LLM Anti-Jamming Wireless Communications: RL, DRL e Beamforming per Reti Wireless Resilienti

Come LLM, reinforcement learning e beamforming congiunto analogico-digitale mantengono attivi i collegamenti wireless sotto jamming: dai dati sperimentali marittimi a MAPPO, RIS e testbed 5G mmWave a 28 GHz.

Che cos'è il jamming nelle comunicazioni wireless e come l'LLM anti-jamming cambia le regole

Il jamming è, in sostanza, un attacco in cui un trasmettitore radio nemico immette potenza interferente per abbassare il rapporto segnale-interferenza-rumore (SINR) di un collegamento legittimo. Nelle comunicazioni wireless classiche la contromisura più nota è lo spread spectrum o il frequency hopping, ma se il jammer riesce a occupare gran parte delle bande disponibili, da sole queste tecniche non bastano più a far risalire il SINR. Ed è proprio qui che si inseriscono le architetture LLM anti-jamming: modelli linguistici di grandi dimensioni impiegati come livello di pianificazione e ragionamento al di sopra di algoritmi di reinforcement learning (RL) e deep reinforcement learning (DRL), che scelgono in tempo reale potenza, canale, forma d'onda e rotta dei dati.

In sostanza l'LLM non trasmette niente di suo: il suo compito è leggere lo stato dello spettro, delle metriche di rete e degli obiettivi applicativi — un quadro tutt'altro che semplice — e trasformarlo in direttive di controllo per gli agenti RL. Parliamo di scenari parecchio diversi tra loro: ambienti marittimi, droni (UAV), reti 5G e infrastrutture critiche, cioè tutti quei contesti in cui il wireless resta l'unico canale disponibile per il comando e il controllo. E la letteratura degli ultimi anni? Converge più o meno sempre sulle stesse tre famiglie di soluzioni: le decisioni basate su RL/DRL, il beamforming congiunto analogico-digitale e le superfici intelligenti riconfigurabili (RIS).

Come funziona il jamming anti-LLM basato su RL per l'inferenza LLM in mare

Tra i casi più concreti c'è lo schema RL-based anti-jamming per le comunicazioni marittime pensato per l'inferenza LLM, presentato da H. Liu nel 2026. In pratica, i dispositivi utente (UE) regolano da soli la potenza di uplink, la scelta del canale e la modalità di trasmissione dei dati: in questo modo i carichi di inferenza LLM, che pesano parecchio in termini di latenza e banda, riescono ad arrivare a destinazione anche quando ci sono interferenze ostili di mezzo.

I risultati sperimentali, ottenuti su 4 UE in ambiente portuale, parlano di una latenza ridotta del 40,5%, di un consumo energetico degli UE inferiore del 46,4% e di un terzo guadagno di prestazioni riportato in letteratura. E l'implementazione non è affatto teorica: gli UE montano moduli Jetson Orin, una camera e sensori BME280, e trasmettono pacchetti di dati di temperatura da 200 KB. Questo dettaglio non è banale, perché dimostra che il ciclo RL gira su hardware edge a basso consumo, non soltanto su simulatori.

La logica di fondo è adattiva: l'agente tiene d'occhio l'SINR, le perdite di pacchetto e il ritardo, e poi aggiorna la policy per massimizzare il throughput utile dell'inferenza. C'è però un problema: il jammer, dal canto suo, può cambiare strategia quando vuole. Ecco perché uno schema puramente reattivo non basta — serve un apprendimento che non si fermi mai.

MAPPO e DRL: l'algoritmo di decisione anti-jamming intelligente

L'algoritmo di decisione anti-jamming intelligente per le comunicazioni wireless proposto da F. Zhang nel 2025 poggia sul Multi-Agent Proximal Policy Optimization (MAPPO) e adotta lo schema centralized training with decentralized execution (CTDE). In pratica funziona così: in fase di addestramento gli agenti si scambiano informazioni e ricompense, mentre in fase esecutiva ciascun utente prende le proprie decisioni in modo indipendente, basandosi soltanto sul proprio stato locale. Il risultato? Meno coordinamento da gestire e una latenza decisionale più contenuta.

Questa architettura nasce proprio per affrontare scenari di jamming intelligente e altamente dinamico, in cui l'attaccante non si limita a disturbare il segnale, ma può arrivare a indurre specifici modi di comunicazione oppure a sferrare veri e propri attacchi denial-of-service. Ed è qui che MAPPO mostra il suo punto di forza rispetto a un classico Q-learning: la stabilità nell'aggiornamento della policy quando ci si trova in ambienti multi-agente non stazionari. Del resto è un problema ben noto, basta pensare a cosa succede quando più utenti si ritrovano a competere per lo stesso spettro.

Se guardiamo alla ricerca DRL in senso stretto, il lavoro arXiv 1712.06793v1 del 19 dicembre 2017 proponeva già un approccio bidimensionale alla mobilità anti-jamming: in pratica il dispositivo mobile se ne va dalla frequenza o dall'area troppo disturbata, affidandosi a uno schema hotbooting deep Q-network, a reti convoluzionali profonde e alle macro-azioni. Non è un caso che venga considerato un precursore piuttosto diretto delle architetture che usiamo oggi, quelle che riescono a migliorare il SINR e l'utilità quando il jamming è di tipo cooperativo.

Sempre nel 2025, Y. Li ha messo a punto un framework DRL parallelizzato, studiato apposta per reagire al jamming reattivo: un tipo di attacco che si adatta e risponde in tempo reale. Poi c'è il lavoro sul meta-federated learning del 2026, che invece affronta il jamming non stazionario — quello in cui le statistiche del canale cambiano continuamente. In scenari del genere, i modelli addestrati centralmente rischiano di diventare obsoleti in fretta, e questa è una delle sfide più difficili da gestire.

Beamforming congiunto analogico-digitale per il 5G mmWave anti-jamming

Le bande millimetriche, le famose mmWave, ti danno una capacità di trasmissione enorme, ma sono anche un bersaglio facile: basta un interferenza, un ostacolo fisico o un jammer mirato e il collegamento salta. Per cavarsela, la strada più promettente è il beamforming congiunto analogico-digitale. In pratica, il ricevitore 5G mmWave sfrutta un'ottimizzazione bayesiana online per gestire il beamforming analogico, orientando il fascio nella direzione giusta e cercando di sopprimere il segnale indesiderato. Poi entra in gioco la parte digitale, con una rilevazione Modified Minimum Mean Square Error (M-MMSE) che si occupa di mitigare l'interferenza residua.

Il nodo centrale è questo: al ricevitore non serve sapere in anticipo che forma abbia l’onda del jammer. Impara mentre va, distinguendo al volo la direzione del segnale utile da quella dell’interferenza. Un prototipo over-the-air a 28 GHz ha confermato un’elevata affidabilità di decodifica anche sotto jamming mirato, il ché dimostra che l’idea regge su hardware reale, non soltanto sulla carta o in simulazione.

Il sistema anti-jamming MIMO-OFDM del MSU INSS Lab segue una filosofia simile: trasmettitore, ricevitore e jammer wideband ad alta potenza, con un'architettura PHY del ricevitore che mitiga jamming forte senza conoscenza preventiva della forma d'onda nemica, usando dispositivi National Instruments USRP. Nel 2025 H. Zhao ha inoltre descritto il precoding a livello di simbolo, in cui i segnali di interferenza vengono manipolati per formare comunicazione interferente utile.

RIS e immunità endogena N+1: strategie anti-jamming di nuova generazione

Le superfici intelligenti riconfigurabili (RIS) aggiungono un grado di libertà fisico: invece di combattere solo con potenza e algoritmi, si controlla la propagazione del segnale riflettendo e ricombinando i raggi in modo favorevole. La survey di E. Baccour del 2025 sulle strategie anti-jamming assistite da RIS analizza minacce, contromisure e limiti di questa tecnologia nelle reti di prossima generazione.

Un approccio concettualmente diverso è l'anti-jamming endogeno a dimensionalità N+1 proposto da F. Yao nel 2023: il sistema ottiene un'immunità innata contro vari tipi di attacco senza dover riconoscere con precisione il jamming. È un'idea pensata per scenari di guerra ed emergenza, dove il wireless è il principale o unico mezzo di comando e controllo e non c'è tempo per una classificazione fine dell'attacco.

Sul fronte UAV, il jamming soppressivo mira a degradare gravemente il SINR, e le tecniche agent-based del 2025 cercano di mantenere il collegamento anche in condizioni estreme. Il lavoro di J. Viana del 2025, pubblicato su IEEE Wireless Communications Letters, quantifica il data rate ottenibile in condizioni di jamming nelle reti UAV 5G, offrendo un riferimento utile per chi progetta link resilienti. Nel 2026 è arrivata anche la proposta di routing UAV assistito da LLM contro attacchi di jamming, con valutazione sperimentale di pianificazione e analisi.

Dati di prestazione: latenza, energia e affidabilità di decodifica

La tabella seguente riassume i numeri chiave emersi dalle fonti analizzate. Si tratta di risultati sperimentali o di prototipi, non di stime di marketing, e vanno letti nel loro contesto: numero di utenti, banda, tipo di jammer e hardware utilizzato.

Il quadro che emerge è coerente: l'RL riduce latenza ed energia, il beamforming congiunto garantisce affidabilità fisica, e le architetture multi-agente come MAPPO rendono il sistema scalabile su più utenti. Restano limiti reali: il jammer può cambiare policy, indurre modalità di comunicazione specifiche o lanciare DoS, e le mmWave rimangono vulnerabili a blocchi e interferenze. La scelta tra frequency hopping e mobilità dell'utente, o tra adattamento analogico rapido ed elaborazione digitale intelligente, è un tradeoff di progetto che dipende dal contesto operativo.

Sul piano teorico, il lavoro di L. Jia del 2024 su teoria dei giochi e reinforcement learning per l'anti-jamming, ampiamente citato, ricorda che la rete wireless è strutturalmente vulnerabile e che le contromisure sono essenziali per una comunicazione affidabile. La convergenza tra teoria dei giochi, DRL e LLM di pianificazione è la direzione verso cui si muovono i gruppi di ricerca citati, da Xiamen University a Shanghai Jiao Tong University, Rutgers WINLAB, Princeton, York University e UC3M.

Domande frequenti su LLM anti-jamming wireless communications

Le domande che seguono raccolgono i dubbi più comuni di chi progetta o valuta soluzioni anti-jamming basate su LLM, RL e beamforming.

Vale la pena adottare queste tecnologie oggi?

Per chi opera in ambienti contestati — porti, droni, risposta alle emergenze, infrastrutture critiche — la risposta è sì, ma con aspettative realistiche. I risultati sperimentali mostrano guadagni concreti in latenza ed energia, mentre l'integrazione di LLM come livello di pianificazione è ancora in fase di ricerca applicata. Un sistema AI presentato il 17 dicembre 2025 rileva e risponde al jamming in tempo reale e potrebbe proteggere servizi wireless critici, dalla risposta alle emergenze alla sanità, come nel caso del Canada. La raccomandazione è partire da testbed controllati, misurare SINR e data rate reali, e solo dopo scalare su reti operative. Queste informazioni non costituiscono consulenza finanziaria o di investimento.

Domande frequenti

Come funziona la comunicazione wireless anti-jamming basata su LLM?

Uno schema RL anti-jamming per ambienti marittimi consente agli user equipment di ottimizzare potenza di uplink, canale e trasmissione dati per l'inferenza LLM. È implementato su UE con Jetson Orin, camera e sensori BME280 che trasmettono dati di temperatura da 200 KB, ottenendo il 40,5% di latenza in meno e il 46,4% di consumo energetico UE in meno.

Che cos'è l'algoritmo di decisione anti-jamming MAPPO?

L'algoritmo intelligente di decisione anti-jamming per comunicazioni wireless si basa su Multi-Agent Proximal Policy Optimization (MAPPO). Combina centralized training e decentralized execution (CTDE), permettendo a ogni utente di decidere in modo indipendente sfruttando l'addestramento condiviso, e ottimizza gradualmente la comunicazione contro jamming intelligente ad alta dinamicità.

Come sopprime il jamming il beamforming congiunto analogico-digitale nel 5G mmWave?

Un ricevitore 5G mmWave usa ottimizzazione bayesiana online per il beamforming analogico, adattando la direzione del fascio e sopprimendo l'interferenza, più rilevazione digitale Modified Minimum Mean Square Error (M-MMSE) per l'interferenza residua. Un testbed over-the-air a 28 GHz ha validato un'elevata affidabilità di decodifica sotto jamming mirato.

Che cos'è l'approccio anti-jamming endogeno a dimensionalità N+1?

Il concetto di anti-jamming endogeno a dimensionalità N+1 mira a dare al sistema un'immunità innata contro vari attacchi di jamming senza riconoscimento preciso dell'attacco. È descritto come rilevante per situazioni di guerra ed emergenza, dove il wireless è il principale o unico mezzo di comando e controllo.