Max-Min Resource Allocation para Anti-Jamming: equidad cuando hay interferencia

La asignación max-min reparte recursos limitados de comunicación maximizando al nodo más desfavorecido, de modo que cada dron mantiene un throughput parecido aunque un jammer interfiera. Aquí reviso cómo funciona ese equilibrio, qué algoritmos se usan y qué resultados reportan los estudios recientes.

¿Qué es la asignación max-min de recursos y por qué importa contra el jamming?

La asignación max-min de recursos es una regla de reparto que primero maximiza la porción más pequeña y, solo después, entrega capacidad adicional a quien ya tiene más. En un escenario de jamming, esta lógica evita que un nodo se quede casi sin enlace mientras otros acaparan el espectro. En el paper de 2026 de A. Garnaev, «Max-Min Resource Allocation With Application to Anti-Jamming», se aplica justamente a la comunicación de un operador con varios nodos, como drones, que operan en zonas protegidas por jammers.

Su valor es práctico: si el operador consigue que cada nodo mantenga un throughput parecido, todo el sistema aguanta mejor la interferencia dirigida. Y es que en vez de optimizar el promedio —que fácilmente puede ocultar nodos caídos— el criterio max-min castiga justo el peor caso. Por eso se ha convertido en un referente dentro del anti-jamming resource allocation y también en la max-min fair resource allocation que se aplica a redes inalámbricas.

Ahora bien, no hay que confundirse: esto no es un reparto parejo y ya. Se trata más bien de una optimización con restricciones, donde el algoritmo tiene que decidir cómo repartir potencia, tiempo o ancho de banda sin pasarse de los límites físicos, y a la vez cuidar que todos los nodos queden en condiciones similares. Justo esa mezcla de eficiencia y justicia es lo que la hace distinta de otros esquemas de asignación.

¿Cómo funciona la estrategia de equilibrio max-min anti-jamming?

En el modelo que plantea Garnaev, el jammer es reactivo: primero sensa el canal y luego interfiere, así que necesita un pequeño retardo de tiempo para responder. Ese retardo, aunque parezca mínimo, es justo lo que se puede explotar. La estrategia de equilibrio max-min anti-jamming aprovecha esa ventana y logra mantener un throughput parejo para cada nodo, sin importar cómo se comporte el jammer. En la práctica, esto le da al operador una política estable frente a un adversario que reacciona, en lugar de una que se caiga en cuanto el atacante ajusta su interferencia.

La clave está en anticiparse a lo que hará el jammer y, a partir de ahí, repartir los recursos de manera que ningún nodo se quede por debajo de un umbral común. El artículo reporta una métrica max-min que refleja el desempeño anti-jamming; además, toma como muestra datos educativos básicos de recursos y reporta una mejora de 5.3 puntos porcentuales con 89% de exactitud. Eso sí, son cifras de referencia del propio estudio, no una promesa de desempeño que aplique en todos los casos.

El equilibrio pesa mucho aquí porque el jammer no se queda quieto. Si el operador cargara todos los recursos hacia un solo nodo, un jammer reactivo podría detectar ese patrón y castigarlo. En cambio, al repartir el throughput de manera pareja entre los nodos, la estrategia le quita previsibilidad al sistema y mantiene la flota operando sin que un nodo se caiga mientras los demás siguen bien.

Este enfoque parte de la idea clásica de max-min fairness: primero se maximizan las asignaciones más pequeñas y hasta después se le da más capacidad a las grandes. En el paper de P. Namyar, publicado en USENIX NSDI 2024 y titulado «Solving Max-Min Fair Resource Allocations Quickly», se señala que las mejores soluciones que se conocen recurren a secuencias de optimizaciones o a waterfilling, y que el orden de asignación va, precisamente, de menor a mayor.

¿Cuáles son los principales métodos de asignación de recursos anti-jamming?

Entre 2024 y 2026 han salido varios trabajos que mezclan optimización clásica con aprendizaje automático. Y no es casualidad: cada propuesta ataca una capa distinta del problema, ya sea la política de asignación de recursos o hasta la partición de modelos de inferencia. En la siguiente tabla se resumen los enfoques que han aparecido en la literatura reciente, junto con el objetivo que cada uno declara perseguir.

El MDP que propone Li divide el problema en tres componentes: la red de política del actor, la red de valor del crítico y el entorno donde se toman las decisiones. La meta aquí es maximizar el Long-Term Throughput (LTT) de la red EH-CIoT. Por otro lado, el enfoque de DRL que plantea Chen va tras maximizar la suma ponderada entre la tasa de comunicación y la potencia efectiva de sensado, y para lograrlo tiene que respetar las restricciones que imponen ambos dominios dentro de ISAC.

Hay otros trabajos que le entran más bien al tema de la coordinación. Por ejemplo, el algoritmo MAJRA que propone J. Wang en 2025 busca una asignación optimizada de los recursos de jamming cuando varios agentes cooperan entre sí. Por otro lado, el paper de F. Liu publicado en AIP Advances en 2024 plantea que la tarea de asignar recursos de jamming consiste, básicamente, en formular una estrategia que defina la correspondencia entre los jammers y los radares.

¿Cómo se aplica la equidad max-min en redes inalámbricas bajo jamming?

Aplicar max-min fairness en una red inalámbrica bajo jamming implica resolver un problema de asignación con un adversario presente. El paper de 2026 de C. Tsoufis et al. en ICC, «Robust Wireless Resource Allocation Against Adversarial Jamming», estudia cómo asignar el ancho de banda de un punto de acceso a los usuarios cuando hay interferencia adversarial. El diseñador de la red actúa primero y después el adversario aplica su estrategia de jamming.

Ese modelo es un caso especial de interdicción de red: el interdictor responde en lugar de liderar, y la interdicción es fraccional a nivel de nodo. Los autores proponen un algoritmo de asignación basado en la dualidad de programación lineal que resuelve el problema de forma óptima, asumiendo que se conocen las restricciones de presupuesto del adversario. En experimentos con datos sintéticos, el método mejora el ancho de banda total utilizado frente a un algoritmo que ignora al adversario.

La lección práctica es que la equidad no basta por sí sola: también hay que modelar la reacción del jammer. La asignación max-min funciona mejor cuando se combina con una estimación del presupuesto y del comportamiento del atacante, porque el reparto justo se vuelve una decisión estratégica y no solo aritmética.

¿Qué papel juega el aprendizaje por refuerzo en la asignación anti-jamming?

El aprendizaje por refuerzo profundo se ha vuelto el marco dominante para decidir asignaciones sin conocer por completo el entorno. El paper de 2025 de Y. Chen, «Anti-Jamming Resource Allocation for Integrated Sensing and Communication», usa DRL para maximizar la suma ponderada de la tasa de comunicación y la potencia efectiva de sensado, respetando restricciones de comunicación y de sensado. Los ataques de jamming degradan severamente ambos desempeños, y las simulaciones muestran que el enfoque DRL mejora de forma significativa las prestaciones de ISAC.

El trabajo de 2024 de H. Ding, «A novel intelligent anti-jamming communication algorithm», compara su propuesta con DQN y Q-learning usando el promedio estadístico de paquetes recibidos bajo jamming de barrido lineal multitono. Es una comparación relevante porque mide el desempeño en una condición de interferencia concreta y no solo en simulaciones ideales.

También hay variantes auto-organizadas. Un trabajo de 2025 sobre aprendizaje por refuerzo anti-jamming auto-organizado para comunicaciones de drones emplea mapas auto-organizados y rebanadas pseudoaleatorias para mejorar la convergencia y el desempeño anti-jamming. En conjunto, la tendencia es pasar de políticas fijas a políticas que se adaptan al patrón de interferencia.

¿Qué métricas de desempeño y resultados reportan los estudios?

Las métricas varían según el objetivo, pero varias se repiten: throughput por nodo, throughput de largo plazo, tasa de paquetes recibidos, exactitud de inferencia y ancho de banda total utilizado. El paper de Garnaev reporta una métrica max-min de desempeño anti-jamming, con 5.3 puntos porcentuales de mejora y 89% de exactitud sobre datos educativos básicos usados como muestra. Son resultados de un estudio específico y conviene leerlos como tales.

En el terreno del aprendizaje, el paper de 2026 de M. Wu et al. analiza cómo el jamming y la partición de una red neuronal profunda afectan la exactitud de inferencia mediante regresión de datos. El objetivo es maximizar el ingreso del sistema por retardo y exactitud (RDA) bajo restricciones de exactitud y de cómputo, optimizando de forma conjunta la asignación de recursos de cómputo, la potencia de transmisión de los dispositivos y la partición del modelo.

El algoritmo propuesto descompone el problema en tres subproblemas resueltos con condiciones de Karush-Kuhn-Tucker, optimización convexa y un algoritmo genético cuántico. Las simulaciones muestran un mejor desempeño en RDA frente a las alternativas comparadas. La conclusión general de la literatura es que la combinación de equidad, modelado del adversario y aprendizaje adaptativo rinde más que cualquiera de esas piezas por separado.

Un dato adicional viene del trabajo de F. Liu de 2021 sobre tecnología de asignación de recursos de jamming: el despliegue cruzado de radares heterogéneos en distintas direcciones espaciales le da al sistema una capacidad anti-jamming fuerte. Es decir, la diversidad espacial también cuenta como recurso asignable.

¿Cómo se aplica esto a las comunicaciones de drones?

Los drones son el caso de uso más citado porque combinan movilidad, enlaces inalámbricos y exposición a jammers en zonas específicas. El paper de 2026 de H. Yang, «Embodied intelligence-enhanced anti-jamming resource allocation for low-altitude communication networks», diseña una red de baja altitud con inteligencia encarnada bajo jammers maliciosos, donde varios UAV actúan como agentes encarnados. La idea es que la propia red perciba y reaccione a la interferencia.

En paralelo, el paper de 2026 de H. Yu, «A Proactive Resource Pre-Allocation Framework for Anti-Jamming», aborda la asignación anticipada de recursos en redes de comunicación desplegadas en campo bajo jamming dinámico de vehículos aéreos no tripulados. La diferencia clave frente a los esquemas reactivos es que aquí se reservan recursos antes de que el jamming ocurra.

Para quien opera una flota, la implicación es directa: conviene combinar una política max-min que proteja al dron más desfavorecido con mecanismos de preasignación y con aprendizaje que se adapte al patrón del jammer. Ninguna pieza por sí sola garantiza el enlace, pero juntas reducen la probabilidad de perder nodos completos. Este texto es informativo y no constituye asesoría de inversión.

¿Qué conclusiones deja la literatura reciente sobre max-min anti-jamming?

El consenso es que la equidad max-min sigue siendo una base sólida para repartir recursos bajo interferencia, pero ya no se usa sola. Los trabajos de 2024 a 2026 la combinan con MDP, DRL, inferencia activa, dualidad de programación lineal y optimización multiobjetivo. Cada combinación responde a un tipo de red y a un tipo de jammer distinto.

También queda claro que el adversario importa. Un jammer reactivo con retardo, un jammer cooperativo multiagente y un jammer adversarial con presupuesto limitado exigen modelos diferentes. La asignación max-min aporta la capa de justicia; el modelado del adversario aporta la capa estratégica; y el aprendizaje aporta la adaptación en tiempo real.

Para un equipo que diseña redes de drones o sistemas ISAC, la recomendación práctica es medir el peor caso antes que el promedio, documentar el tiempo de reacción del jammer y validar la política con métricas como throughput por nodo, tasa de paquetes recibidos y ancho de banda total utilizado. Esa disciplina de medición es lo que separa un despliegue robusto de uno que solo funciona en laboratorio.

Preguntas frecuentes sobre asignación max-min anti-jamming

¿Qué es la asignación max-min de recursos en anti-jamming?

Es una estrategia que reparte recursos limitados de comunicación maximizando al nodo más desfavorecido, de modo que cada nodo mantiene un throughput similar. En escenarios de jamming, el operador la usa para diseñar una política contra los jammers, como describe el paper de 2026 de A. Garnaev sobre asignación max-min con aplicación anti-jamming.

¿Cómo afecta un jammer reactivo a la asignación max-min?

Un jammer reactivo trabaja en modo de sensar y luego interferir, y necesita un retardo de tiempo para reaccionar. La estrategia de equilibrio max-min anti-jamming mantiene un throughput igual para cada nodo pese a ese comportamiento, según el paper de 2026 sobre asignación max-min de recursos con aplicación al anti-jamming.

¿Qué métodos se usan para asignar recursos anti-jamming en redes?

Se combinan max-min fairness, procesos de decisión de Markov para throughput de largo plazo, aprendizaje por refuerzo profundo, inferencia activa en radio cognitiva y dualidad de programación lineal para asignación robusta contra jamming adversarial, como muestran varios estudios de 2024 a 2026 en redes inalámbricas, ISAC y EH-CIoT.

¿Cuál es el objetivo de la asignación anti-jamming en EH-CIoT?

El objetivo es maximizar el Long-Term Throughput (LTT) de la red de Internet de las Cosas cognitiva con recolección de energía. El problema se modela como un proceso de decisión de Markov con red de política del actor y red de valor del crítico, según el paper de 2024 de F. Li publicado en MDPI Sensors.