ระบบรักษาความปลอดภัยสำหรับ AI Agent ในปัจจุบันมักใช้วิธีตรวจจับแบบรายคำสั่ง (Stateless) ซึ่งมีจุดอ่อนคือไม่สามารถตรวจจับการโจมตีที่แบ่งขั้นตอนอันตรายออกเป็นส่วนย่อยๆ ได้ งานวิจัยนี้จึงนำเสนอ Session Risk Memory (SRM) ซึ่งเป็นโมดูลน้ำหนักเบาที่ช่วยขยายขีดความสามารถของระบบเดิมให้สามารถวิเคราะห์ความปลอดภัยในระดับวิถีพฤติกรรม (Trajectory-level authorization)
SRM ทำงานโดยการเก็บรักษาค่า 'Semantic Centroid' ที่เป็นตัวแทนโปรไฟล์พฤติกรรมในแต่ละเซสชัน และใช้การคำนวณแบบ Exponential Moving Average เพื่อสะสมสัญญาณความเสี่ยงจากผลลัพธ์ของระบบตรวจจับพื้นฐาน โดยผลการทดสอบพบว่าระบบ SRM สามารถกำจัดอัตราการตรวจจับผิดพลาด (False Positive) ได้เหลือ 0% และมีค่า F1 Score เต็ม 1.0000 ในขณะที่มีภาระการทำงาน (Overhead) ต่ำกว่า 250 ไมโครวินาทีต่อรอบการทำงาน
