的入侵响应策略。实验方面，作者在一个仿真/模拟的 OT 系统上对训练得到的响应策略进行评估，结果显示在所研究的用例中，这些策略对多种 MITRE ATT&CK（针对 ICS/OT 的）攻击类型均表现出有效性。总体而言，该工作给出了一条从“流量观测—状态推断—响应动作学习”的完整技术路线，把强化学习与部分可观测建模引入 OT 入侵响应，属于防御侧的决策自动化研究。需要注意的是，论文摘要未披露状态空间、动作空间、奖励函数设计、基线对比、收敛性与误报代价等细节，评估也限于模拟环境和单一用例，结论向真实生产 OT 环境的迁移仍需进一步验证。

企业入侵响应仍依赖于静态剧本和安全分析师的手动操作，导致从告警生成到威胁遏制之间存在严重延迟。为此，本文提出Agentra——一个可监督的多智能体入侵响应系统框架。Agentra以MITRE ATT&CK、MITRE D3FEND和NIST CSF 2.0等业界标准为理论基础，将来自IDS、EDR和XDR平台的告警自动转化为结构化的应急响应计划。其核心设计包括：(1) 将响应推理任务分解给不同角色的智能体（如Planner、Validator、Moderator等），实现职责分离；(2) 通过Planner–Validator循环对生成的计划进行边界验证；(3) 设置Moderator安全网关对检索到的威胁情报进行过滤；(4) 通过操作目录和风险评分机制限制可执行动作；(5) 在仅追加的审计日志中记录所有决策。在基于ThreatHunter-Playbook、Splunk BOTSv3和DARPA OpTC构建的120个事件语料库上，Agentra与静态OASIS CACAO v2.0剧本基线进行了对比评估。最强配置下，FP-aware IRS F1分数从0.61提升至0.84，同时将预期有害动作率从Planner-only配置下的非安全水平降回静态基线水平的0.0%。实验证明，多智能体响应规划能够在保持分析师审批与审计可追溯性的前提下，提升基于本体论的入侵响应覆盖率。