Communications sans fil anti-brouillage par LLM : RL, DRL et beamforming

Les LLM et l'apprentissage par renforcement transforment la lutte anti-brouillage sans fil, du contrôle de puissance en mer au beamforming mmWave 5G. Voici les mécanismes, les chiffres et les limites réelles de ces approches.

Qu'est-ce que l'anti-brouillage par LLM dans les communications sans fil ?

L'anti-brouillage par LLM, c'est l'idée d'associer les grands modèles de langage à l'apprentissage par renforcement (RL) pour garder des liaisons sans fil fonctionnelles même quand un brouilleur s'active. Précisons d'emblée que le LLM n'émet aucune onde : son rôle est celui d'un orchestrateur décisionnel, chargé d'arbitrer, tandis que le RL se penche sur l'optimisation de la puissance de liaison montante, du choix de canal et de la transmission de données. Derrière cette architecture, il y a un besoin très concret. Les brouilleurs d'aujourd'hui modifient leur politique en temps réel, et ce genre de situation peut survenir aussi bien en mer qu'en contexte d'urgence.

Le jargon technique reste dense, il faut bien l’admettre : RL, DRL (deep reinforcement learning), MAPPO, CTDE, MIMO-OFDM, mmWave, beamforming, RIS, SINR, QPSK, USRP, sans oublier les bancs d’essai OTA. Concrètement, deux grandes familles de solutions se côtoient : d’un côté, celles qui jouent sur la forme d’onde ou l’orientation du faisceau ; de l’autre, celles qui déplacent la décision directement dans l’appareil. La suite de cet article passe en revue les résultats publiés, les compromis à faire et les faiblesses de chaque approche.

Comment le RL anti-brouillage soutient l'inférence LLM en mer

Une étude menée par H. Liu en 2026 décrit un schéma d'anti-brouillage fondé sur l'apprentissage par renforcement, appliqué aux communications maritimes pour l'inférence de grands modèles de langage. Concrètement, les équipements utilisateurs ajustent eux-mêmes trois paramètres : leur puissance de liaison montante, le canal choisi et la transmission de données. Le banc d'essai, lui, mobilise 4 UE déployés dans un port, chacun doté d'un Jetson Orin, d'une caméra et de capteurs BME280 chargés de transmettre 200 Ko de données de température.

Les chiffres parlent d'eux-mêmes : 40,5 % de latence en moins, 46,4 % de consommation énergétique des UE en moins, et un troisième gain malheureusement tronqué dans la source. On comprend donc que l'optimisation par RL ne se limite pas à garder le lien actif : elle allège aussi la facture énergétique d'une charge d'inférence distribuée.

Ce cas de figure traduit une évolution plus profonde : l'anti-brouillage ne se résume plus à un filtre radio qu'on pose une fois pour toutes, il fonctionne désormais comme une boucle de décision à part entière, qui doit constamment arbitrer entre l'énergie consommée, le débit obtenu et la robustesse du lien. Concrètement, pour un opérateur, cela déplace le débat : la question n'est plus seulement de savoir quel spectre on occupe, mais aussi combien cette occupation coûte réellement à exploiter.

MAPPO et DRL : les algorithmes de décision anti-brouillage intelligents

L'algorithme intelligent de décision anti-brouillage proposé par F. Zhang en 2025 (cité 7 fois) repose sur le Multi-Agent Proximal Policy Optimization, ou MAPPO. Son principe ? Marier un entraînement centralisé avec une exécution décentralisée, ce qu'on appelle communément le CTDE. Concrètement, chaque utilisateur prend ses propres décisions de manière autonome, tout en profitant d'un apprentissage mutualisé entre agents. Résultat : la communication s'affine peu à peu, et ce même face à un brouillage intelligent particulièrement dynamique.

Le DRL s’impose aujourd’hui comme une approche de référence pour l’anti-brouillage, et un travail sur l’apprentissage méta-fédéré face à un brouillage non stationnaire (septembre 2026) le rappelle utilement. À côté de cela, d’autres voies sont explorées : un cadre DRL parallélisé pour contrer le brouillage réactif (Y. Li, 2025, cité 10 fois), ou encore le croisement entre théorie des jeux et RL (L. Jia, 2024, cité 94 fois).

La comparaison entre apprentissage centralisé et décentralisé mérite d'être posée clairement :

Tous ces travaux convergent vers le même constat : le recours à l'étalement de spectre, à lui seul, montre aujourd'hui ses limites. Car dès lors qu'une majorité de canaux se retrouve brouillée, aucune technique d'étalement ne parviendra à redresser le SINR sans s'appuyer sur une décision véritablement adaptative.

Beamforming analogique-numérique conjoint pour l'anti-brouillage mmWave 5G

Pour la 5G millimétrique, un récepteur combine beamforming analogique et détection numérique. Le volet analogique utilise une optimisation bayésienne en ligne pour orienter le faisceau et supprimer les interférences ; le volet numérique emploie une détection M-MMSE (Modified Minimum Mean Square Error) pour atténuer l'interférence résiduelle. Un prototype 28 GHz en conditions réelles (OTA) a validé une fiabilité de décodage élevée sous brouillage ciblé.

Le laboratoire INSS de la Michigan State University décrit de son côté un système MIMO-OFDM anti-brouillage en temps réel, avec émetteur, récepteur et brouilleur large bande de forte puissance. L'architecture PHY du récepteur atténue un brouillage puissant sans connaissance préalable de la forme d'onde du brouilleur, sur des équipements USRP de National Instruments.

Le compromis central est clair : l'adaptation analogique est rapide mais grossière, le traitement numérique est plus fin mais plus lent. Les systèmes récents cherchent donc à combiner les deux plutôt qu'à choisir. La sensibilité du mmWave au blocage et au brouillage reste toutefois une vulnérabilité structurelle.

Stratégies anti-brouillage assistées par RIS et immunité endogène N+1

Les surfaces intelligentes reconfigurables (RIS) constituent une piste montante. E. Baccour (2025, cité 10 fois) en propose une revue complète : stratégies anti-brouillage assistées par RIS, menaces associées et perspectives. L'idée est de reconfigurer l'environnement de propagation plutôt que de renforcer uniquement l'émetteur ou le récepteur.

Une autre approche, dite « anti-brouillage endogène par dimensionnalité N+1 » (F. Yao, 2023, cité 19 fois), vise une immunité innée contre diverses attaques sans reconnaissance précise du brouillage. Elle est jugée pertinente dans les situations de guerre ou d'urgence où le sans-fil est le principal, voire l'unique moyen de commandement et de contrôle.

D'autres travaux explorent la précodage au niveau symbole (H. Zhao, 2025, cité 8 fois), où l'on manipule les signaux d'interférence pour former une communication d'interférence, ou encore des techniques anti-brouillage à base d'agents pour les drones (août 2025), où le brouillage suppressif vise à dégrader sévèrement le SINR.

Ces travaux convergent vers une même logique : au lieu de subir le brouillage, on intègre la contrainte dans la conception même du système.

Données de performance : latence, énergie et fiabilité de décodage

Les chiffres publiés permettent de comparer les approches. Le schéma RL maritime de H. Liu affiche 40,5 % de latence en moins et 46,4 % d'énergie en moins sur 4 UE. Le système MIMO-OFDM du MSU INSS Lab met l'accent sur la mitigation en temps réel sans connaissance préalable du brouilleur. Le prototype mmWave 28 GHz valide la fiabilité de décodage sous brouillage ciblé.

Un système anti-brouillage décrit par H. Zeng utilise des symboles OFDM à 64 sous-porteuses, dont 52 pour la charge utile, avec modulation QPSK. Ces paramètres rappellent que la robustesse se joue aussi au niveau de la couche physique, pas seulement dans les algorithmes d'apprentissage.

Des travaux plus récents mesurent le débit atteignable en conditions de brouillage dans les UAV 5G (J. Viana, 2025, cité 3 fois, IEEE Wireless Communications Letters, vol. 14, n° 12, p. 4042-4046). Un système d'IA annoncé le 17 décembre 2025 détecte et répond automatiquement au brouillage en temps réel, avec un rôle potentiel pour sécuriser les services sans fil canadiens, des interventions d'urgence aux soins de santé.

Ces résultats restent dépendants du scénario : un brouilleur capable de changer de politique, d'induire un mode de communication précis ou de lancer un déni de service peut invalider les gains observés en laboratoire.

Routage UAV assisté par LLM et limites des approches actuelles

Le routage UAV assisté par LLM contre les attaques de brouillage (juillet 2026) évalue par l'expérimentation la planification, l'analyse et l'application de l'approche proposée. C'est l'une des rares pistes où le LLM intervient directement dans la décision de mobilité, et pas seulement dans l'optimisation radio.

Les limites restent nombreuses. Les brouilleurs peuvent modifier dynamiquement leur politique, induire des modes de communication spécifiques ou lancer des attaques par déni de service. L'étalement de spectre seul ne peut pas relever le SINR si la plupart des canaux sont bloqués. Le mmWave est particulièrement sensible à l'interférence, au blocage et au brouillage.

S'ajoutent des compromis classiques : efficacité de communication contre coût de sécurité, adaptation analogique rapide contre traitement numérique intelligent, ou encore hopping de fréquence contre mobilité de l'utilisateur dans l'anti-brouillage bidimensionnel. Un travail fondateur (arXiv 1712.06793v1, 19 décembre 2017) proposait déjà un schéma deep Q-network avec hotbooting, réseau convolutif et macro-actions pour améliorer le SINR face à un brouillage coopératif.

Les institutions impliquées dans ces recherches incluent le MSU INSS Lab, l'Université de Xiamen, l'Université Jiao Tong de Shanghai, le WINLAB de Rutgers, l'Université de Princeton, l'Université York et l'UC3M. La maturité industrielle reste toutefois inégale selon les scénarios.

Comment fonctionne concrètement une communication anti-brouillage par LLM ?

Dans un déploiement type, les équipements utilisateurs collectent l'état du canal et du brouillage, puis un agent RL choisit la puissance, le canal et le mode de transmission. Le LLM intervient en amont pour interpréter le contexte, formuler des objectifs ou router une décision de haut niveau, par exemple dans un scénario UAV.

La boucle se répète en temps réel : observation, décision, action, récompense. Le CTDE permet d'entraîner le modèle de façon centralisée tout en laissant chaque terminal agir seul, ce qui réduit la dépendance à un lien de commandement central, précisément la ressource la plus vulnérable en cas de brouillage.

Cette architecture explique pourquoi les gains portent autant sur l'énergie que sur la latence : le modèle apprend à ne pas transmettre quand le canal est défavorable. C'est cette économie de moyens, plus que la seule puissance d'émission, qui fait la différence face à un brouilleur adaptatif.

Quelles perspectives pour l'anti-brouillage sans fil intelligent ?

La convergence entre LLM, RL et couche physique dessine trois directions : l'orchestration cognitive des décisions, l'optimisation conjointe analogique-numérique, et la reconfiguration de l'environnement via RIS. Aucune ne remplace les autres ; les systèmes les plus robustes les combinent.

Le facteur limitant reste la généralisation. Un modèle entraîné sur un type de brouillage peut échouer face à une politique inédite, d'où l'intérêt des approches méta-fédérées et des cadres DRL parallélisés évoqués plus haut. La question de la validation en conditions réelles, sur bancs OTA et non en simulation, devient donc centrale.

Pour les opérateurs et les intégrateurs, la lecture pratique est simple : privilégier les architectures capables d'apprendre en ligne, de fonctionner sans connaissance préalable du brouilleur et de dégrader proprement leur débit plutôt que de perdre le lien. C'est là que se joue la valeur réelle de ces travaux.

Questions fréquentes

Comment fonctionne une communication sans fil anti-brouillage par LLM ?

Un schéma RL anti-brouillage maritime dédié à l'inférence LLM permet aux équipements utilisateurs d'optimiser leur puissance de liaison montante, leur canal et leur transmission. Implémenté sur des UE équipés de Jetson Orin, caméra et capteurs BME280 transmettant 200 Ko de données de température, il atteint 40,5 % de latence en moins et 46,4 % d'énergie en moins.

Qu'est-ce que l'approche anti-brouillage endogène par dimensionnalité N+1 ?

Le concept d'anti-brouillage endogène par dimensionnalité N+1 vise à conférer au système une immunité innée contre diverses attaques de brouillage, sans reconnaissance précise de celui-ci. Il est jugé pertinent pour les situations de guerre ou d'urgence où le sans-fil constitue le principal, voire l'unique moyen de commandement et de contrôle.