AI-drevet jamming: Sådan omformer maskinlæring elektronisk krigsførelse

AI-drevet jamming dækker både adaptiv forstyrrelse og AI-baseret beskyttelse mod jamming. Maskinlæring gør det muligt at klassificere og afvise trusler i realtid, og det ændrer spillereglerne for radar, droner og GNSS.

Hvad er AI-drevet jamming, og hvorfor betyder det noget?

AI-drevet jamming er ikke bare støj, der lægges ud over spektret. Der er tale om målrettet, beregnet forstyrrelse, hvor maskinlæring løbende analyserer indfangede radiosignaler og justerer interferensen, så den rammer modtageren dér, hvor den er svagest. Man kan sige, at begrebet dækker to sider af samme sag: elektronisk angreb, hvor AI skaber adaptiv jamming, og elektronisk beskyttelse, hvor AI opdager, klassificerer og annullerer jamming.

I praksis betyder det, at systemet løbende kan lære af bitfejlraten og huske, hvilke modtræk der faktisk virkede. Ligner et signal noget, det har set før, reagerer det med det samme. Svækker jammingen signalet, skruer det op for effekten. Er en del af spektret ubrugeligt, flytter det trafikken over på et åbent bånd. Det er netop den løkke — detektering, klassificering, respons og læring — der gør teknologien til en kampplads i konstant bevægelse.

Tidligere, under den kolde krig, kunne det tage måneder at få svar: eksperter sad i laboratorier og dissekerade indfangede signaler ned til mindste detalje, før de overhovedet kunne sige noget brugbart om truslen. Det tempo fungerer bare ikke i dag. Moderne digital radar skifter frekvens, pulsbredde og båndbredde for hver enkelt puls, så trusselsbilledet ændrer sig hurtigere, end manuel analyse nogensinde kan følge med. Derfor er AI ikke bare et supplement, man kan vælge til eller fra — det er en forudsætning for overhovedet at hænge på. Og det gælder ikke kun militære EW-enheder, men i lige så høj grad civile drone- og GNSS-systemer, hvor forstyrrelser i 2025 er blevet en trussel, man støder på til søs. Konsekvensen er, at beslutningsløkken er flyttet fra mennesker i laboratorier over til algoritmer, der arbejder i realtid.

Hvordan opdager og klassificerer maskinlæring jamming?

Det hele starter faktisk ret simpelt: radiosignalet optages og laves om til et spektrogram, altså en slags billede af, hvordan signalets energi fordeler sig over tid og frekvens. Denne visualisering er vigtig, fordi den gør det muligt for et deep learning-netværk at behandle radiosignalet, som om det var et billede, og dermed finde mønstre, som mere traditionelle metoder ville overse. Netværket afgør først, om der overhovedet er interferens til stede. Bagefter klassificerer det forstyrrelsens type – for eksempel barrage noise, tone jamming, pulse jamming eller protocol-aware angreb – og til sidst estimerer det ankomstrætningen, altså hvorfra forstyrrelsen kommer. Ifølge Jurado (2025) bruger IDD-AI netop denne fremgangsmåde til at skelne mellem forskellige forstyrrelsestyper i realtid, og det er en markant forbedring sammenlignet med manuel analyse, hvor eksperter tidligere kunne bruge måneder på at dissekere et signal i laboratoriet. Denne realtidsklassificering er selve fundamentet for kognitiv elektronisk krigsførelse, for systemet kan først vælge en passende modforanstaltning, når det ved, hvilken type trussel det står over for.

De jammingtyper, som et AI-system typisk skal kunne skelne mellem, er støjbaseret barrage noise, tone jamming, pulse jamming og protokolbevidste angreb. Forskellen er bestemt ikke kun akademisk – hver type sætter nemlig sit helt eget aftryk i spektret. Barrage noise breder energien ud over et stort område som en slags tæppe af støj, tone jamming lægger sig på enkelte frekvenser og lyder nærmest som en vedvarende hylen, mens pulse jamming sender korte, kraftige udbrud med faste intervaller. Det protokolbevidste angreb er til gengæld langt sværere at håndtere, fordi det ikke bare forstyrrer – det efterligner legitim trafik og opfører sig som en troværdig samtalepartner. Derfor kan man heller ikke nøjes med simpel støjfiltrering, hvor alt unormalt blot fjernes. AI-modeller trænes i stedet på spektrogrammer, altså billeder af signalets energi over tid og frekvens, og her bliver selv små nuancer i modulation og timing synlige. Den tilgang giver høj præcision, når systemet skal afgøre, om der overhovedet er tale om jamming, hvilken type det drejer sig om, og hvor den kommer fra – og det er afgørende for at kunne klassificere jamming mod UAV-kommunikation i realtid.

Et ret konkret eksempel på, hvordan man forsøger at håndtere det problem, er ATLANTIS-datasættet. Det er ikke bare endnu et teknisk værktøj i rækken, men et forsøg på at bygge et solidt fundament for AI-baseret detektion og klassificering af GNSS-jamming og spoofing. Grundtanken er simpel: en model kan kun lære at skelne mellem ægte signaler og fjendtlig interferens, hvis den først har set rigeligt med eksempler på begge dele. Og det er netop her, virkeligheden melder sig. Data om jamming og spoofing er sjældne i praksis, og i mange lande må de slet ikke fremstilles eller indsamles lovligt. Derfor ender kuraterede datasæt som ATLANTIS med at fungere som en afgørende genvej – et kontrolleret træningsmiljø, hvor modellerne kan øve sig på at genkende alt fra støjende forstyrrelser til snedige spoofingangreb, uden at man skal vente på, at virkeligheden selv leverer dem. Konsekvensen er, at manglen på realistiske data udgør en af de største flaskehalse, når pålidelig AI-beskyttelse skal udvikles. Uden et bredt og varieret datagrundlag risikerer modellerne at blive for snævre – og så fejler de præcis i de situationer, hvor beskyttelsen er allermest nødvendig.

Nøgleteknologier: SDR, deep learning og kognitiv EW

Software Defined Radio – eller bare SDR – er selve fundamentet under en stor del af den moderne udvikling inden for elektronisk krigsførelse. I stedet for at låse signalbehandlingen fast i hardware flytter man arbejdet over i software, og så kan systemet løbende omkonfigureres, opgraderes og tilpasse sig nye trusler, efterhånden som de dukker op. Den fleksibilitet er ikke bare en bekvemmelighed; den er afgørende, fordi fjendtlige sendere næsten aldrig opfører sig ens to gange. Derfor kan SDR også bruges til RF-fingerprinting, hvor man genkender en sender på dens unikke radiosignatur – altså de små, uundgåelige variationer, som hardwaren efterlader i signalet. Det rækker langt ud over de traditionelle, håndlavede metoder, hvor eksperter manuelt har siddet og defineret, hvad der kendetegner et bestemt signal. Fordi fingeraftrykket sidder i selve radiosignaturen og ikke kun i frekvensen, kan systemet fortsat genkende en fjendtlig sender, selv når den skifter frekvens for at undgå at blive opdaget. Kort sagt gør SDR sig til det praktiske bindeled mellem rå signaldata og de deep learning-modeller, der senere klassificerer og imødegår jammingen.

Kognitiv elektronisk krigsførelse tager denne tilgang et skridt videre og løfter den fra reaktiv støj til egentlig adaptiv adfærd. Arbejdsgangen er egentlig ret enkel: Systemet opdager et nyt signal, klassificerer det, responderer, måler bitfejlraten, lærer og husker — og prøver så igen med alternativer, indtil signalet kommer igennem. Det er den løkke, der gør systemet kognitivt. Det tilpasser sig hele tiden i stedet for at køre efter en fast plan. Undervejs kan det afprøve millioner af kombinationer i sekundet, og det er altså langt hurtigere, end nogen menneskelig operatør nogensinde kan følge med til. Samtidig prioriterer det signalerne adaptivt: Det slører dem fra detektion, overvåger hver transmissionsvej i realtid og skifter forebyggende over, før forholdene bliver missionsbegrænsende. Kognitiv EW handler altså ikke bare om at jamme hårdere — det handler i lige så høj grad om at vælge de rigtige øjeblikke og kanaler at gøre det på.

BAE Systems har lavet en let, håndholdt taktisk sensor til kognitiv EW, og den er udviklet for DARPA. Ifølge Joshua Niedzwiecki, som er direktør for gruppen Sensor Processing and Exploitation, handler det helt konkret om at give soldater i marken AI-støtte, så de bedre kan forstå og reagere på de komplekse trusler, der dukker op i spektret. Det siger egentlig en del om, hvor teknologien er på vej hen — fra laboratoriebænken og ud til den enkelte enhed.

Også kommercielle spillere som Deca Defense er i gang med anti-jamming-systemer og hybride multi-path-løsninger til kommunikation. Og når man kombinerer SDR, deep learning og kognitiv beslutningstagning, kan man faktisk opdage og klassificere en drones RF-signaler inden for en perimeter på typisk op til 100 meter — det sker via signalanalyse, der netop bygger på SDR.

Ydeevnedata: Præcision, BER og jammingmodstand

Resultaterne fra forskningen er ret svære at komme udenom. Et convolutional interference cancellation network formåede at detektere jammere med over 99 procents nøjagtighed, og bitfejlraten (BER) landede helt nede på 10^-6 — altså selv når jammerens effekt var 18 dB kraftigere end det legitime signal. Det mest interessante er måske, at det skete uden at ændre linkets modulation, hvilket i praksis er en forudsætning for, at eksisterende kommunikationssystemer kan være med.

AI-drevet radar har i flyvetest løftet sporingens kontinuitet fra de konventionelle 70-80 procent til over 99 procent. Det er ikke et kosmetisk fremskridt: når sporingen falder ud, mister operatøren midlertidigt overblikket, og målet skal genopklares, før det kan følges videre. Med den nye præcision holder systemet langt oftere fast i målet gennem forstyrrelser, hvilket giver færre afbrydelser og en mere stabil målsporing. Samtidig viser andre målinger på tværs af teknologierne, hvor højt niveauet nu ligger: jammere kan detekteres med over 99 procents nøjagtighed, og Bit Error Rate kan komme ned på 10⁻⁶, selv når jammerens effekt er 18 dB højere end det legitime signal. Nedenstående tabel opsummerer de centrale parametre på tværs af teknologierne.

Markedet for anti-jamming GPS blev i 2025 vurderet til cirka 4-5 milliarder USD, og ifølge brancheanalyser forventes det at nå 11-13 milliarder USD i 2036. Denne vækst afspejler en bredere udvikling: efterhånden som jamming bliver mere udbredt og billigere at udføre, stiger efterspørgslen efter beskyttelse tilsvarende. Det er ikke længere et nichemarked for militære specialenheder, men et område der også berører civil skibsfart, luftfart og droneoperatører, hvor GNSS-signaler udgør en kritisk infrastruktur. For militære og civile operatører er spørgsmålet derfor ikke længere, om de bliver udsat for jamming, men hvor godt deres AI-systemer kan håndtere det, når det sker. Det forklarer også, hvorfor AI-baseret jammingmodstand er blevet et centralt konkurrenceparameter i den elektroniske krigsførelse.

AI-jamming kontra traditionel støjjamming

Forskellen mellem AI-drevet jamming og traditionel støjjamming er forskellen mellem beregnet forstyrrelse og blind støj. Traditionel barrage noise sender bredspektret støj for at overdøve alt, hvilket er nemt at opdage og ofte ineffektivt mod adaptive modtagere. AI-drevet jamming lærer i stedet modtagerens adfærd at kende og degraderer selektivt de signaler, der betyder mest.

Det gør ondt værre, at RF-redundans ofte fejler, når backup-systemer deler samme spektrumsårbarhed. Hvis både primær og sekundær kommunikation ligger i samme bånd, kan én intelligent jammer lamme begge. Derfor peger mange på multi-modale kommunikationsløsninger, hvor RF kombineres med optisk/laser og akustik for at fjerne enkeltpunktsfejl.

Optisk kommunikation er i praksis umulig at jamme, fordi den ikke registreres i RF-spektret. Det gør den til et attraktivt supplement i miljøer, hvor GPS, SATCOM og taktiske datalinks er udsat for lokal spektrumafvisning. Jo mere afhængig en styrke er af RF, jo større bliver hullet, når spektret lukkes.

Samtidig er der en strategisk risiko: Ved at perfektionere jamming fremskynder aktørerne udviklingen af AI-drevne våben, hvor mennesket fjernes fra beslutningsløkken. Det er en af grundene til, at både NATO-lande og civile myndigheder følger udviklingen tæt. Teknologien er ikke neutral; den former, hvordan konflikter udkæmpes.

Modtræk: AI-anti-jamming og multi-modale kommunikationsformer

På beskyttelsessiden bruger AI-modeller de samme principper som angriberne, men i modsat retning. Systemet overvåger hver transmissionsvej i realtid, skifter proaktivt, før forholdene bliver missionsbegrænsende, og vælger den bedste kanal baseret på historik og aktuel bitfejlrate. Det er adaptiv signalprioritering i praksis.

Slingshot Aerospace arbejder med GPS-jammingdetektion baseret på AI og forbedret geolokalisering med støtte fra U.S. Space Force. Formålet er at opdage og lokalisere forstyrrelser hurtigere, end det er muligt manuelt, så operatører kan reagere, før navigationen svigter. Det er et eksempel på, hvordan AI flytter reaktionstiden fra timer til sekunder.

Droner er et særligt følsomt område. AI-moduler kan lade droner låse på visuelle mål og fortsætte forfølgelsen, selv når video- eller styrelinks forstyrres. Ruslands Boomerang-droner bruger visuel kontrast til at spore mål op til 1 km og forlænger dermed de tidligere 200 meters grænser, samtidig med at de forbliver immune over for elektronisk jamming. Ifølge TASS begyndte produktionen sidste år, og dronerne er blevet brugt i forbindelse med indtagelsen af Chasov Yar.

For virksomheder og myndigheder betyder det, at anti-jamming ikke længere kun handler om at købe et filter. Det handler om at bygge arkitekturer med flere uafhængige kommunikationsveje, AI-baseret trusselsdetektion og klare procedurer for, hvornår systemet skal skifte til optiske eller akustiske backups. De organisationer, der forbereder sig nu, står stærkest, når spektret bliver en kampplads.

Tidslinje og milepæle for AI-drevet jamming

Udviklingen er gået hurtigt, og milepælene viser en klar acceleration. I 2016 udviklede BAE Systems en kognitiv EW-sensor til DARPA. I 2022 offentliggjorde Nguyen og Noubir på arXiv et convolutional interference cancellation network, der demonstrerede, hvor præcist AI kunne fjerne jamming uden at ændre modulationen.

I 2024 begyndte AI-drevet anti-jamming for dronesikkerhed at dukke op i kommercielle løsninger, blandt andet fra ACL Digital. I 2025 kom IDD-AI med interferensdetektion, VANET-jamming blev håndteret med ensemble-klassifikatorer, Boomerang-dronerne blev sat i produktion, Slingshot leverede AI-baseret GPS-jammingdetektion, og GNSS-jamming blev beskrevet som en mainstream maritim trussel.

Nedenstående tabel viser de vigtigste milepæle og deres betydning. Tabellen er ikke en komplet historie, men den illustrerer, hvordan forskning, militære behov og kommercielle løsninger nu udvikler sig parallelt.

For 2026 peger udviklingen mod AI-baseret GNSS-jammingsikkerhed og mere moden kognitiv EW. Det betyder ikke, at problemet er løst, men at værktøjerne bliver mere tilgængelige og integrerede. For investorer og teknologiledere er det værd at følge med i, hvordan anti-jamming-markedet vokser fra 4-5 milliarder USD i 2025 mod 11-13 milliarder USD i 2036.

Risici, begrænsninger og hvad man skal være opmærksom på

En af de største udfordringer er datamangel. Virkelige data om jamming og spoofing er sjældne og ulovlige at generere, hvilket gør det svært at træne robuste AI-modeller. Modeller, der kun er trænet på syntetiske data, kan fejle i felten, hvor signalmiljøet er langt mere komplekst og støjende.

Der er også en strukturel sårbarhed: GPS, SATCOM og taktiske datalinks er kun nyttige, hvis de eksisterer. Lokal spektrumafvisning skaber større huller, jo mere afhængig en organisation er af RF-baserede systemer. Derfor er multi-modale kommunikationsformer ikke et luksusgode, men en nødvendig risikospredning.

Endelig er der den etiske og strategiske dimension. Ved at perfektionere jamming accelererer aktørerne udviklingen af AI-drevne våben, hvor mennesket fjernes fra beslutningsløkken. Det rejser spørgsmål om ansvar, kontrol og eskalering, som hverken teknologien eller lovgivningen har fulgt med på.

For praktikere betyder det, at man bør investere i AI-baseret detektion og klassificering, men også i redundans og menneskelig kontrol. Ingen enkelt teknologi løser problemet alene. Det er kombinationen af SDR, deep learning, multi-modale links og klare procedurer, der giver modstandskraft i et stadigt mere omstridt spektrum.

Ofte stillede spørgsmål om AI-drevet jamming

Hvordan fungerer AI-drevet jamming?

AI-drevet jamming bruger maskinlæring og deep learning til at behandle indfangede radiosignaler i realtid, klassificere deres modulation og adfærd og derefter generere adaptiv interferens. I stedet for at sende blind støj lærer systemet at degradere signaler selektivt og forudsige radarens respons for at holde sig foran modtrækkene.

Hvilken nøjagtighed kan AI-anti-jamming opnå?

En prototype på et convolutional interference cancellation network opdagede en jammer med over 99 procents nøjagtighed og nåede en bitfejlrate så lav som 10^-6, selv når jammerens effekt var 18 dB højere end det legitime signal. Det skete uden at ændre linkets modulation, hvilket gør løsningen kompatibel med eksisterende systemer.

Hvilke jammingtyper kan AI opdage?

AI-baserede interferensdetektionssystemer klassificerer jammingtyper som barrage noise, tone jamming, pulse jamming og protokolbevidste angreb. Det sker ved hjælp af deep learning-modeller på radiosignalers spektrogrammer, som identificerer tilstedeværelsen, klassificerer typen og estimerer ankomstrætningen i realtid.

Hvordan hjælper AI droner med at modstå jamming?

AI-moduler lader droner låse på visuelle mål og fortsætte forfølgelsen, selv når video- eller styrelinks forstyrres. Ruslands Boomerang-droner bruger visuel kontrast til at spore mål op til 1 km, hvilket forlænger de tidligere 200 meters grænser og gør dem immune over for elektronisk jamming.