本文介绍Tetragon v1.7.0的Sensor与Hook机制。核心是`__base__`传感器负责进程生命周期（exec/clone/exit）并维护execve_map，TracingPolicy则按类型另挂kprobe、tracepoint、uprobe、LSM和fentry程序。选错Hook类型会导致无事件、参数错误或TOCTOU问题。LSM需CONFIG_BPF_LSM支持，fentry不支持enforcement。

本研究探讨了移动健康领域合成传感器数据生成中的挑战，特别是数据稀缺和隐私问题。通过新的评估框架，发现现有生成模型在多模态性和长程依赖性方面存在局限，影响了跨模态一致性和时间连贯性，并指明了未来研究方向。

本研究提出ProMind-LLM模型，通过结合客观行为数据与主观心理记录，提高心理健康风险评估的可靠性与可解释性。

本研究提出了PolyTouch触觉传感器，旨在提高机器人在非结构化家庭环境中的灵巧操作能力。该传感器集成了视觉和听觉等多种感知功能，显著增强了家用机器人的灵活性和可靠性。

本文提出了M$^2$AD框架，旨在解决传统异常检测方法在多系统异构时间序列中的不足。该框架通过深度模型捕捉正常行为，并利用高斯混合模型和伽马校准生成全球异常评分，实验结果显示其性能比现有方法提高21%。

本文提出了一种基于情境学习的调度方案（ICLDC），旨在解决无人机辅助传感器网络中深度强化学习的训练复杂性和样本效率低的问题。该方案通过将日志数据传输给大型语言模型生成任务描述，快速制定数据采集计划，并在对抗攻击中显著减少约56%的数据包丢失，展示了其在智能调度和控制中的潜力。

SnapPix系统通过传感器内的模拟域压缩，解决了边缘计算中的能量有效图像采集问题。该系统与视觉模型共同设计，显著提升了视频识别和重建性能，能耗降低高达15.4倍。

本研究提出了一种基于物理知识的多任务预训练框架（PIM），旨在提高基于惯性传感器的人类活动识别准确性。通过自监督学习利用人体运动的物理特征，实验结果表明该方法在多个数据集上优于现有技术，尤其在少量标签样本中表现出显著的性能提升潜力。

本研究利用深度强化学习主动管理无线传感器网络中的电池降解，优化系统工作周期，降低电池早期失效，确保电池更换计划顺利实施，提升网络性能。研究结果表明，该策略在不同规模的网络中高效且可扩展。

本研究提出了一种轻量级的二值化Mamba神经网络，旨在解决四开关混合事件视觉传感器的反交错复杂性问题。该方法结合了Mamba和Swin Transformer的优势，显著降低了计算复杂性，适用于边缘设备。实验结果表明，BMTNet在性能和计算效率上表现优异。

本研究提出了一种基于惯性测量单元和一维卷积神经网络的马匹跛行及步态不规则性早期检测系统。测试结果表明，该系统在真实环境中的准确率达到90%，为马匹健康管理提供了有效的自动化检测方案。

本研究提出了一种可用性感知传感器融合方法（ASF），旨在克服自主驾驶中传感器可用性假设的局限性。ASF通过统一典范投影和跨传感器注意力，在各种天气和传感器降级条件下显著提升了目标检测性能。

本研究提出了Avena软件平台及数据交换标准，以解决交通传感器数据管理问题，提升静态与实时数据处理的可靠性和效率，具有广泛的应用潜力。

本研究提出了一种新型问答系统SensorChat，旨在解决现有系统在处理长期复杂传感器数据时的局限性。该系统能够有效回答定性和定量问题，准确率比最先进系统高出26%，具有重要的实际应用价值。

本研究提出了一种基于图神经网络的高分辨率时空空气质量映射框架，结合稀疏传感器数据和环境特征，显著提高了空气质量预测的准确性。该方法能够在未监测地点准确估计空气质量，为城市环境保护提供有效手段。

本文提出了一种高效的知识转移框架HaKT，旨在解决传感系统在新用户或环境中面临的标记数据不足和设备异构性问题。该框架通过融合多个高质量模型的知识，提升了模型准确性，最高提高16.5%，并节省了39%的通信流量。

本研究提出了MSSIDD数据集，评估去噪模型在不同传感器间的迁移能力，并设计了传感器一致性训练框架，以提高模型的泛化能力。

本研究提出了一种新颖的无标记步态分析方法，结合智能边缘传感器和西亚米斯嵌入网络，实现个体识别，克服了传统方法的可靠性和准确性问题，展现了在真实环境中高效自动化步态分析的潜力。