Max-min ressourceallokering til anti-jamming: Fairness under jamming

Max-min fairness sikrer, at den svageste kommunikationsknude under jamming får så meget kapacitet som muligt. Her gennemgår jeg strategier, algoritmer og resultater fra forskningen 2021-2026.

Hvad er max-min ressourceallokering, og hvorfor betyder det noget mod jamming?

Max-min ressourceallokering handler om at løfte den dårligst stillede knude først. Man maksimerer altså gennemstrømningen for den knude, der klarer sig dårligst, før man overhovedet overvejer at give mere kapacitet til dem, der allerede har rigeligt. Under jamming er det en ret praktisk tilgang: En operatør bør ikke lade én drone eller sensor miste forbindelsen, bare fordi en anden kunne få endnu mere ud af båndbredden. A. Garnaev viser i en IEEE-artikel fra 2026, "Max-Min Resource Allocation With Application to Anti-Jamming", hvordan princippet kan bruges til at designe en strategi mod jammere, der opererer i beskyttede zoner. Målet er enkel og ret konkret: lige gennemstrømning for hver knude.

I praksis er problemet ret grundlæggende: båndbredde, sendeeffekt og tidsintervaller er knappe ressourcer, og der er aldrig nok til alle. En jammer udnytter typisk de knuder, der i forvejen er dårligst stillet, og det gør ondt, fordi det netop er der, der ikke er noget at give af. Max-min-tilgangen vender den logik på hovedet. I stedet for at jagte et højt gennemsnit, som let skjuler, at nogen bliver kørt helt af banen, sikrer man, at den dårligst stillede knude får så meget som muligt. Det er den slags forsigtighed, der giver mening i droner, kognitive radioer og lavhøjde-netværk, hvor en enkelt afbrydelse kan være nok til at vælte en hel mission.

Det er dog ikke kun inden for anti-jamming, at max-min-tankegangen dukker op. I en USENIX NSDI-artikel fra 2024 med titlen "Solving Max-Min Fair Resource Allocations Quickly on ..." viser P. Namyar, hvordan de hidtil bedste løsninger typisk bygger på en sekvens af optimeringer eller waterfilling. Selve princippet er det samme: de små allokeringer skal løftes først, før de store kan få mere kapacitet. Artiklen er citeret 31 gange, og den illustrerer meget godt, hvor central max-min-fairness efterhånden er blevet i netværksforskningen.

Hvordan fungerer max-min anti-jamming ligevægtsstrategien?

Garnaevs 2026-artikel viser, at man kan opnå en ligevægt, hvor alle knuder får tildelt samme gennemstrømning — også når der er en reaktiv jammer i spil. Den reaktive jammer fungerer efter princippet "sensing-then-jamming": først lytter den og registrerer, om der er aktivitet, og først derefter sender den sin forstyrrelse. Det betyder, at der altid opstår en vis tidsforsinkelse, og det er præcis denne forsinkelse, som allokeringsstrategien kan udnytte til at holde gennemstrømningen stabil for hver enkelt knude.

Ligevægten er ikke noget, man bare lige sætter og så glemmer. Operatøren allokerer ressourcer, jammeren svarer igen, og operatøren justerer på ny. Det ender i en stabil tilstand, hvor ingen knude systematisk bliver taberen. Netop den egenskab gør max-min mere tiltalende end at jagte rå gennemstrømning alene. Man giver afkald på lidt topydelse for til gengæld at undgå, at den svageste del af netværket falder fra hinanden.

Det samme arbejde præsenterer et max-min-metrik, der siger noget om, hvor godt systemet klarer sig mod jamming. Når man tester med grundlæggende undervisningsressourcedata som prøvegrundlag, lander metoden 5,3 procentpoint over sammenligningsgrundlaget og rammer en nøjagtighed på 89 procent. Man skal nok tage tallene med et gran salt, for det er et tidligt benchmark — men de viser trods alt, at fairness ikke bare er et princip. Det kan faktisk måles.

Hvilke metoder findes der til anti-jamming ressourceallokering?

Forskningen fra 2021 til 2026 bevæger sig fra klassisk optimering og hele vejen over til mere avanceret maskinlæring. Det, der går igen på tværs af metoderne, er dog det samme grundvilkår: Ressourcerne er knappe, og de skal fordeles, samtidig med at en modstander aktivt forsøger at forstyrre kommunikationen. Tabellen nedenfor giver et overblik over de væsentligste tilgange, sådan som de optræder i de arbejder, der citeres her.

I en artikel fra 2024 i MDPI Sensors undersøger F. Li en metode til anti-jamming-ressourceallokering, der har til formål at maksimere Long-Term Throughput (LTT) i et EH-CIoT-netværk. Li griber problemet an ved at modellere det som en MDP, altså en Markov-beslutningsproces, og løsningen består af tre dele: et actor-politiknetværk, et critic-værdinetværk samt yderligere komponenter. Arbejdet er blevet citeret 2 gange, og det viser, hvordan energihøstende IoT-enheder kan opretholde forbindelsen, selv når der er forstyrrelser.

I en artikel fra 2025 undersøger Y. Chen, "Anti-Jamming Resource Allocation for Integrated Sensing and Communication", hvordan man kan maksimere den vægtede sum af kommunikationshastigheden og den effektive sensing-effekt, samtidig med at både kommunikations- og sensing-begrænsninger overholdes. Jammingangreb er nemlig et alvorligt problem, der forringer begge dele markant. Simuleringerne viser dog, at den DRL-baserede tilgang, som forfatteren foreslår, giver en betydelig forbedring af både kommunikationen og sensing-evnen i ISAC-systemer. Artiklen er citeret 15 gange.

J. Wang har i en artikel fra 2025, "Joint Optimal Allocation of Resources for Multiple Jammer", foreslået en optimeret allokeringsalgoritme til kooperative jammingsressourcer, som han kalder Multi-Agent Jamming Resource Allocation (MAJRA). Arbejdet er blevet citeret 5 gange. Et andet bidrag kommer fra H. Ding, hvis 2024-artikel "A novel intelligent anti-jamming communication algorithm" tester sin algoritme op imod DQN og Q-learning. Sammenligningen sker på det statistiske gennemsnitlige pakkemodtagelsesforhold under multi-tone lineær sweep-jamming, og den artikel er citeret 8 gange.

Hvordan bruges max-min fairness i trådløse netværk under jamming?

I trådløse netværk er max-min fairness tæt knyttet til waterfilling, hvor kapacitet hældes ud over de svageste kanaler først. En 2026 ICC-artikel af C. Tsoufis et al., "Robust Wireless Resource Allocation Against Adversarial Jamming", undersøger, hvordan man tildeler adgangspunkt-bandbredde til brugere, når en modstander jammer. Netværksdesigneren handler først, hvorefter modstanderen anvender sin jammingsstrategi.

Modellen er et specielt network interdiction-problem, hvor interdictoren reagerer i stedet for at lede, og hvor interdiktionen er fraktionel på knudeniveau. En allokeringsalgoritme baseret på lineær programmeringsdualitet løser problemet optimalt, forudsat at man kender modstanderens budgetbegrænsninger. Eksperimenter på syntetiske data viser forbedret samlet udnyttet båndbredde sammenlignet med en algoritme, der ignorerer modstanderen.

Det er værd at bemærke, at antagelsen om kendskab til modstanderens budget er stærk. I praksis må operatøren estimere den. Ikke desto mindre viser arbejdet, at max-min-tænkning kan kombineres med robust optimering og stadig give konkurrencedygtige resultater, når trusselsbilledet er usikkert.

Hvilken rolle spiller reinforcement learning i anti-jamming ressourceallokering?

Reinforcement learning er blevet den dominerende tilgang, fordi jammere er adaptive og svære at modellere eksakt. En 2024-artikel af H. Ding bruger DQN og Q-learning som referencepunkter og viser, hvordan en ny intelligent algoritme klarer sig under multi-tone lineær sweep-jamming. En 2025-artikel om selvorganiserende anti-jamming-reinforcement learning til dronekommunikation kombinerer selvorganiserende kort med pseudo-tilfældige slices for at forbedre konvergens og anti-jamming-ydelse.

En 2026-artikel af H. Yang, "Embodied intelligence-enhanced anti-jamming resource allocation for low-altitude communication networks", designer et lavhøjde-kommunikationsnetværk med embodied intelligence under ondsindede jammere, hvor flere UAV'er fungerer som embodied agenter. Arbejdet er citeret 2 gange. En anden 2026-artikel af H. Yu, "A Proactive Resource Pre-Allocation Framework for Anti-Jamming", adresserer proaktiv ressourceallokering i feltudrullede netværk under dynamisk UAV-jamming.

Endelig kombinerer en 2026 arXiv-artikel af M. Wu et al. modelopdeling og ressourceallokering til anti-jamming collaborative inference. En DNN opdeles i to segmenter, der kører på henholdsvis trådløse enheder og edge-servere. Man analyserer jamming og DNN-opdelingens effekt på inferensnøjagtigheden via data regression. Målet er at maksimere systemets omsætning af forsinkelse og nøjagtighed (RDA) under begrænsninger i inferensnøjagtighed og beregningsressourcer.

Løsningen er en alternerende optimeringsalgoritme, der opdeles i tre delproblemer løst med Karush-Kuhn-Tucker-betingelser, konveks optimering og en kvante-genetisk algoritme. Simuleringer viser overlegenhed i RDA. For mig at se er det et godt eksempel på, hvordan anti-jamming er gået fra at handle om radiosignaler til også at omfatte beregningsopgaver og modelarkitektur.

Hvilke nøgletal og resultater går igen i forskningen?

På tværs af arbejderne går et par målinger igen: gennemstrømning, langsigtet gennemstrømning (LTT), pakkemodtagelsesforhold, inferensnøjagtighed og samlet udnyttet båndbredde. Garnaevs max-min-metrik rapporterer 5,3 procentpoint forbedring og 89 procents nøjagtighed. C. Tsoufis' arbejde måler forbedret samlet udnyttet båndbredde. M. Wu måler RDA, altså en kombination af forsinkelse og nøjagtighed.

Det er værd at holde tungen lige i munden: forskellige arbejder måler forskellige ting, og tallene er ikke direkte sammenlignelige. En høj gennemstrømning i et ISAC-system siger ikke noget om inferensnøjagtigheden i et collaborativt inferenssystem. Ikke desto mindre peger alle resultater i samme retning: fairness-baserede og læringsbaserede tilgange slår naive allokeringer under jamming.

En 2021-artikel af F. Liu, "Research on Jamming Resource Allocation Technology", bemærker, at krydsudrulning af heterogene radarer i forskellige rumlige retninger giver hele systemet en stærk anti-jamming-evne. En 2024-artikel af F. Liu i AIP Advances beskriver jammingsressourceallokering som opgaven med at fastlægge korrespondancen mellem jammere og radarer. Det er den modsatte side af bordet — men samme matematik.

Hvad betyder det for dronekommunikation i praksis?

For en operatør med flere droner i luften er den praktiske lærdom, at man bør allokere efter den svageste forbindelse, ikke efter gennemsnittet. Hvis én drone flyver ind i et jammed område, skal den ikke straffes med nul kapacitet, mens de øvrige får mere. Max-min-logikken holder hele flåden operationel.

Reaktive jammere gør billedet mere kompliceret, fordi de først lytter og derefter forstyrrer. Den tidsforsinkelse, det medfører, kan udnyttes ved at variere sendemønstre og reservere ressourcer proaktivt. Det er netop, hvad H. Yus framework for proaktiv ressource-præallokering sigter mod i feltudrullede netværk under dynamisk UAV-jamming.

Min erfaring fra teknologijournalistik er, at løsningerne sjældent er enkeltsående algoritmer. De bedste resultater kommer, når man kombinerer en fairness-regel, en læringskomponent og en robusthedsanalyse. Det gælder uanset, om man bygger et kognitivt radionetværk, et EH-CIoT-netværk eller et ISAC-system.

For danske læsere er perspektivet måske mest relevant i forbindelse med beredskab, forsvar og kritisk infrastruktur, hvor droner og sensorer skal kunne kommunikere under forstyrrelser. Teknologien er stadig forskningstung, men retningen er klar: fairness er ikke et blødt ideal, det er en hård teknisk parameter.

Ofte stillede spørgsmål

Hvad er max-min ressourceallokering i anti-jamming?

Det er en strategi, der fordeler knappe kommunikationsressourcer, så den dårligst stillede knude maksimeres, og hver knude opnår samme gennemstrømning. Under jamming bruger en operatør metoden til at designe en strategi mod jammere, som beskrevet i en IEEE-artikel fra 2026 af A. Garnaev.

Hvordan påvirker en reaktiv jammer max-min-allokeringen?

En reaktiv jammer arbejder i en sensing-then-jamming-tilstand og kræver en tidsforsinkelse. Den max-min anti-jamming-ligevægtsstrategi opretholder samme gennemstrømning for hver knude på trods af denne adfærd, ifølge 2026-artiklen om max-min ressourceallokering med anvendelse på anti-jamming.

Hvilke metoder bruges til anti-jamming ressourceallokering i netværk?

Tilgangene omfatter max-min fairness, Markov-beslutningsprocesser til langsigtet gennemstrømning, deep reinforcement learning, aktiv inferens i kognitiv radio og lineær programmeringsdualitet til robust allokering mod adversarisk jamming, som vist i flere studier fra 2024-2026.

Hvad er målet med anti-jamming ressourceallokering i EH-CIoT?

Målet er at maksimere Long-Term Throughput (LTT) i det energihøstende kognitive IoT-netværk. Problemet modelleres som en Markov-beslutningsproces, som beskrevet i en MDPI Sensors-artikel fra 2024 af F. Li.