该论文聚焦于基于系统调用（syscall）的主机入侵检测（HIDS）这一经典方向，指出当前方法存在的一个关键结构性缺陷：现有工作通常直接按原始执行顺序对 syscall 序列建模，而来自不同进程的序列在同一时间线上彼此交错（interleaved），导致真正具有判别力的行为模式被噪声淹没，模型难以学到攻击的语义本质。为此作者提出两个研究问题：原始 syscall 序列是否可以被重组为更具判别力的表示？以及如何在重组后的序列上有效学习复杂的攻击模式？ 针对上述问题，论文提出 ReSHID 框架，包含“资源感知的行为重构”与“层次化语义学习”两部分。在行为重构层面，方法利用 syscall 的语义不变量（semantic invariants），把跨 PID 命名空间下的主体身份识别与关系解析建模为一个二分图匹配（bipartite matching）问题，从而在容器/云环境中正确区分不同进程主体；同时通过跟踪文件描述符（FD）的生命周期，将指向同一底层资源的描述符关联起来，最终重建出语义上连续的序列，消除进程交错带来的干扰。在语义学习层面，从重构序列中抽取的特征被组织成一个轻量级的“主体行为图”，图中包含主体之间的关系边，并使用 GATv2 图注意力网络捕获跨主体的关键协作/协调模式，用以刻画涉及多个主体协同完成的复杂攻击。 实验结果表明，序列重构与检测方法结合可以显著提升 HIDS 性能：即使使用最轻量的线性分类器，所提方法在 F1（98.64%）、ROC-AUC（99.80%）和 PR-AUC（98.10%）三项指标上均优于所有对比方法；同时相比原始序列与 MGFE 方法，n-gram 特征数量分别减少约 75.2% 和 44.1%，在检测精度与计算开销之间取得了较好的平衡。该工作适合研究主机侧检测、云原生容器安全、图神经网络在安全领域应用的读者阅读。

该论文聚焦于 LLM Agent 安全监测中的一个关键盲区：当前绝大多数 Agent 安全基准与防护方案都建立在应用层遥测之上，即所暴露的工具清单（tool manifest）、用户提示词以及模型消息序列。作者指出，这种单层视角存在结构性缺陷——部分威胁会刻意把恶意指令与操作“走私”越过应用边界，使其在应用层遥测中完全不可见（例如仅在内核系统调用层面才会留下痕迹的行为）。为弥补这一缺口，论文首次给出了面向 Agent 安全的“配对证据”刻画：把应用层 Agent 遥测与内核层系统调用（syscall）轨迹在同一会话中对齐采集，从而可以直接比较两层信号在威胁判别上的价值。为量化增强遥测带来的收益，作者构建了 ACE（Agent Cross-Layer Evidence）数据集，这是一个配对会话语料库，包含 4,047 个会话和 17 种威胁模型，覆盖六大投递向量家族、OWASP LLM 与 Agentic 威胁分类 25 类中的 14 类，并归纳为 12 种攻击机制，同时逐一分析每种机制中最具判别力的证据究竟落在哪一层。评测方面，作者使用四类不同的检测器家族进行实验，结论有三点：其一，内核层证据本身即具备独立的判别能力，并非只能作为应用层的补充；其二，将内核证据与应用层证据进行组合，整体表现普遍优于任何单一层次的视图，说明两层信号具有互补性，单层分析会遗漏部分可判别信息；其三，方法展现出对未见攻击家族的泛化能力，并可迁移到另一种 Agent 运行环境。论文的总体贡献在于确立了跨层证据对 Agent 安全检测的价值，为该方向提供了首个成对的评测语料与机制级证据定位分析，也为后续构建跨层检测器提供了方法论与基线。适合从事 Agent 安全、运行时检测、主机/内核遥测与红蓝对抗研究的读者阅读。