Max-Min-Ressourcenallokation gegen Jamming: Fairness unter Störangriffen

Max-Min-Fairness verteilt begrenzte Kommunikationsressourcen so, dass der schwächste Knoten bestmöglich versorgt wird – unter Jamming hält das jeden Drohnen- oder Sensorknoten auf gleichem Durchsatz. Der Beitrag ordnet Verfahren, Algorithmen und Messgrößen aus aktuellen IEEE-, MDPI- und arXiv-Arbeiten ein.

Was ist Max-Min-Ressourcenallokation und warum ist sie gegen Jamming wichtig?

Bei der Max-Min-Ressourcenallokation gegen Jamming geht es darum, knappe Kommunikationsressourcen so aufzuteilen, dass der schlechteste Knoten im Netz noch so gut wie möglich versorgt wird. Man optimiert also nicht den Gesamtdurchsatz, sondern nimmt gezielt die Fairness gegenüber der schwächsten Verbindung in den Blick. Und genau das macht unter Störangriffen den Unterschied: Ein Jammer kann einzelne Zonen oder Frequenzbänder gerichtet ausblenden, und dann entscheidet eben nicht der Durchschnitt über den Erfolg einer Mission, sondern der verwundbarste Knoten.

Praktisch sieht das so aus: Ein Betreiber will mit mehreren Knoten kommunizieren – etwa Drohnen –, die sich in Gebieten bewegen, die von Jammern abgedeckt werden. Die Max-Min-Strategie stellt nun sicher, dass jeder dieser Knoten am Ende denselben Durchsatz bekommt, anstatt dass man einzelne besonders starke Verbindungen bevorzugt. Genau das ist der Kern der Arbeit von A. Garnaev aus dem Jahr 2026 mit dem Titel „Max-Min Resource Allocation With Application to Anti-Jamming“. Darin wird eine Anti-Jamming-Gleichgewichtsstrategie für ebendieses Szenario entworfen, und die Arbeit dient seither als Referenz für die weitere Forschung auf diesem Gebiet.

Wie funktioniert die Max-Min-Anti-Jamming-Gleichgewichtsstrategie?

Die Gleichgewichtsstrategie aus der genannten Arbeit sorgt dafür, dass alle Knoten denselben Durchsatz bekommen – und das, obwohl der Jammer reaktiv arbeitet, also erst sensen und dann stören muss. Genau darin liegt der Knackpunkt: Weil er das Signal zuerst wahrnehmen muss, bevor er zuschlägt, entsteht eine gewisse Verzögerung. Und diese Verzögerung ist die Lücke, die sich mit der Max-Min-Zuteilung ausnutzen lässt. Die Ressourcen werden nämlich so verschoben, dass der schwächste Knoten nicht noch weiter abfällt – während der Jammer noch mit Reagieren beschäftigt ist.

In der Arbeit wird eine Max-Min-Metrik eingeführt, die die Anti-Jamming-Leistung beschreibt. Als Stichproben wurden dabei einfache, didaktische Ressourcendaten herangezogen; das Ergebnis lag um 5,3 Prozentpunkte höher, bei einer Genauigkeit von 89 Prozent. Man muss das allerdings richtig einordnen: Es geht um ein Modell mit klar definierten Annahmen, nicht um einen Feldtest. Wer diese Strategie übernehmen will, sollte die Verzögerung des reaktiven Jammers kennen und die Zuteilung entsprechend darauf abstimmen.

Welche Methoden der Anti-Jamming-Ressourcenallokation gibt es?

In der Forschung greift man heute meist auf mehrere Verfahren zurück, oft auch in Kombination. Max-Min-Fairness dient dabei als Fairness-Kriterium, während Markov-Entscheidungsprozesse (MDP) den langfristigen Durchsatz abbilden. Deep Reinforcement Learning (DRL) wiederum erlernt die Ressourcenzuteilung, ohne dass ein vollständiges Kanalmodell vorliegen muss. Active Inference (AIn) kommt bei kognitiven Funknetzen zum Einsatz, und die Dualität der linearen Programmierung ermöglicht robuste Lösungen gegenüber gegnerischem Jamming. Die folgende Übersicht ordnet diese Ansätze ein und zeigt, wo sie typischerweise Anwendung finden.

Die Tabelle macht deutlich, dass es die eine Universalmethode nicht gibt. Max-Min-Fairness bietet sich an, wenn Fairness im Vordergrund steht; MDP und DRL spielen ihre Stärken aus, sobald Entscheidungen über die Zeit hinweg getroffen werden müssen; und die lineare Programmierung liefert Optimalität – zumindest solange die Budgetbeschränkung des Angreifers bekannt ist. In der Praxis werden diese Bausteine oft miteinander kombiniert, etwa indem Fairness als Nebenbedingung in ein lernendes Verfahren eingebaut wird.

Wie wird Max-Min-Fairness in drahtlosen Netzwerken unter Jamming angewendet?

Ein recht anschauliches Modell liefert die ICC-Arbeit „Robust Wireless Resource Allocation Against Adversarial Jamming“ von C. Tsoufis et al. aus dem Jahr 2026. Die Grundidee: Ein Netzwerkdesigner verteilt die Bandbreite eines Access Points auf die Nutzer, und erst danach legt der Angreifer seine Jamming-Strategie fest. Der Designer zieht also zuerst, der Gegner antwortet darauf. Formal handelt es sich um einen Spezialfall des Netzwerk-Interdiktion-Modells, bei dem der Interdiktor nicht vorangeht, sondern reagiert und die Interdiktion auf Knotenebene fraktional ausfällt.

Ein Algorithmus, der auf der Dualität der linearen Programmierung aufbaut, löst das Problem optimal – vorausgesetzt, man kennt die Budgetgrenzen des Angreifers. In Experimenten mit synthetischen Daten zeigt sich: Die insgesamt genutzte Bandbreite fällt höher aus als bei einem Ansatz, der den Angreifer schlicht ausblendet. Und P. Namyar et al. machen in ihrer USENIX-NSDI-Arbeit von 2024 noch einmal deutlich, worauf es beim Max-Min-Fair-Prinzip ankommt: Zuerst müssen die kleineren Zuteilungen angehoben werden, bevor die größeren mehr Kapazität bekommen. Genau das steckt hinter dem sogenannten Waterfilling – oder allgemeiner: hinter einer Abfolge von Optimierungsschritten.

Welche Rolle spielt Reinforcement Learning bei der Anti-Jamming-Ressourcenallokation?

Reinforcement Learning ist mittlerweile so etwas wie das Standardwerkzeug in diesem Bereich – vor allem deshalb, weil sich Jamming-Szenarien kaum vollständig modellieren lassen. F. Li hat sich 2024 in MDPI Sensors mit einer Methode zur Anti-Jamming-Ressourcenallokation befasst, deren Ziel es ist, den langfristigen Durchsatz (Long-Term Throughput, LTT) eines EH-CIoT-Netzwerks zu maximieren. Dafür wird das Problem als MDP formuliert und in drei Bestandteile aufgeteilt: ein Actor-Policy-Netzwerk, ein Critic-Wertnetzwerk sowie eine Komponente, die das Zusammenspiel der beiden bewertet.

Eine Arbeit von H. Ding aus dem Jahr 2024 vergleicht einen neuartigen intelligenten Anti-Jamming-Kommunikationsalgorithmus mit DQN und Q-Learning anhand der statistischen durchschnittlichen Paketempfangsrate unter Multi-Tone-Linear-Sweep-Jamming. Ergänzend untersucht eine Arbeit aus dem Jahr 2025 selbstorganisiertes Anti-Jamming-Reinforcement-Learning für die Drohnenkommunikation, das selbstorganisierende Karten und pseudozufällige Slice-Zuweisungen nutzt, um Konvergenz und Störfestigkeit zu verbessern. Das Muster ist klar: Lernen passt sich schneller an unbekannte Störer an als feste Regeln.

Wie adressieren aktuelle Arbeiten integrierte Sensorik und Kommunikation?

Die Arbeit von Y. Chen aus dem Jahr 2025 mit dem Titel „Anti-Jamming Resource Allocation for Integrated Sensing and Communication“ zielt darauf ab, die gewichtete Summe aus Kommunikationsrate und effektiver Sensorleistung zu maximieren und dabei sowohl Kommunikations- als auch Sensorrestriktionen einzuhalten. Jamming-Angriffe verschlechtern beide Leistungen erheblich. Die Simulationsergebnisse zeigen, dass der vorgeschlagene DRL-basierte Anti-Jamming-Ansatz die Kommunikations- und Sensorleistung von ISAC deutlich verbessert.

Für kooperative Jamming-Ressourcen präsentiert J. Wang im Jahr 2025 in „Joint Optimal Allocation of Resources for Multiple Jammer“ einen optimierten Zuteilungsalgorithmus namens Multi-Agent Jamming Resource Allocation (MAJRA). Eine Arbeit von F. Liu aus dem Jahr 2024 in AIP Advances beschreibt die Aufgabe der Jamming-Ressourcenallokation als Strategie, die die Korrespondenz zwischen Jammern und Radaren festlegt. Bereits 2021 wies F. Liu darauf hin, dass die Kreuzverteilung heterogener Radare in unterschiedlichen Raumrichtungen die Gesamtstörfestigkeit eines Systems stärkt.

Welche neueren Ansätze adressieren Drohnen und Edge-Intelligenz?

Die Arbeit von H. Yang aus dem Jahr 2026 mit dem Titel „Embodied intelligence-enhanced anti-jamming resource allocation for low-altitude communication networks“ entwirft ein durch verkörperte Intelligenz erweitertes Kommunikationsnetzwerk im niedrigen Luftraum unter bösartigen Jammern, in dem mehrere UAVs als verkörperte Agenten agieren. Eine weitere Arbeit von H. Yu aus dem Jahr 2026 beschreibt ein proaktives Rahmenwerk zur Ressourcen-Vorabzuweisung („A Proactive Resource Pre-Allocation Framework for Anti-Jamming“), das die antizipative Zuteilung in feldinstallierten Kommunikationsnetzen unter dynamischem UAV-Jamming behandelt.

Die Arbeit von M. Wu et al. aus dem Jahr 2026 auf arXiv untersucht die gemeinsame Optimierung von Modellpartitionierung und Ressourcenallokation für Anti-Jamming-Systeme zur kollaborativen Inferenz. Ein DNN-Modell wird in zwei Segmente geteilt, die auf drahtlosen Geräten und Edge-Servern laufen. Über Datenregression werden die Effekte von Jamming und Partitionierung auf die Inferenzgenauigkeit analysiert. Ziel ist es, den Systemertrag aus Verzögerung und Genauigkeit (RDA) unter Genauigkeits- und Rechenressourcen-Restriktionen zu maximieren – gelöst durch alternierende Optimierung mit Karush-Kuhn-Tucker-Bedingungen, konvexer Optimierung und einem Quantengenetik-Algorithmus.

Welche Kennzahlen und Ergebnisse sind für die Bewertung entscheidend?

Die zentrale Kennzahl der Max-Min-Fairness ist der Durchsatz des schwächsten Knotens. Unter Jamming wird sie durch die Reaktionsverzögerung des reaktiven Jammers, die Anzahl der Knoten und die verfügbare Bandbreite bestimmt. Die Arbeit von Garnaev berichtet eine Max-Min-Metrik mit 5,3 Prozentpunkten Verbesserung bei 89 Prozent Genauigkeit auf didaktischen Beispieldaten. Bei EH-CIoT steht der langfristige Durchsatz (LTT) im Vordergrund, bei ISAC die gewichtete Summe aus Kommunikationsrate und effektiver Sensorleistung, bei kollaborativer Inferenz der Ertrag aus Verzögerung und Genauigkeit.

Diese Kennzahlen sind nicht direkt vergleichbar, weil sie unterschiedliche Ziele abbilden. Wer Verfahren auswählt, sollte zuerst das eigene Ziel festlegen: Fairness für alle Knoten, langfristiger Gesamtdurchsatz, Sensor- und Kommunikationsleistung oder Inferenzqualität. Erst danach ergibt der Vergleich von Algorithmen und berichteten Werten Sinn.

Welche praktischen Grenzen und offenen Fragen bleiben?

Die meisten Ergebnisse stammen aus Simulationen oder synthetischen Daten. Das ist kein Zufall: Feldtests unter realem Jamming sind teuer und schwer reproduzierbar. Die Arbeit von Tsoufis et al. setzt etwa voraus, dass die Budgetbeschränkungen des Angreifers bekannt sind – eine Annahme, die in der Praxis oft nicht gilt. Auch die Max-Min-Strategie von Garnaev nutzt didaktische Beispieldaten, was die Übertragbarkeit auf reale Drohnenschwärme einschränkt.

Hinzu kommt die zeitliche Dynamik. Reaktive Jammer, dynamisches UAV-Jamming und wechselnde Kanalbedingungen verlangen Verfahren, die schnell neu planen können. Genau hier liegen die offenen Fragen: Wie robust sind gelernte Policies gegenüber neuen Störstrategien? Wie lässt sich Fairness mit Energiebeschränkungen von Drohnen und Sensoren verbinden? Und wie lassen sich die Rechenkosten von DRL oder Quantengenetik auf Edge-Geräten tragen? Wer heute plant, sollte Max-Min-Fairness als Grundprinzip verstehen und mit adaptiven Verfahren kombinieren, statt sich auf eine einzelne Kennzahl zu verlassen.

Häufig gestellte Fragen zur Max-Min-Ressourcenallokation gegen Jamming

Was ist Max-Min-Ressourcenallokation gegen Jamming?

Es ist eine Strategie, die begrenzte Kommunikationsressourcen so zuteilt, dass der am schlechtesten versorgte Knoten maximal gut gestellt wird und jeder Knoten denselben Durchsatz erhält. In Anti-Jamming-Szenarien nutzt ein Betreiber sie, um eine Strategie gegen Jammer zu entwerfen, wie eine Arbeit von A. Garnaev aus dem Jahr 2026 beschreibt.

Wie beeinflusst ein reaktiver Jammer die Max-Min-Zuteilung?

Ein reaktiver Jammer arbeitet im Modus erst sensen, dann stören, und benötigt dafür eine Zeitverzögerung. Die Max-Min-Anti-Jamming-Gleichgewichtsstrategie hält den Durchsatz jedes Knotens trotz dieses Verhaltens gleich, so die Arbeit aus dem Jahr 2026 zur Max-Min-Ressourcenallokation mit Anwendung auf Anti-Jamming.

Welche Methoden werden für die Anti-Jamming-Ressourcenallokation in Netzwerken genutzt?

Zu den Ansätzen zählen Max-Min-Fairness, Markov-Entscheidungsprozesse für langfristigen Durchsatz, Deep Reinforcement Learning, Active Inference im kognitiven Funk und die Dualität der linearen Programmierung für robuste Zuteilung gegen gegnerisches Jamming, wie mehrere Studien aus den Jahren 2024 bis 2026 zeigen.

Was ist das Ziel der Anti-Jamming-Ressourcenallokation in EH-CIoT?

Das Ziel ist die Maximierung des langfristigen Durchsatzes (Long-Term Throughput, LTT) des energieerntenden kognitiven Internet-of-Things-Netzwerks. Das Problem wird als Markov-Entscheidungsprozess modelliert, wie eine Arbeit von F. Li aus dem Jahr 2024 in MDPI Sensors beschreibt.