💻 computer science

Beyond Best Response: Quantal Stackelberg Deception as Insurance Against Attacker Misspecification

यह शोध पत्र हमलावर की सीमित तर्कसंगतता (bounded rationality) को मॉडल करके पारंपरिक स्टैकेलबर्ग सुरक्षा खेलों के एक सुदृढ़ विकल्प के रूप में क्वांटल स्टैकेलबर्ग इक्विलिब्रियम (QSE) का प्रस्ताव करता है, और सैद्धांतिक विश्लेषण एवं साइबर सुरक्षा केस स्टडी के माध्यम से यह प्रदर्शित करता है कि मॉडल मिसस्पेसिफिकेशन और अनिश्चितता का सामना करते समय QSE, मॉडल मिसस्पेसिफिकेशन और अनिश्चितता का सामना करते समय क्लासिकल बेस्ट-रिस्पॉन्स रणनीतियों की तुलना में प्राप्त डिफेंडर यूटिलिटी (realized defender utility) में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Asif Rahman, Md. Abu Sayed, Ahmed Ann Noor Ryen, Ahmed Hemida, Charles A. Kamhoua, Christopher Kiekintveld

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Asif Rahman, Md. Abu Sayed, Ahmed Ann Noor Ryen, Ahmed Hemida, Charles A. Kamhoua, Christopher Kiekintveld

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

कल्पना कीजिए कि आप एक ग्रैंडमास्टर के खिलाफ शतरंज का एक उच्च-दांव वाला खेल खेल रहे हैं। इस खेल के क्लासिक संस्करण में, जिसे "स्टैकेलबर्ग सिक्योरिटी गेम" (Stackelberg Security Game) के रूप में जाना जाता है, नियम यह मानते हैं कि ग्रैंडमास्टर एक सुपरकंप्यूटर है: वह आपकी हर चाल देखता है, तुरंत सटीक जवाबी चाल की गणना करता है, और कभी गलती नहीं करता। यदि दो चालें उन्हें समान रूप से अच्छी लगती हैं, तो नियम यह मानते हैं कि वे जादुई रूप से वही चाल चुनेंगे जो आपकी मदद करती है। यह सिद्धांत में तो अच्छा काम करता है, लेकिन वास्तविक दुनिया में—विशेष रूप से साइबर सुरक्षा के अराजक और अव्यवस्थित क्षेत्र में—हमलावर सुपरकंप्यूटर नहीं होते हैं। वे इंसान (या इंसानों की तरह काम करने वाले ऑटोमेटेड स्क्रिप्ट) हैं जो भ्रमित होते हैं, अनुमान लगाते हैं, और कभी-कभी गलत दरवाजा चुन लेते हैं।

यह शोध पत्र गेम थ्योरी और कंप्यूटर विज्ञान के एक विशिष्ट कोने में गोता लगाता है जिसे साइबर डेसेप्शन (Cyber Deception) कहा जाता है। साइबर डेसेप्शन को एक जादूगर के करतब की तरह समझें: रक्षक (अच्छा आदमी) नकली लक्ष्य बनाता है, जिन्हें "हनीपोट" (honeypots) या "डिकॉय" (decoys) कहा जाता है, ताकि हमलावर को असली इनाम के बजाय खाली खोलों पर अपना समय और ऊर्जा बर्बाद करने के लिए भ्रमित किया जा सके। मुख्य सवाल जो लेखक पूछते हैं वह यह है: यदि हम रक्षा की योजना इस धारणा के साथ बनाते हैं कि हमलावर एक पूर्ण, गलती-रहित रोबोट है, लेकिन हमलावर वास्तव में थोड़ा भ्रमित या "बाउंडेड रेशनल" (bounded rational) है, तो क्या हमारी योजना विफल हो जाएगी? वे एक नया तरीका तलाशते हैं जिसे क्वांटल रिस्पांस (Quantal Response) कहा जाता है, जो यह मानता है कि हमलावर गलतियाँ करते हैं क्योंकि वे कितने "तर्कसंगत" (rational) हैं, न कि इसलिए कि वे हमेशा गणितीय रूप से सटीक विकल्प चुनते हैं।

"भ्रमित" हमलावर का जादू

लेखकों ने, जो विश्वविद्यालयों और रक्षा प्रयोगशालाओं के शोधकर्ताओं की एक टीम है, एक साहसी विचार का परीक्षण करने का निर्णय लिया: क्या होगा यदि हम एक पूर्ण रोबोट को मात देने की कोशिश करना बंद कर दें और एक भ्रमित इंसान के लिए योजना बनाना शुरू कर दें?

पुराने तरीके में (जिसे स्टैकेलबर्ग सिक्योरिटी गेम या SSE कहा जाता है), रक्षक यह मानता है कि हमलावर हमेशा सबसे अच्छे लक्ष्य को पहचान लेगा। यदि दो लक्ष्य हमलावर के लिए बिल्कुल एक जैसे दिखते हैं, तो पुराना मॉडल मानता है कि हमलावर उस विकल्प को चुनेगा जो रक्षक के लिए सबसे अच्छा है। यह एक रेफरी की तरह है जो यह मान लेता है कि यदि दो खिलाड़ी बराबरी पर हैं, तो वे दोनों दूसरी टीम को जीतने देने के लिए सहमत होंगे। लेखक तर्क देते हैं कि यह एक खतरनाक कल्पना है। वास्तव में, यदि दो लक्ष्य एक जैसे दिखते हैं, तो एक भ्रमित हमलावर अपना ध्यान विभाजित कर सकता है, या गलती से रक्षक के लिए सबसे खराब विकल्प चुन सकता है।

इसे ठीक करने के लिए, टीम ने एक नई रणनीति पेश की जिसे क्वांटल स्टैकेलबर्ग इक्विलिब्रियम (QSE) कहा जाता है। यह मानने के बजाय कि हमलावर एक ही सबसे अच्छी चाल चलता है, QSE यह मानता है कि हमलावर एक "लॉगिट" (logit) फंक्शन के आधार पर चालें चलता है। कल्पना कीजिए कि एक डायल है जिस पर "तर्कसंगतता" (Rationality) लिखा है (जिसे ग्रीक अक्षर लैम्ब्डा, $\lambda$ द्वारा दर्शाया गया है)।

यदि डायल पूरी तरह से ऊपर की ओर है (अनंत तर्कसंगतता), तो हमलावर एक पूर्ण रोबोट है, और QSE पुराने मॉडल की तरह ही काम करता है।
यदि डायल नीचे की ओर है, तो हमलावर थोड़ा "नशे में" या भ्रमित है। वे अभी भी बेहतर लक्ष्यों को पसंद करते हैं, लेकिन वे गलती करने के कारण कभी-कभी एक बदतर लक्ष्य भी चुन सकते हैं।

"टाई-ब्रेकिंग" का जाल

शोध पत्र की सबसे बड़ी खोज टाई (ties/बराबरी) के बारे में है। कई साइबर सुरक्षा परिदृश्यों में, रक्षकों को कई सर्वरों की रक्षा करनी होती जो आपस में समान होते हैं। एक पूर्ण रोबोट के लिए, ये सर्वर एक पूर्ण बराबरी (tie) हैं। पुराना मॉडल (SSE) मानता है कि हमलावर इस बराबरी को रक्षक के पक्ष में तोड़ देगा। लेकिन लेखक पाते हैं कि वास्तविक दुनिया में, बराबरी एक जाल है।

जब हमलावर थोड़ा भ्रमित होता है (जो लगभग हमेशा होता है), तो वे बराबरी को रक्षक के पक्ष में नहीं तोड़ते हैं। इसके बजाय, वे बंधे हुए लक्ष्यों पर अपने हमलों को समान रूप से विभाजित कर देते हैं। यदि रक्षक के पास तीन समान नकली सर्वर और एक वास्तविक सर्वर है, और हमलावर भ्रमित है, तो वे वास्तविक सर्वर पर 20% बार और नकली सर्वरों पर 80% बार हमला कर सकते हैं, बजाय उस 0% के जिसकी भविष्यवाणी पुराने मॉडल ने की थी।

लेखकों ने वास्तविक दुनिया के कंप्यूटर भेद्यताओं (जैसे प्रसिद्ध Log4Shell और Ripple20 बग्स) का उपयोग करके सिमुलेशन चलाए और पाया कि पुराना "पूर्ण रोबोट" मॉडल सिस्टम को कितना सुरक्षित बता रहा था, वह वास्तविकता से अधिक था। यह मानकर कि हमलावर दयालु होगा और बराबरी को रक्षक के पक्ष में तोड़ेगा, पुराना मॉडल बहुत कुछ खो रहा था।

बीमा पॉलिसी (The Insurance Policy)

टीम ने अपने नए QSE रणनीति का पुराने मॉडल के विरुद्ध 144 अलग-अलग परिदृश्यों में परीक्षण किया, जिसमें हमलावर के भ्रम के स्तर और खेल के नियमों को बदला गया। परिणाम चौंकाने वाले थे:

"बीमा" प्रभाव: QSE रणनीति एक बीमा पॉलिसी की तरह काम करती है। भले ही रक्षक हमलावर के भ्रम के स्तर का गलत अनुमान लगाए, QSE रणनीति पुराने मॉडल की तुलना में बेहतर प्रदर्शन करती है।
लाभ: उन मामलों में जहाँ पुराना मॉडल विफल रहा, नए QSE रणनीति ने रक्षक की सफलता दर में 46% से 175% तक सुधार किया।
मजबूती (Robustness): नया मॉडल केवल "भ्रमित" हमलावरों के खिलाफ ही नहीं, बल्कि उन हमलावरों के खिलाफ भी कारगर रहा जो "सैटिसफाइसिंग" (satisficing - केवल एक अच्छा विकल्प चुनना) कर रहे थे, जो अलग प्रकार की गणितीय त्रुटियों (Gaussian noise) का उपयोग कर रहे थे, और यहाँ तक कि उन लोगों के खिलाफ भी जो प्रतिकूल (adversarial) होने की कोशिश कर रहे थे।

लेखकों ने पाया कि यह लाभ असली सर्वरों को बेहतर तरीके से छिपाने या डिकॉय को बिल्कुल नए तरीके से फैलाने से नहीं आया। रणनीतियाँ लगभग एक जैसी ही दिखती थीं। जादू बराबरी के गणित (math of the tie) में था। QSE रणनीति इस संभावना के लिए "भुगतान" करती है कि हमलावर बंधे हुए लक्ष्यों पर अपना वोट विभाजित करेगा, जबकि पुराना मॉडल मानता था कि हमलावर हमेशा रक्षक के पक्ष में वोट देगा।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि साइबर युद्ध की अव्यवस्थित वास्तविकता में, अपने दुश्मन को एक पूर्ण प्रतिभाशाली व्यक्ति मानने का विचार बुरा है। एक ऐसी रक्षा का निर्माण करके जो उम्मीद करती है कि हमलावर छोटी, यादृच्छिक (random) गलतियाँ करेगा, आप वास्तव में बहुत अधिक मजबूत हो जाते हैं।

लेखक बताते हैं कि आपको इस बात को जानने की आवश्यकता नहीं है कि हमलावर कितना भ्रमित है ताकि आप लाभ उठा सकें। चाहे हमलावर थोड़ा भ्रमित हो या बहुत अधिक, QSE रणनीति जीतती है। यह कार चलाने जैसा है: यदि आप यह मान लेते हैं कि दूसरा ड्राइवर हमेशा नियमों का पूरी तरह से पालन करेगा, तो आप किनारे के बहुत करीब गाड़ी चला सकते हैं। लेकिन यदि आप यह मान लेते हैं कि वे थोड़ा भटक सकते हैं, तो आप स्वाभाविक रूप से थोड़ा सुरक्षित चलते हैं, और अंततः अधिक दुर्घटनाओं से बच जाते हैं।

अंत में, यह शोध पत्र सिद्ध करता है कि आपके गणित में थोड़ी सी "मानवीय त्रुटि" जोड़ने से आपकी योजना कमजोर नहीं होती; बल्कि यह इसे अधिक मजबूत बनाती है। इस अतिरिक्त सुरक्षा की लागत बहुत कम है, लेकिन इसका पुरस्कार—विभिन्न प्रकार की गलतियों और गलतफहमियों को सहने की क्षमता—बहुत बड़ा है। लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण उन सभी के लिए एक व्यावहारिक, शक्तिशाली उपकरण है जो वास्तविक दुनिया के हमलावरों से डिजिटल नेटवर्क की रक्षा करने की कोशिश कर रहे हैं, जो पूर्णता से बहुत दूर हैं।

तकनीकी सारांश: बेस्ट रिस्पॉन्स से परे: हमलावर मिसस्पेसिफिकेशन के विरुद्ध बीमा के रूप में क्वांटल स्टैकेलबर्ग डिकसेप्शन (Quantal Stackelberg Deception)

1. समस्या विवरण (Problem Statement)

स्टैकेलबर्ग सिक्योरिटी गेम्स (SSG) डिफेंडर-अटैकर इंटरैक्शन को मॉडल करने के लिए मानक ढांचा हैं, विशेष रूप से साइबर डिकसेप्शन (जैसे, हनीपॉट्स) के संदर्भ में। क्लासिकल स्ट्रॉन्ग स्टैकेलबर्ग इक्विलिब्रियम (SSE) एक पूर्णतः तर्कसंगत (rational) हमलावर की धारणा पर आधारित है जो डिफेंडर की मिश्रित रणनीति (mixed strategy) को देखता है और अपने अपेक्षित उपयोगिता (expected utility) को अधिकतम करने वाले लक्ष्य का चयन करता है, और यदि दो विकल्प समान हों, तो वह डिफेंडर के पक्ष में निर्णय लेता है।

यह शोध पत्र वास्तविक साइबर डिकैप्शन परिदृश्यों के लिए इस धारणा में दो महत्वपूर्ण खामियों की पहचान करता है:

मौलिक विसंगति (Foundational Mismatch): डिकसेप्शन (छल) का लक्ष्य अनिश्चितता और गलतियाँ उत्पन्न करना है। एक पूर्ण ज्ञान और तर्कसंगत हमलावर को मानने की धारणा डिकसेप्शन के उद्देश्य के ही विपरीत है।
मजबूती का अभाव (Lack of Robustness): वास्तविकता में, खिलाड़ियों के पास सटीक गेम मॉडल (पे-ऑफ, सिग्नल, तर्कसंगतता स्तर) नहीं होते हैं। SSE समाधान मॉडल स्पेसिफिकेशन त्रुटियों के प्रति मजबूत नहीं है। विशेष रूप से, "टाई-ब्रेकिंग नियम" (जहाँ एक उदासीन हमलावर डिफेंडर के पक्ष में निर्णय लेता है) एक परंपरा है जो व्यवहार में अक्सर विफल हो जाती है। वास्तविक नेटवर्क में अक्सर विनिमेय संपत्तियां (interchangeable assets) होती हैं (जैसे, एक असुरक्षित सर्वर के कई रेप्लिका), जो हमलावर के लिए सटीक उपयोगिता समानता (utility ties) पैदा करती हैं। SSE ऑप्टिमाइज़र सबसे अनुकूल परिणाम के मूल्य को "बुक" करता है, लेकिन एक वास्तविक हमलावर (या सीमित तर्कसंगतता वाला हमलावर) इन समान लक्ष्यों के बीच प्रायिकता (probability) को विभाजित कर देगा, जिससे डिफेंडर को अनुमानित मूल्य से काफी कम उपयोगिता प्राप्त होगी।

2. कार्यप्रणाली (Methodology)

लेखक एक पूर्ण बेस्ट-रिस्पॉन्स फंक्शन के स्थान पर एक क्वांटल रिस्पॉन्स (Quantal Response - QR) फंक्शन का प्रस्ताव करते हैं, जिससे क्वांटल स्टैकेलबर्ग इक्विलिब्रियम (QSE) प्राप्त होता है।

गेम मॉडल: एक साइबर-फिजिकल सेटिंग में दो-खिलाड़ी, नॉन-जीरो-सम गेम। डिफेंडर एक रैंडमाइज्ड रणनीति (नोड्स पर डिकेंशन तैनात करना) निर्धारित करता है, और हमलावर एक लक्ष्य चुनता है। पे-ऑफ्स को कॉमन वल्नरेबिलिटी स्कोरिंग सिस्टम (CVSS) के माध्यम से स्कोर किए गए वास्तविक दुनिया के कमजोरियों (CVEs) से प्राप्त किया जाता है।
क्वांटल रिस्पॉन्स: एक नियतात्मक (deterministic) बेस्ट रिस्पॉन्स के बजाय, हमलावर एक लॉजिस्टिक फंक्शन द्वारा परिभाषित प्रायिकता $\sigma_a(j)$ के साथ लक्ष्य $j$ चुनता है:
$\sigma_a(j | A_d; \lambda) = \frac{\exp(\lambda \cdot U^a_j)}{\sum_k \exp(\lambda \cdot U^a_k)}$
यहाँ, $\lambda$ एक तर्कसंगतता पैरामीटर (rationality parameter) है। जैसे-जैसे $\lambda \to \infty$ होता है, यह मॉडल क्लासिकल SSE की ओर अभिसरित (converge) होता है। जैसे-जैसे $\lambda \to 0$ होता है, हमलावर समान रूप से यादृच्छिक (uniformly at random) रूप से चुनाव करता है।
समाधान दृष्टिकोण:
- QSE ऑब्जेक्टिव फंक्शन स्मूथ और निरंतरतः अवकलनीय (continuously differentiable) है (SSE के विच्छिन्न/discontinuous ऑब्जेक्टिव के विपरीत), जो ग्रेडिएंट-आधारित ऑप्टिमाइजेशन (विशेष रूप से, Sequential Least Squares Programming, SLSPLP) की अनुमति देता है, न कि इंटीजर प्रोग्रामिंग की।
- लेखक बिना किसी टाई-ब्रेकिंग नियम के QSE के अस्तित्व को सिद्ध करते हैं।
- वे एक "स्टैकेलबर्ग रिकवरी" प्रमेय स्थापित करते है: जैसे-जैसे $\lambda \to \infty$ होता है, QSE मान SSE मान की ओर अभिसरित होता है, बशर्ते कि गेम मानक इंड्यूसिबिलिटी गुणों को पूरा करता हो।

3. मुख्य योगदान (Key Contributions)

QSE फॉर्मूलेशन: समन्वित साइबर-फिजिकल डिकैप्शन के लिए QSE का एक औपचारिक परिभाषा, जो $\lambda \to \infty$ होने पर सटीक रूप से क्लासिकल SSE को रिकवर करता है। शोध पत्र अस्तित्व प्रमाण और एक कुशल ग्रेडिएंट-आधारित सॉल्वर प्रदान करता है।
टाईज़ (Ties) पर सैद्धांतिक अंतर्दृष्टि: एक औपचारिक विश्लेषण ("बुक बनाम रियलाइज्ड वैल्यू") जो यह दर्शाता है कि SSE की तुलना में QSE का लाभ केवल अधिक लक्ष्यों पर डिकेंशन फैलाने के कारण नहीं है, बल्कि टाई-स्प्लिटिंग (tie-splitting) के कारण है। SSE रणनीति अक्सर समान (tied) लक्ष्यों के सेट बनाती है; परंपरा यह मानती है कि हमलावर डिफेंडर के लिए सबसे अच्छे लक्ष्य को चुनता है, लेकिन एक क्वांटल हमलावर इन समान विकल्पों के बीच प्रायिकता को समान रूप से विभाजित करता है। QSE इस विभाजन के लिए अनुकूलित होता है, जो प्रभावी रूप से टाई-ब्रेकिंग अनिश्चितता के कारण होने वाले मूल्य के नुकसान के विरुद्ध "बीमा" (insure) करता है।
अनुभवजन्य सत्यापन (Empirical Validation): दो नेटवर्कों (8-नोड और 16-नोड) पर वास्तविक CVEs (जैसे, Log4Shell, Ripple20) और CVSS स्कोर का उपयोग करके व्यापक मूल्यांकन। अध्ययन 144 मिसएस्टिमेशन परिदृश्यों (मानित बनाम वास्तविक $\lambda$ में भिन्नता) और 25 पैरामीटर कॉन्फ़िगरेशन का परीक्षण करता है।

4. परिणाम (Results)

तर्कसंगतता मिसस्पेसिफिकेशन के प्रति मजबूती: उन सभी 144 परिदृश्यों में जहाँ डिफेंडर का माना गया तर्कसंगतता ( $\lambda^*$ ) हमलावर की वास्तविक तर्कसंगतता ( $\lambda$ ) से भिन्न था, QSE रणनीति ने SSE रणनीति को पछाड़ दिया। वास्तविक उपयोगिता लाभ व्यवस्थित लेकिन निरपेक्ष शब्दों में मामूली थे, जो +0.03 से +0.49 उपयोगिता अंक के बीच थे।
मॉडल मिसस्पेसिफिकेशन के प्रति मजबूती: QSE रणनीति (जो लॉजिट मॉडल पर ट्यून की गई है) तब भी श्रेष्ठ बनी रही जब हमलावर का निर्णय नियम लॉजिट (logit) नहीं था। इसने निम्नलिखित के विरुद्ध SSE को पछाड़ दिया:
- $\epsilon$ -greedy हमलावर।
- सैटिस्फाइसिंग (Satisficing) हमलावर (यूनिफॉर्म और एडवर्सरियल टाई-ब्रेकिंग)।
- गॉसियन (प्रोबिट) नॉइज़ मॉडल।
- लेवल-1 रीजनिंग हमलावर।
  केवल वे मामले जहाँ QSE थोड़ा पीछे रह गया, वे थे जहाँ हमलावर ने सिंगल बेस्ट रिस्पॉन्स पर हार्ड पॉइंट मास (hard point mass) लगाया (लगभग पूर्ण तर्कसंगतता), जो वह विशिष्ट क्षेत्र है जिसके लिए SSE डिज़ाइन किया गया था।
"टाई टैक्स" (The "Tie Tax"): विश्लेषण पुष्टि करता है कि SSE की विफलता का प्राथमिक स्रोत "टाई टैक्स" है—"बुक" किए गए मूल्य (अनुकूल टाई-ब्रेकिंग मानते हुए) और "रियलाइज्ड" मूल्य (जहाँ समानताएं विभाजित होती हैं) के बीच का अंतर। QSE इस विभाजन की कीमत को ऑप्टिमाइजेशन के दौरान शामिल करता है, जिससे यह अंतर समाप्त हो जाता है।
पैरामीटर संवेदनशीलता और सापेक्ष लाभ: 25 विभिन्न पैरामीटर कॉन्फ़िगरेशन (कैप्चर रिवार्ड्स, एस्केप पेनल्टी, कॉस्ट स्केल आदि में भिन्नता) में मजबूती के अंतर का मूल्यांकन करने पर, QSE लगातार जीता। इन सापेक्ष तुलनाओं में, लाभ SSE बेसलाइन के मुकाबले 46% से 175% तक था।
कंप्यूटेशनल दक्षता: ग्रेडिएंट-आधारित सॉल्वर तेजी से अभिसरित होता है (16-नोड नेटवर्क के लिए एक सेकंड से कम समय में), जिससे यह इंटरैक्टिव उपयोग के लिए व्यावहारिक बन जाता है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का तर्क है कि QSE मॉडल मिसस्पेसिफिकेशन और सीमित तर्कसंगतता के विरुद्ध बीमा (Insurance) के रूप में कार्य करता है।

न्यूनतम प्रीमियम: QSE अपनाने की लागत न्यूनतम है। उपयोगिता में जो "प्रीमियम" (जब हमलावर वास्तव में पूर्णतः तर्कसंगत होता है) चुकाया जाता है, वह नगण्य है, जबकि त्रुटियों (तर्कसंगतता अनुमान या टाई-ब्रेकिंग में) के विरुद्ध सुरक्षा पर्याप्त है।
फोकस में बदलाव: QSE का लाभ SSE की तुलना में अलग नोड्स को कवर करने में नहीं है, बल्कि समान (tied) नोड्स पर वजन के अंशांकन (calibration of weights) में है। QSE और SSE के लिए इष्टतम रणनीतियाँ अक्सर उनके सपोर्ट (कौन से नोड्स लक्षित हैं) के मामले में लगभग समान होती हैं, लेकिन QSE इस बात का सही हिसाब रखता है कि हमलावर समान विकल्पों के बीच प्रायिकता को कैसे विभाजित करेगा।
व्यावहारिक निहितार्थ: डिफेंडर्स को QSE से लाभ उठाने के लिए हमलावर के तर्कसंगतता पैरामीटर $\lambda$ का सटीक अनुमान लगाने की आवश्यकता नहीं है। यहाँ तक कि एक मध्यम, स्थिर अनुमान (जैसे, $\lambda=2$ या $5$) हमलावर के व्यवहार और मॉडल त्रुटियों की एक विस्तृत श्रृंखला में मजबूती प्रदान करता है। शोध पत्र सुझाव देता है कि विनिमेय संपत्तियों वाले वास्तविक परिवेशों में SSG में "पूर्ण तर्कसंगतता" की धारणा एक लायबिलिटी (liability) है, और क्वांटल चॉइस के माध्यम से रिस्पॉन्स फंक्शन को स्मूथ करना एक मजबूत, कंप्यूटेशनल रूप से कुशल विकल्प प्रदान करता है।