随着本地小语言模型（SLM）与能力更强的云端大语言模型（LLM）协作日益普遍，一个自然的隐私问题浮现：本地 SLM 能否在获得云端 LLM 指导的同时保护用户隐私？现有隐私保护 SLM-LLM 框架主要隐藏敏感数值而保留任务语义，但任务语义本身仍会泄露用户意图。例如，跨医院分配稀缺医疗物资可能暗示公共卫生紧急事件，再平衡投资组合可能暴露私人投资策略，即便姓名与数值已被隐藏。近期基于诱饵（decoy）的方法把真实请求混入候选中以掩盖意图，但更强保护依赖更多诱饵或语义抽象，会推高开销或造成效用损失。更根本的是，现有工作没有系统刻画私有任务意图的组成，以及各组成部分应如何被保护。本文提出 task-private consultation 这一设定，将任务意图拆解为两个组成部分：任务上下文（task context）与任务操作（task operation）。作者称这是首个系统研究这两部分及其单独与联合保护的工作，面向本地-云端 SLM-LLM 咨询场景。为落地该设定，作者提出 PriCon 端到端框架，通过可恢复的数学重构（recoverable mathematical reformulation）直接变换任务本身，而非把任务藏在候选中；并设计本地闭环细化机制，在咨询全过程中维持隐私性与可恢复性。在 100 个任务上的实验显示，PriCon 将云端侧任务意图推断 Hit@1 降至接近 0%，而仅移除敏感值的方法为 93-99%，基于诱饵的保护为 3-30%，同时保持云端辅助效用。适合隐私保护机器学习、分布式/边缘推理、LLM 协作安全与合规审计方向的研究者与工程师阅读。

该论文针对多阶段网络攻击检测中缺乏同时覆盖系统、网络和浏览器日志的标注数据集的问题，构建了一个包含约230万条事件、870个会话（70个攻击会话、800个正常会话）的多源日志数据集。数据集在Windows端点同时捕获系统、网络和浏览器活动，并利用MITRE ATT&CK框架为恶意事件标注了12种战术和53种技术的技术ID。攻击数据使用真实工具生成，包括远程访问木马、命令与控制隧道和云数据泄露。为验证数据集的可学习性，论文使用低秩适配（LoRA）微调了三个小语言模型（SLM）：Qwen2.5-1.5B、Llama-3.2-3B和Phi-4-Mini，在分块分类和ATT&CK技术识别两个任务上评估性能。结果显示，微调后所有模型在所有指标上均优于基础版本，分块分类准确率从约8%提升至90%-97%，但技术精确匹配准确率最高仅为42%，部分匹配分数较高表明模型学到了大部分推理逻辑。该研究填补了现有数据集在涵盖三种日志源并具备ATT&CK技术级别标注方面的空白，为多阶段攻击检测的机器学习方法提供了宝贵资源。