Las Amenazas Persistentes Avanzadas (APTs) se caracterizan por su sigilo, infrecuencia y ciclos largos, evadiendo la seguridad tradicional para poner en peligro la infraestructura crítica. Los complejos vínculos semánticos entre las entidades del sistema pueden ser modelados con precisión utilizando técnicas de aprendizaje de representación basadas en gráficos de procedencia heterogéneos, proporcionando un método novedoso para descubrir cadenas de ataque APT ocultas. Sin embargo, en implementaciones prácticas a gran escala, este enfoque aún enfrenta tres desafíos principales: la explosión combinatoria de meta-rutas de largo alcance, la pérdida de evolución semántica durante la compresión del gráfico y el alto costo computacional para entornos dinámicos. Para abordar estos problemas, proponemos APT-LMSPS, un sistema de detección que aprovecha la Búsqueda de Muestreo Progresivo de Meta-rutas de Largo Alcance (LMSPS). El algoritmo LMSPS utiliza poda dinámica y evaluación de contribución semántica para convertir la explosión de combinaciones de meta-rutas en un cálculo de escala constante, modelando con precisión las dependencias de largo alcance. En segundo lugar, el enfoque de Mantenimiento de Semántica Global (MGS) filtra inteligentemente los eventos al rastrear los cambios en el estado semántico de los nodos, logrando una relación de compresión de 8:1 mientras preserva más del 90% de la integridad semántica de las rutas críticas. Por último, la base de datos de codificación de meta-rutas utiliza un enfoque de almacenamiento en caché para evitar la codificación repetida, duplicando la efectividad de la codificación y permitiendo una detección de APT eficiente y precisa en todo el sistema en escenarios a gran escala. Evaluado en los conjuntos de datos de DARPA, StreamSpot y ATLAS, APT-LMSPS mantiene una precisión competitiva (F1-score >= 0.98) y mejora la eficiencia de procesamiento de largo alcance en un orden de magnitud en comparación con las líneas base.