LLM anti-jamming trådløs kommunikation: RL, DRL og beamforming-metoder

Store sprogmodeller og forstærkningslæring smelter sammen i næste generation af jamningsrobust trådløs kommunikation. Her gennemgår jeg de vigtigste algoritmer, testopsætninger og måledata – fra MAPPO til 28 GHz beamforming.

Hvad er LLM anti-jamming i trådløs kommunikation?

LLM anti-jamming i trådløs kommunikation er egentlig en ret ny måde at tænke netværk på: man kombinerer store sprogmodeller (LLM) med forstærkningslæring (RL) for at holde forbindelsen kørende, selv når nogen aktivt forsøger at jamme signalet. I stedet for bare at hoppe rundt mellem frekvenser, lader man intelligente agenter styre effekt, kanalvalg og datastrøm i realtid. På den måde kan systemet opdage jamning, tilpasse sig og fortsætte kommunikationen – uden at det behøver at kende jammerens præcise bølgeform. Målet med forskningen er at gøre trådløse netværk modstandsdygtige i kritiske situationer, hvor kommunikationen er den eneste vej til kommando og kontrol.

Hvordan understøtter RL-baseret anti-jamming LLM-inferens på havet?

Et konkret eksempel finder man i RL-baseret anti-jamming til maritime kommunikationssystemer, hvor brugerudstyret – altså UE'erne – løbende optimerer uplink-effekt, kanalvalg og dataoverførsel i forbindelse med LLM-inferens. Forsøget blev gennemført med fire UEs i et havnemiljø, og hver enhed var udstyret med en Jetson Orin, et kamera samt BME280-sensorer, der sendte 200 KB temperaturdata. Resultaterne viste 40,5 % lavere latenstid, 46,4 % lavere energiforbrug i UE'erne og en yderligere gevinst på 10,9 % (det tredje gevinsttal var afkortet i kilden). Det er efter alt at dømme en af de første dokumenterede kombinationer af RL og LLM-inferens under egentlige jamningsforhold til søs.

Tabellen herunder samler de vigtigste resultater fra forsøget, hvor fire UEs indgik ude i havnen.

Implementeringen viser altså, at selv ganske små embedded-enheder som Jetson Orin kan afvikle RL-politikker lokalt og dermed reagere hurtigt på jamning, uden at hver eneste beslutning skal sendes til en central server. Det er en afgørende pointe i maritime miljøer, hvor båndbredden er begrænset, og hvor jamning kan opstå pludseligt.

MAPPO og DRL: Intelligente anti-jamming beslutningsalgoritmer

Den intelligente anti-jamming-beslutningsalgoritme til trådløs kommunikation bygger på Multi-Agent Proximal Policy Optimization, bedre kendt som MAPPO. Det smarte her er, at den kombinerer centraliseret træning med decentraliseret udførelse – forkortet CTDE – så hver enkelt bruger godt nok træffer sine egne beslutninger, men hele tiden trækker på den viden, der er opbygget i fællesskab. På den måde forbedres kommunikationen gradvist, efterhånden som systemet lærer at håndtere avanceret og hurtigt skiftende intelligent jamning. MAPPO er i bund og grund en variant af DRL og er særligt godt egnet i multi-agent-scenarier, netop fordi jammeren hele tiden kan skifte strategi.

I praksis betyder CTDE, at agenterne kan se hele systemets tilstand under træningen, men under selve driften må de nøjes med deres egne lokale observationer. På den måde opnår man et slags kompromis mellem koordination og autonomi – og det er faktisk afgørende, når jammeren hele tiden skifter taktik og prøver at lokke bestemte kommunikationsmønstre frem. Ifølge forskningen er denne tilgang mere robust end de traditionelle spread-spectrum-metoder, fordi den løbende kan lære at undgå de frekvenser, som jammeren foretrækker, i realtid.

Fælles analog-digital beamforming til 5G mmWave anti-jamming

I 5G mmWave-systemer kombinerer man analog og digital beamforming for at dæmpe jamning. På modtagersiden bruges online-læring med Bayesiansk optimering til at styre den analoge beamforming, så beamretningen hele tiden justeres, og interferensen holdes nede. Selve den digitale detektion varetages af Modified Minimum Mean Square Error (M-MMSE), som tager sig af den restinterferens, der stadig er tilbage. En prototype på et 28 GHz over-the-air (OTA) testbed har desuden vist høj afkodningspålidelighed, selv når der blev jammet målrettet.

Tilgangen er særligt interessant, fordi mmWave-båndet er så følsomt over for blokering, interferens og jamning. Ved at kombinere hurtig analog tilpasning med intelligent digital signalbehandling får man en form for adaptiv modstandsdygtighed, der ikke kræver noget forudgående kendskab til jammerens bølgeform. Netop derfor fremhæves metoden ofte som en af de mest lovende måder at holde 5G-forbindelser stabile i forstyrrede miljøer.

RIS-assisteret og N+1 dimensional indfødt anti-jamming

RIS-assisteret anti-jamming, altså Reconfigurable Intelligent Surface, er en anden tilgang, hvor man benytter reflekterende overflader til at styre signalvejene og på den måde slippe uden om jamning. En undersøgelse fra 2025 ser nærmere på trusler og strategier inden for netop RIS-assisteret anti-jamming i næste generations trådløse netværk. Ved siden af det findes der en metode, man kalder N+1 dimensional indfødt anti-jamming, som har til formål at give systemet en slags medfødt immunitet mod forskellige former for jamning – uden at det først skal genkende jammeren præcist. Ifølge forskningen er det her særligt relevant i krigs- og nødsituationer, hvor trådløs kommunikation er den primære eller måske endda eneste måde at føre kommando og kontrol på.

Symbol-niveau precoding er en beslægtet teknik, hvor man manipulerer interferenssignaler for at danne interferenskommunikation. Li et al. har foreslået at bruge symbol level precoding til at skabe en form for skjult kommunikation, der er svær at jamme. Disse metoder supplerer de RL-baserede tilgange ved at angribe problemet fra et signalbehandlingsperspektiv.

Præstationsdata: latenstid, energi og afkodningspålidelighed

De hidtil nævnte resultater viser en klar forbedring af både latenstid og energiforbrug. I det maritime forsøg opnåede man 40,5 % lavere latenstid og 46,4 % lavere energiforbrug i UE, hvilket er betydelige besparelser i et miljø, hvor strøm og båndbredde er knappe ressourcer. Den tredje gevinst på 10,9 % var afkortet i kilden, men indikerer yderligere optimering.

For 5G mmWave viste 28 GHz OTA-testbed'en høj afkodningspålidelighed under målrettet jamning. Det betyder, at selv når en jammer sender stærke signaler mod modtageren, kan systemet opretholde forbindelsen. Det er et vigtigt skridt mod kommerciel anvendelse i kritiske kommunikationssystemer.

Andre undersøgelser, herunder arXiv 1712.06793v1 fra 2017, har vist, at hotbooting deep Q-network med CNN og makro-handlinger kan forbedre SINR og nytteværdi mod kooperativ jamning. Det understreger, at RL-baserede metoder har været under udvikling i årevis, men først nu kombineres med LLM-inferens og avanceret beamforming.

Risici, begrænsninger og fremtidige udfordringer

På trods af fremskridtene er der stadig udfordringer. Jammeren kan dynamisk ændre politik, fremprovokere bestemte kommunikationsmønstre eller starte DoS-angreb. Spread spectrum alene kan ikke hæve SINR, hvis de fleste kanaler er blokeret. mmWave er særligt sårbar over for interferens, blokering og jamning. Derfor kræver fremtidige systemer en kombination af flere teknikker: RL, DRL, beamforming, RIS og symbol-niveau precoding.

Ifølge forskningen er det også nødvendigt at overveje afvejningen mellem kommunikationseffektivitet og sikkerhedsomkostninger. Analog hurtig tilpasning og digital intelligent behandling skal balanceres. Derudover er der juridiske og etiske aspekter ved at bruge LLM-baserede beslutninger i kritiske kommunikationssystemer.

Afslutningsvis peger udviklingen mod mere autonome systemer, hvor LLM'er og RL-agenter samarbejder om at opretholde forbindelsen under selv avancerede jamningsangreb. Det kræver tværfaglig forskning mellem maskinlæring, signalbehandling og telekommunikation.

Hvordan fungerer LLM anti-jamming trådløs kommunikation i praksis?

I praksis fungerer LLM anti-jamming ved, at en RL-agent løbende overvåger kanalkvaliteten og justerer uplink-effekt, kanalvalg og dataoverførsel. Når jamning opdages, skifter agenten til en anden strategi baseret på tidligere erfaringer. LLM'en kan bruges til at forudsige jammerens adfærd eller til at generere optimale beslutningsparametre. Systemet kræver ikke forudgående kendskab til jammerens bølgeform, hvilket gør det fleksibelt over for nye trusler.

Et konkret eksempel er det maritime system med fire UEs, hvor hver enhed kørte en lokal RL-politik og delte træningsdata centralt. Det resulterede i markante forbedringer i latenstid og energi. Denne arkitektur kan overføres til andre scenarier, f.eks. UAV-routing mod jamning, hvor LLM-aided routing blev undersøgt i 2026.

Ofte stillede spørgsmål

Hvordan fungerer LLM anti-jamming trådløs kommunikation?

En RL-baseret anti-jamming maritim ordning til LLM-inferens lader brugerudstyr optimere uplink-effekt, kanal og dataoverførsel. Den implementeres på UEs med Jetson Orin, kamera og BME280-sensorer, der sender 200 KB temperaturdata, og opnår 40,5 % lavere latenstid og 46,4 % lavere energiforbrug i UE.

Hvad er MAPPO anti-jamming beslutningsalgoritmen?

Den intelligente anti-jamming beslutningsalgoritme for trådløs kommunikation er baseret på Multi-Agent Proximal Policy Optimization (MAPPO). Den kombinerer centraliseret træning og decentraliseret udførelse (CTDE), så hver bruger kan træffe uafhængige beslutninger, mens de deler træning, og gradvist optimerer kommunikationen mod højdynamisk intelligent jamning.

Hvordan undertrykker fælles analog-digital beamforming jamning i 5G mmWave?

En 5G mmWave-modtager bruger online-læring med Bayesiansk optimering til analog beamforming for at tilpasse beamretningen og undertrykke interferens, plus Modified Minimum Mean Square Error (M-MMSE) digital detektion til at håndtere restinterferens. En 28 GHz over-the-air testbed har valideret høj afkodningspålidelighed under målrettet jamning.

Hvad er N+1 dimensional indfødt anti-jamming?

Konceptet N+1 dimensional indfødt anti-jamming i trådløs kommunikation sigter mod at give systemet medfødt immunitet mod forskellige jamningstyper uden præcis genkendelse af jammeren. Det beskrives som relevant i krigs- og nødsituationer, hvor trådløs kommunikation er den primære eller eneste kommando- og kontrolmetode.