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。