🤖 AI

Safety-Contract Graph Multi-Agent Reinforcement Learning for Autonomous Network Security Response

यह शोध पत्र ACD³-GAT को प्रस्तुत करता है, जो एक सुरक्षा-अनुबंध ग्राफ मल्टी-एजेंट सुदृढीकरण शिक्षण ढांचा (safety-contract graph multi-agent reinforcement learning framework) है जो CAGE चैलेंज 4 बेंचमार्क में पारंपरिक रिवॉर्ड-ओनली दृष्टिकोणों की तुलना में डाउनटाइम उल्लंघनों और लागतों को महत्वपूर्ण रूप से कम करते हुए, स्वायत्त नेटवर्क सुरक्षा प्रतिक्रिया प्रदर्शन और सख्त परिचालन बजट बाधाओं के बीच प्रभावी ढंग से संतुलन बनाता है।

मूल लेखक: Jose Luis Lima de Jesus Silva

प्रकाशित 2026-06-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jose Luis Lima de Jesus Silva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक व्यस्त सिक्योरिटी ऑपरेशंस सेंटर (SOC) की कल्पना एक विशाल डिजिटल शहर के लिए एक हाई-स्टेक्स कंट्रोल रूम के रूप में करें। हर दिन, हजारों अलार्म बजते हैं। मानव गार्डों (एनालिस्ट्स) को निर्णय लेना होता है: क्या यह वास्तव में कोई घुसपैठिया है? क्या हमें एक सर्वर को लॉक डाउन करना चाहिए? क्या हमें एक कंप्यूटर को रीबूट करना चाहिए?

समस्या यह है कि इंसान थक जाते हैं, और अलार्म बहुत अधिक होते हैं। इसलिए, शोधकर्ताओं ने इन कामों को स्वचालित रूप से करने के लिए AI रोबोट्स बनाने की कोशिश की। उन्होंने रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) नामक AI का उपयोग किया, जो एक कुत्ते को प्रशिक्षित करने जैसा है: यदि कुत्ता गेंद पकड़ता है, तो उसे इनाम (ट्रीट) मिलता है; यदि वह चूक जाता है, तो उसे कुछ नहीं मिलता।

समस्या: "केवल ट्रीट देने वाला" कुत्ता

इस शोध पत्र में, शोधकर्ताओं ने पाया कि इन AI रोबोट्स को प्रशिक्षित करने के तरीके में एक बड़ी खामी थी।

कल्पना कीजिए कि आप एक गार्ड डॉग को चोरों को रोकने के लिए प्रशिक्षित कर रहे हैं। आप कुत्ते से कहते हैं: "अगर तुम चोर को पकड़ लेते हो, तो तुम्हें स्टेक (मांस का टुकड़ा) मिलेगा!"
कुत्ता जल्दी सीख जाता है। वह चोरों को पकड़ना शुरू कर देता है। लेकिन, स्टेक पाने के उत्साह में, वह डाकिया, पड़ोसियों और यहाँ तक कि घर की बिल्ली को भी काटने लगता है क्योंकि उसे लगता है कि वे भी चोर हो सकते हैं।

डिजिटल दुनिया में, बिल्कुल यही हुआ। AI एजेंटों को केवल "सुरक्षा पुरस्कार" (बुरे लोगों को पकड़ने) को अधिकतम करने के लिए प्रशिक्षित किया गया था। ऐसा करने के लिए, उन्होंने:

कंप्यूटरों को लगातार रीबूट (रिस्टोर) करना शुरू कर दिया, भले ही वे संक्रमित न हों।
सामान्य व्यवसाय को बाधित करते हुए फायरवॉल नियमों को बेतहाशा बदलना शुरू कर दिया।
इस तथ्य को अनदेखा कर दिया कि इन कार्यों में समय और पैसा लगता है।

परिणाम? AI तकनीकी रूप से खतरों को पकड़ने में "अच्छा" था, लेकिन वह ऑपरेशनल रूप से विनाशकारी था। इसने डाउनटाइम के लिए कंपनी का बजट खत्म कर दिया और मानव एनालिस्ट्स को इतना परेशान कर दिया कि सिस्टम का वास्तविक जीवन में उपयोग करना असंभव हो गया। यह एक ऐसे गार्ड डॉग की तरह था जिसने घर तो बचा लिया लेकिन सारा फर्नीचर खा लिया।

समाधान: "सेफ्टी कॉन्ट्रैक्ट" (सुरक्षा अनुबंध)

लेखकों, जोस लुइस लीमा डी जीसस सिल्वा और सहयोगियों ने इन AI एजेंटों को प्रशिक्षित करने का एक नया तरीका प्रस्तावित किया। उन्हें केवल बुरे लोगों को पकड़ने के लिए "ट्रीट" देने के बजाय, उन्होंने उन्हें एक सेफ्टी कॉन्ट्रैक्ट (सुरक्षा अनुबंध) दिया।

इस कॉन्ट्रैक्ट को AI के कार्यों के लिए एक सख्त बजट के रूप में समझें:

डाउनटाइम बजट: आप प्रतिदिन केवल 50 बार कंप्यूटर रीबूट कर सकते हैं। यदि आप इससे ऊपर जाते हैं, तो आप विफल हो जाएंगे।
फॉल्स अलार्म बजट: आप केवल 10 बार निर्दोष कंप्यूटरों पर संक्रमण का आरोप लगा सकते हैं। यदि आप बहुत अधिक आरोप लगाते हैं, तो आप विफल हो जाएंगे।
फायरवॉल बजट: आप नेटवर्क नियमों को केवल 20 बार बदल सकते हैं।

AI को इन नियमों को तोड़े बिना बुरे लोगों को पकड़ना सीखना होगा।

नया AI: ACD3-GAT

यह पेपर एक नया सिस्टम पेश करता है जिसे ACD3-GAT कहा जाता है। इसे समझने के लिए, एक जटिल शहर में एक स्मार्ट ट्रैफिक कंट्रोलर की कल्पना करें:

ग्राफ अटेंशन नेटवर्क (GAT): नेटवर्क को कंप्यूटरों की एक सपाट सूची के रूप में देखने के बजाय, AI इसे कनेक्शन के एक मानचित्र (Map) के रूप में देखता है। वह समझता है कि यदि "सर्वर A" पर वायरस है, तो वह अगला कदम "सर्वर B" पर हो सकता है। वह सबसे महत्वपूर्ण कनेक्शनों पर ध्यान देता है, ठीक वैसे ही जैसे एक ट्रैफिक कंट्रोलर व्यस्त चौराहों पर ध्यान केंद्रित करता है।
सेफ्टी शील्ड (सुरक्षा कवच): AI द्वारा कोई कदम उठाने से पहले, एक "सेफ्टी शील्ड" कॉन्ट्रैक्ट की जांच करती है। यदि AI एक कंप्यूटर को रीबूट करना चाहता है लेकिन "डाउनटाइम बजट" समाप्त हो गया है, तो शील्ड कहती है, "नहीं! आपने अपने 50 रीबूट उपयोग कर लिए हैं। अब आपको सो जाना चाहिए।"
काउंटरफैक्चुअल रिस्क (Counterfactual Risk): AI केवल अभी को नहीं देखता; वह भविष्य का अनुकरण (Simulate) करता है। वह पूछता है, "यदि मैं इस ट्रैफिक को ब्लॉक करता हूँ, तो क्या इससे बाद में बड़ी समस्या होगी?" वह कार्य करने से पहले जोखिमों का अनुमान लगाने के लिए एक "क्या-अगर" (What-if) इंजन का उपयोग करता है।

परिणाम: अराजकता से नियंत्रण तक

शोधकर्ताओं ने एक सिम्युलेटेड वातावरण में इस नए सिस्टम का परीक्षण किया जिसे CAGE Challenge 4 कहा जाता है।

पुराना तरीका (केवल रिवॉर्ड-आधारित): AI ने डाउनटाइम बजट का 100% समय उल्लंघन किया। जब सीमा 50 थी, तब इसने 300+ बार कंप्यूटर रीबूट किए। यह एक आपदा थी।
नया तरीका (सेफ्टी कॉन्ट्रैक्ट के साथ):
- नए सिस्टम के एक संस्करण (C-MAPPO-GAT) ने उल्लंघनों को लगभग 0% तक कम कर दिया। यह बजट के भीतर पूरी तरह से रहा, हालांकि यह थोड़ा अधिक रूढ़िवादी (Conservative) था।
- पूर्ण ACD3-GAT सिस्टम ने एक बीच का रास्ता निकाला। इसने पुराने AI की तुलना में डाउनटाइम लागत को लगभग 85% कम कर दिया। इसने बजट का उल्लंघन केवल 13.8% समय किया, जिसे लेखक वास्तविक दुनिया के सिस्टम के लिए एक बहुत अधिक व्यावहारिक और उपयोगी स्थिति मानते हैं।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि आप केवल AI को "अच्छा बनने" के लिए कहकर एक सुरक्षित, स्वायत्त सुरक्षा प्रणाली नहीं बना सकते। आपको उसे स्पष्ट रूप से सड़क के नियम (बजट) सिखाने होंगे।

इन नियमों के बिना, AI बिना ब्रेक वाले रेस कार ड्राइवर की तरह है: तेज़, लेकिन खतरनाक। सेफ्टी कॉन्ट्रैक्ट के साथ, AI एक पेशेवर ड्राइवर बन जाता है जो जानता है कि रेस कैसे जीतनी है और कार (और यात्रियों) को सुरक्षित कैसे रखना है।

संक्षेप में: यह पेपर साबित करता है कि वास्तविक दुनिया की सुरक्षा के लिए AI के उपयोगी होने के लिए, उसे केवल जीतना ही नहीं, बल्कि बजट के भीतर रहना भी सीखना होगा। नया सिस्टम, ACD3-GAT, उन स्वायत्त सुरक्षा एजेंटों की दिशा में पहला कदम है जिन्हें मनुष्य वास्तव में भरोसा कर सकते हैं और तैनात कर सकते हैं।

तकनीकी सारांश: स्वायत्त नेटवर्क सुरक्षा प्रतिक्रिया के लिए सुरक्षा-अनुबंध ग्राफ मल्टी-एजेंट सुदृढीकरण लर्निंग (Safety-Contract Graph Multi-Agent Reinforcement Learning)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्वायत्त नेटवर्क सुरक्षा प्रतिक्रिया प्रणालियों में सैद्धांतिक सुरक्षा प्रदर्शन और परिचालन संबंधी तैनाती (operational deployability) के बीच महत्वपूर्ण अंतर को संबोधित करता है। जबकि मल्टी-एजेंट सुदृढीकरण लर्निंग (MARL) एजेंट सिमुलेशन (जैसे CAGE चैलेंज 4) में सुरक्षा पुरस्कारों (security rewards) को अनुकूलित कर सकते हैं, वे अक्सर एक सुरक्षा संचालन केंद्र (SOC) के परिचालन संबंधी बाधाओं का सम्मान करने में विफल रहते हैं।

वास्तविक दुनिया के SOC वातावरण में, प्रतिक्रियात्मक कार्यों के विशिष्ट लागत होते हैं:

डाउनटाइम/MTTR: किसी समझौता किए गए होस्ट को बहाल करने से वह ऑफलाइन हो जाता है, जिससे "मीन टाइम टू रिकवर" (MTTR) बजट की खपत होती है।
फॉल्स पॉजिटिव (False Positives): स्पष्ट दुर्भावनापूर्ण साक्ष्य के बिना होस्ट को बहाल करना विश्लेषकों पर बोझ डालता है और विश्वास को कम करता है।
फायरवॉल व्यवधान (Firewall Disruption): ट्रैफिक ज़ोन को संशोधित करने के लिए परिवर्तन-प्रबंधन अनुमोदन की आवश्यकता होती है और ऑडिट ट्रेल बनाता है।

मूल समस्या यह है कि मानक रिवॉर्ड-ओनली (reward-only) MARL एजेंट, जो सुरक्षा स्कोर को अधिकतम करने के लिए प्रशिक्षित होते हैं, व्यवस्थित रूप से इन परिचालन बजटों को समाप्त कर देते हैं। CAGE चैलेंज 4 मूल्यांकन में, अनियंत्रित एजेंटों ने 100% एपिसोड में डाउनटाइम बजट का उल्लंघन किया, जिससे प्रति एपिसोड अनुमेय बजट से 6-9 गुना अधिक की खपत हुई। शोध पत्र का तर्क है कि एक स्वायत्त प्रतिक्रिया प्रणाली तब तक तैनात करने योग्य नहीं है जब तक कि वह स्पष्ट SOC गवर्नेंस बाधाओं के भीतर कार्य न कर सके, चाहे उसका सुरक्षा रिवॉर्ड कुछ भी हो।

2. कार्यप्रणाली (Methodology)

लेखक एक सेफ्टी-कॉन्ट्रैक्ट ग्राफ MARL फ्रेमवर्क का प्रस्ताव करते हैं, जिसे मुख्य रूप से दो आर्किटेक्चर के माध्यम से प्रस्तुत किया गया है: C-MAPPO-GAT और ACD3-GAT। यह दृष्टिकोण समस्या को एक 'कन्स्ट्रेंड डिसेंट्रलाइज्ड पार्शियली ऑब्जर्वेबल मार्कोव डिसीजन प्रोसेस' (Constrained Dec-POMDP) के रूप में मानता है।

2.1. मुख्य फ्रेमवर्क घटक (Core Framework Components)

परिचालन बजट (Operational Budgets): प्रत्येक एपिसोड के लिए तीन स्पष्ट बजट काउंटर परिभाषित किए गए हैं:
- $B_{down} = 50$ (बहाली क्रियाएं/Restore actions)।
- $B_{fp} = 10$ (फॉल्स-पॉजिटिव बहाली क्रियाएं)।
- $B_{fw} = 20$ (फायरवॉल परिवर्तन क्रियाएं)।
- एक एपिसोड तभी "सुरक्षित" माना जाता है जब प्रत्येक बाधा के लिए संचयी लागत उसके बजट के भीतर रहती है।
ग्राफ ऑब्जर्वेशन एनकोडिंग: एजेंट नेटवर्क अवस्थाओं का प्रतिनिधित्व करने वाले बाइनरी वेक्टर्स देखते हैं। इन्हें होस्ट-सबनेट ग्राफ में पार्स किया जाता है। एक ग्राफ अटेंशन नेटवर्क (GAT) एनकोडर इन ग्राफों को प्रोसेस करता है ताकि टोपोलॉजिकल निर्भरताओं को कैप्चर किया जा सके, जो मानक MLP एनकोडर्स का स्थान लेता है।
लैग्रेंजियन कन्स्ट्रेंड ऑप्टिमाइजेशन (Lagrangian Constrained Optimization): फ्रेमवर्क एक लैग्रेंजियन रिलैक्सेशन दृष्टिकोण का उपयोग करता है। एक डुअल वेरिएबल (मल्टीप्लायर $\lambda_k$ ) को प्रत्येक बैच के बाद अपडेट किया जाता है ताकि उन नीतियों को दंडित किया जा सके जो विशिष्ट बजटों से अधिक हो जाती हैं। एडवांटेज फंक्शन को लागत दंड घटाने के लिए संशोधित किया जाता है:
$\hat{A}^{Lag}_t = \hat{A}^r_t - \sum_k \lambda_k \hat{A}^{c_k}_t$
काउंटरफैक्चुअल एक्शन स्क्रीनिंग (शील्डिंग): किसी क्रिया के निष्पादित होने से पहले, एक "शील्ड" उम्मीदवार क्रियाओं का मूल्यांकन करती है।
- हार्ड गार्ड (Hard Guard): ऐसी क्रियाएं जो तुरंत शेष बजट को समाप्त कर देंगी, उन्हें ब्लॉक कर दिया जाता है।
- ग्राफ काउंटरफैक्चुअल रिस्क प्रोपेगेशन (G-CRP): एक नियतात्मक मॉडल नेटवर्क ग्राफ के माध्यम से जोखिम को प्रसारित करता है ताकि पोस्ट-एक्शन समझौता संभावना का अनुमान लगाया जा सके। क्रियाओं को सुरक्षा स्कोर $Q_{safe}$ द्वारा रैंक किया जाता है, जो अनुमानित जोखिम, लागत और बजट बाधाओं को जोड़ता है।
टेम्पोरल कॉन्ट्रैक्ट ग्राफ शील्डिंग (TCGS): एक डायग्नोस्टिक विस्तार जो भविष्य के बजट उल्लंघन की संभावना का अनुमान लगाने के लिए एक सीखे गए रिकरेंट मॉडल का उपयोग करता है, जो प्रक्षेपवक्र इतिहास (trajectory history) के आधार पर एक टेम्पोरल फिल्टर के रूप में कार्य करता है।

2.2. मूल्यांकित आर्किटेक्चर (Architectures Evaluated)

C-MAPPO-GAT: एक नियंत्रित बेसलाइन जो मल्टी-एजेंट PPO (MAPPO) को GAT एनकोडर और लैग्रेंजियन लागत नियंत्रण के साथ जोड़ती है। यह स्पष्ट परिचालन-लागत बाधाओं के प्रभाव को अलग करती है।
ACD3-GAT (Adaptive Constrained Counterfactual Decisioning with a Graph Attention Network): पूर्ण एकीकृत आर्किटेक्चर। यह जोड़ता है:
- पॉलिसी इनपुट में बजट संदर्भ वेक्टर्स।
- टेल-रिस्क (सबसे खराब स्थिति) को दंडित करने के लिए CVaR (Conditional Value-at-Risk) रीवेटिंग।
- प्रतिद्वंद्वी-विश्वास अवस्था अनुमान (Opponent-belief state estimation) (GRU के माध्यम से)।
- G-CRP और TCGS शील्डिंग तंत्र।
- ओवरराइड सिग्नल जो कम आत्मविश्वास या बजट समाप्त होने पर ह्यूमन-इन-द-लूप फॉलबैक (जैसे SLEEP एक्शन) को ट्रिगर करते हैं।

3. प्रमुख योगदान (Key Contributions)

स्पष्ट सुरक्षा अनुबंध (Explicit Safety Contracts): यह शोध पत्र परिचालन बाधाओं को केवल निहित साइड-इफेक्ट्स से बदलकर स्पष्ट, ऑडिट योग्य "सुरक्षा अनुबंधों" में बदल देता है, जिन्हें प्रशिक्षण और निष्पादन के दौरान अनुकूलित और स्क्रीन किया जाता है।
ACD3-GAT फ्रेमवर्क: एक नवीन आर्किटेक्चर जो ग्राफ धारणा (graph perception), लैग्रेंजियन बाधा शिक्षण, टेल-रिस्क अकाउंटिंग और काउंटरफैक्चुअल रिस्क प्रोपेगेशन को एक एकल MARL सिस्टम में एकीकृत करता है।
रिवॉर्ड-ओनली विफलता का अनुभवजन्य प्रमाण: अध्ययन प्रदर्शित करता है कि रिवॉर्ड-ओनली MARL (IPPO, MAPPO-GAT) मौलिक रूप से गैर-तैनाती योग्य (non-deployable) है, जो डाउनटाइम बजट का 100% एपिसोड में उल्लंघन करती है।
नियंत्रित बेसलाइन्स: C-MAPPO-GAT का परिचय यह सिद्ध करने के लिए एक नियंत्रित बेसलाइन के रूप में किया गया है कि सुरक्षा सुधार ग्राफ एनकोडर या रिवॉर्ड शेपिंग के बजाय विशिष्ट रूप से बाधा तंत्र (Lagrangian + shielding) से आते हैं।

4. परिणाम (Results)

प्रयोग CAGE चैलेंज 4 पर 5 सहयोगी "ब्लू" एजेंटों और एक "रेड" विरोधी के विरुद्ध 500-स्टेप एपिसोड पर किए गए।

4.1. सुरक्षा अनुपालन (Safety Compliance)

अनकन्स्ट्रेंड मेथड्स (Unconstrained Methods): सभी रिवॉर्ड-ओनली बेसलाइन्स (IPPO, MAPPO-GAT, आदि) ने 100% डाउनटाइम-बजट उल्लंघन दर प्राप्त की। उनका औसत डाउनटाइम लागत 50 के बजट के मुकाबले 311 से 430 के बीच रहा।
C-MAPPO-GAT: इसने डाउनटाइम उल्लंघन दर को 0.3% (600 एपिसोड में 2 उल्लंघन) तक कम कर दिया और औसत डाउनटाइम लागत को 15.5 तक नीचे ला दिया। यह अनकन्स्ट्रेंड MAPPO-GAT की तुलना में परिचालन क्षति में 95-96% की कमी है।
ACD3-GAT: इसने 13.8% उल्लंघन दर के साथ 48.2 की औसत डाउनटाइम लागत प्राप्त की। हालांकि यह C-MAPPO-GAT की तुलना में कम रूढ़िवादी है, लेकिन यह "सुरक्षा-अनुबंध फ्रंटियर" पर काम करता है, जो अनकन्स्ट्रेंड मेथड्स की तुलना में जोखिम और रिवॉर्ड को अधिक प्रभावी ढंग से संतुलित करता है।

4.2. रिटर्न बनाम सुरक्षा ट्रेड-ऑफ (Return vs. Safety Trade-off)

कन्स्ट्रेंड मेथड्स को औसत सुरक्षा रिटर्न में दंड (penalty) का सामना करना पड़ा (उदाहरण के लिए, C-MAPPO-GAT ने -6,992 रिटर्न दिया जबकि अनकन्स्ट्रेंड MAPPO-MLP ने -3,937 दिया)।
हालांकि, शोध पत्र का तर्क है कि यह ट्रेड-ऑफ आवश्यक है: एक नीति जिसमें उच्च सुरक्षा रिवॉर्ड है लेकिन 100% बजट उल्लंघन है, वह परिचालन रूप से बेकार है।
टेल रिस्क (Tail Risk): ग्राफ एनकोडर्स (GAT) ने MLP एनकोडर्स की तुलना में सबसे खराब-टेल रिटर्न (CVaR-10%) में सुधार किया, लेकिन केवल कन्स्ट्रेंड मेथड्स ने ही विनाशकारी एपिसोड (अलर्ट थ्रेशोल्ड उल्लंघन) को समाप्त किया।

4.3. मजबूती परीक्षण (Robustness Stress Tests)

टोपोलॉजी शिफ्ट्स: C-MAPPO-GAT ने अनदेखे नेटवर्क टोपोलॉजी पर 0% डाउनटाइम उल्लंघन बनाए रखा, जबकि अनकन्स्ट्रेंड मेथड्स 100% उल्लंघन पर रहे।
अनुकूली रेड प्रक्रिया (Adaptive Red Process): एक एडेप्टिव रेड PPO एजेंट के खिलाफ परीक्षण किए जाने पर, कन्स्ट्रेंड पॉलिसियों ने रिवॉर्ड-ओनली MAPPO-GAT की तुलना में प्रदर्शन में काफी कम 'वर्स्ट-केस डिग्रेडेशन' दिखाया।

5. महत्व और दावे (Significance and Claims)

शोध पत्र विनम्रतापूर्वक दावा करता है कि इसका प्राथमिक योगदान एक डिप्लॉयबल निर्णय-सहायता पैटर्न (deployable decision-support pattern) स्थापित करना है, न कि पूरी तरह से उत्पादन-तैयार (production-ready) स्वायत्त प्रणाली का दावा करना।

परिचालन अनुशासन (Operational Discipline): केंद्रीय निष्कर्ष यह है कि "रिवॉर्ड-ओनली लर्निंग में परिचालन अनुशासन की कमी होती है।" शोध पत्र प्रदर्शित करता है कि बिना स्पष्ट सुरक्षा अनुबंधों के, MARL एजेंट ऐसी रणनीतियाँ सीखते हैं जो ऑपरेशनल रूप से विनाशकारी होती हैं (जैसे MTTR बजट को समाप्त करना)।
ऑडिटेबिलिटी (Auditability): फ्रेमवर्क एजेंट को एक ऑडिट योग्य घटक में बदल देता है जहाँ कार्यों को स्थानीय बजट के विरुद्ध जांचा जा सकता है, जो मानव शासन और एस्केलेशन के लिए एक स्पष्ट मार्ग प्रदान करता है।
फ्रंटियर पोजिशनिंग: परिणाम C-MAPPO-GAT कॉन्फ़िगरेशन (सबसे विश्वसनीय अनुपालन बिंदु) और ACD3-GAT आर्किटेक्चर (सुरक्षा, ग्राफ धारणा और जोखिम को एकीकृत करने वाला सामान्य फ्रेमवर्क) के बीच अंतर स्पष्ट करते हैं।
सीमाएँ: लेखक स्वीकार करते हैं कि सुरक्षा गारंटी अनुभवजन्य (सिमुलेशन में उल्लंघन दरों पर आधारित) हैं, न कि नॉन-कॉन्वेक्स न्यूरल पॉलिसियों के लिए औपचारिक गणितीय प्रमाण। "सुरक्षा अनुबंध" CAGE-4 सिम्युलेटर के भीतर एक मूल्यांकन और प्रशिक्षण अनुशासन है, और वास्तविक दुनिया की तैनाती के लिए विशिष्ट संगठनात्मक SLA के अनुसार बजट को ट्यून करने की आवश्यकता होगी।

निष्कर्षतः, शोध पत्र का तर्क है कि स्वायत्त नेटवर्क सुरक्षा के व्यवहार्य होने के लिए, लर्निंग ऑब्जेक्टिव को सुरक्षा रिवॉर्ड के साथ-साथ परिचालन स्वीकार्यता (operational acceptability) के लिए भी स्पष्ट रूप से अनुकूलित होना चाहिए, जिसमें बजट समाप्ति को रोकने के लिए लैग्रेंजियन बाधाओं और काउंटरफैक्चुअल शील्डिंग जैसे तंत्रों का उपयोग किया जाए।