Jamming guidato dall'IA: come il machine learning riscrive la guerra elettronica

Il jamming guidato dall'IA unisce attacco e difesa: reti neurali che generano interferenze adattive e altre che le individuano e le annullano. Ecco come funziona, con quali numeri e con quali limiti.

Che cos'è il jamming guidato dall'IA e perché conta adesso

Il jamming guidato dall'IA è l'impiego di machine learning e deep learning per generare, individuare e annullare interferenze radio in tempo reale. La questione ha due facce speculari: da un lato c'è l'attacco elettronico, con sistemi che imparano a degradare in modo selettivo i segnali nemici; dall'altro la protezione elettronica, dove gli algoritmi riconoscono un disturbo e lo cancellano prima che la comunicazione salti. Insomma, non parliamo più di rumore sparato alla cieca, ma di un disturbo calcolato, che si adatta al comportamento dell'avversario.

L'interesse per il jamming guidato dall'IA è esploso soprattutto perché lo scenario delle minacce è cambiato sotto gli occhi di tutti. Nel 2025 il jamming GNSS ha subito un'accelerazione su tutta la flotta globale, diventando una minaccia marittima ormai mainstream secondo le rilevazioni di settore: non più episodi sporadici, ma un rischio ricorrente per chi naviga e per chi gestisce infrastrutture critiche. Sempre nello stesso periodo, l'U.S. Space Force ha deciso di sostenere le tecnologie di rilevamento del jamming GPS basate sull'intelligenza artificiale sviluppate da Slingshot Aerospace — un segnale piuttosto chiaro di come le istituzioni stiano puntando su strumenti in grado di riconoscere le interferenze in tempo reale. A dare la misura economica del fenomeno ci pensano i numeri del mercato anti-jamming GPS, valutato intorno ai 4-5 miliardi di dollari nel 2025 e proiettato verso gli 11-13 miliardi entro il 2036. Cifre che spiegano bene perché il tema sia uscito dai laboratori di ricerca per entrare nei programmi operativi, con budget, appalti e priorità strategiche sempre più espliciti.

Come funziona il jamming guidato dall'IA, passo per passo

Il ciclo operativo, in pratica, è una catena chiusa che non si ferma mai: si intercetta il segnale, lo si classifica, si risponde, si misura il bit-error rate, si impara da quel risultato e si riprova. Ed è proprio qui che si nota la distanza dalla guerra elettronica tradizionale, dove c'era un operatore che analizzava lo spettro e sceglieva la contromisura a mano. I sistemi di guerra elettronica cognitiva funzionano così: se un segnale somiglia a uno già visto, la risposta è predefinita e scatta in tempo reale; se il jamming indebolisce il segnale utile, si aggiunge potenza per riportarlo sopra la soglia di rumore; se una porzione di spettro è ormai inutilizzabile, il sistema viene reindirizzato verso una banda libera. Il punto chiave è la velocità: il sistema prova milioni di permutazioni al secondo e memorizza quali hanno funzionato, così ogni ciclo successivo parte da una base di conoscenza più ricca. In sostanza non si limita a reagire, ma costruisce un modello di ciò che funziona contro un determinato interferente, e migliora la propria risposta man mano che lo scontro nello spettro va avanti.

La differenza rispetto al passato? Sta tutta nella velocità. Una volta, ai tempi della Guerra Fredda, servivano esperti chiusi in laboratorio a dissezionare i segnali, e passavano mesi prima di capirci qualcosa. Oggi i radar digitali cambiano frequenza, larghezza d'impulso e banda a ogni singolo impulso: le minacce si evolvono troppo in fretta perché l'analisi manuale possa stargli dietro. Ed è proprio qui che l'IA diventa insostituibile: elabora gli spettrogrammi, stima la modulazione e anticipa la risposta del radar, invece di rincorrerla.

Come il machine learning rileva e classifica il jamming

Il rilevamento del jamming parte sempre da un presupposto: prima di neutralizzare un disturbo, devi accorgerti che c'è e capire cosa hai davanti. Ed è esattamente qui che entra in scena il machine learning. Prendiamo IDD-AI, il modello di deep learning descritto da Jurado nel 2025: non si limita a dire "sì, c'è interferenza". Fa molto di più. La identifica, ne classifica il tipo e arriva persino a stimarne la direzione di arrivo, cioè da dove spara il segnale ostile. E questo dato non è affatto secondario: sapere da dove arriva il disturbo ti permette di orientare le antenne, geolocalizzare la minaccia o decidere se conviene cambiare strada a livello di comunicazione. Le categorie che il modello riconosce coprono le forme più diffuse di attacco. C'è il barrage noise, che sommerge una fetta più o meno larga di banda con il rumore; il tone jamming, puntato su frequenze precise; il pulse jamming, fatto di impulsi brevi e ripetuti; e poi gli attacchi protocol-aware, i più subdoli, che non si accontentano di coprire il segnale ma sfruttano le regole stesse del protocollo per ingannare il ricevitore. Riuscire a distinguere queste tipologie in tempo reale è quello che consente a un sistema di difesa di scegliere la contromisura giusta, invece di reagire alla cieca.

Classificare con precisione il tipo di disturbo è il presupposto di qualsiasi contromisura sensata. Del resto, cancellare un rumore a banda larga richiede strategie diverse dal neutralizzare un attacco protocol-aware, che sfrutta le regole di comunicazione invece di sommergerle. È anche per questo che i modelli addestrati sugli spettrogrammi dei segnali radio raggiungono un'alta accuratezza nel distinguere le comunicazioni UAV dal disturbo: riconoscono schemi che a occhio nudo resterebbero invisibili. Il Software Defined Radio (SDR) aggiunge poi un tassello decisivo, perché sposta l'elaborazione dall'hardware al software e permette di fare radio frequency fingerprinting molto più in fretta dei metodi artigianali, quelli costruiti a mano dagli esperti per intenderci. Nel 2025 sono comparsi anche classificatori ensemble per il jamming nelle reti VANET, un segnale chiaro che il problema non riguarda più solo il campo militare ma tocca anche la mobilità connessa.

Tecnologie chiave: SDR, deep learning e guerra elettronica cognitiva

Ci sono tre tecnologie che reggono questa transizione, e vale la pena capire perché ognuna pesa davvero. Il Software Defined Radio sposta l'elaborazione dall'hardware al software: in pratica un sistema si può riprogrammare e aggiornare in fretta, senza mettere mano ai componenti fisici, e il riconoscimento delle impronte RF diventa molto più rapido rispetto ai metodi tradizionali costruiti a mano. Il deep learning, poi, tira fuori dagli spettrogrammi dei pattern che l'occhio umano non riuscirebbe a distinguere, separando segnali legittimi e interferenze in tempo reale. La guerra elettronica cognitiva, infine, chiude il cerchio: rileva un segnale nuovo, lo classifica, risponde, misura il BER e impara, provando milioni di permutazioni al secondo e ricordando cosa ha funzionato. Se il segnale somiglia a uno già visto, la risposta è immediata; se il jamming indebolisce il segnale, si aggiunge potenza; se una parte dello spettro è inutilizzabile, si passa a una banda libera. Ed è proprio qui che l'IA smette di essere un semplice strumento e diventa il motore dell'adattamento continuo.

Sul versante industriale, BAE Systems ha messo a punto per DARPA un sensore tattico leggero e portatile concepito per la guerra elettronica cognitiva. Non si tratta del solito apparecchio che si limita a registrare lo spettro: questo lo interpreta in tempo reale, e da lì suggerisce le contromisure da adottare. Joshua Niedzwiecki, direttore del gruppo Sensor Processing and Exploitation, ha spiegato che il vero nodo non è captare il segnale nemico, quanto piuttosto riconoscerne il comportamento e adattarsi di conseguenza. La stessa esigenza spinge Deca Defense verso sistemi anti-jamming e comunicazioni ibride multi-percorso, in cui più canali trasmissivi si alternano proprio per non offrire un bersaglio unico all'interferenza. Nel frattempo, la priorità adattiva dei segnali — offuscare i segnali al rilevamento, monitorare ogni percorso di trasmissione in tempo reale, passare preventivamente a un canale alternativo prima che le condizioni diventino limitanti per la missione — è ormai prassi consolidata, non più un esperimento da laboratorio. È un cambio di mentalità bello netto: si smette di reagire al disturbo e si cerca di anticiparlo, trattando lo spettro come una risorsa da gestire dinamicamente.

Dati di performance: accuratezza, BER e resistenza al jamming

I numeri che abbiamo a disposizione dicono che il salto è concreto, non roba da manuale teorico. Prendiamo la rete convoluzionale per la cancellazione delle interferenze presentata da Nguyen e Noubir su arXiv nel 2022: è riuscita a rilevare la presenza di un jammer con un'accuratezza superiore al 99%, il che in pratica vuol dire pochissimi falsi allarmi e la possibilità di attivare le contromisure quasi all'istante. Ma il dato che colpisce di più è quello sul Bit Error Rate: la rete ha tenuto un BER fino a 10^-6, cioè una qualità del collegamento praticamente identica a quella di un canale pulito, e questo anche quando la potenza del jammer superava di 18 dB quella del segnale legittimo. Tanto per farsi un'idea, 18 dB sono un vantaggio di potenza di oltre sessanta volte: in condizioni normali uno squilibrio del genere renderebbe la comunicazione di fatto inutilizzabile. Il punto vero, però, è un altro: tutto questo è stato ottenuto senza toccare la modulazione del collegamento, quindi senza dover riprogettare l'infrastruttura radio già esistente. Ed è proprio un risultato di questo tipo che sposta il confronto tra jamming e anti-jamming da una questione di pura potenza a una questione di intelligenza del segnale.

Sul versante radar, i numeri raccontano una trasformazione difficile da ignorare: l'IA ha spinto la continuità di tracciamento dal 70-80% dei sistemi convenzionali a oltre il 99% durante le prove in volo. Per capire la portata di questo salto, basta pensare a cosa significa in pratica: un radar tradizionale perde il contatto con il bersaglio in due casi su dieci, mentre un sistema guidato dal machine learning mantiene l'aggancio quasi senza interruzioni, anche in scenari disturbati. Non stiamo parlando di ritocchi marginali, ma di un cambio di categoria nella robustezza dei collegamenti, che ridefinisce gli standard di affidabilità su cui si basano le operazioni moderne. E il radar non è un caso isolato: la stessa logica attraversa tutto lo spettro della guerra elettronica, dalla cancellazione delle interferenze alla classificazione dei segnali ostili. La tabella seguente riassume i parametri più citati in letteratura e nelle fonti di settore, utili per confrontare le prestazioni dei diversi approcci.

Vale la pena leggere la tabella con attenzione: il dato sul BER è particolarmente significativo perché indica che il collegamento resta utilizzabile anche quando l'interferenza è molto più potente del segnale utile. È la differenza tra un sistema che sopravvive al jamming e uno che semplicemente lo subisce.

Jamming IA contro jamming a rumore tradizionale

Il jamming tradizionale sommerge lo spettro di rumore; quello guidato dall'IA è una perturbazione calcolata, che si adatta, impara e degrada i segnali in modo selettivo, scivolando oltre le contromisure convenzionali. Un jammer cognitivo può predire la risposta del radar e restare un passo avanti, invece di limitarsi a saturare la banda.

Questo cambia anche il calcolo dei difensori. La ridondanza RF fallisce quando i backup condividono la stessa vulnerabilità di spettro: avere due radio sulla stessa banda non serve se entrambe vengono disturbate. Le comunicazioni multi-modali — RF, ottico/laser, acustico — eliminano il singolo punto di guasto, e il canale ottico è di fatto non jammabile perché non si registra nello spettro RF. La lezione operativa è che la resilienza non si compra con più potenza, ma con diversità di percorso.

Contromisure: anti-jamming IA e comunicazioni multi-modali

Sul fronte difensivo, l'anti-jamming basato sull'IA combina rilevamento, classificazione e cancellazione. Il dataset ATLANTIS, dedicato al rilevamento e alla classificazione di jamming e spoofing GNSS tramite IA, è un esempio di come si stiano costruendo basi dati pubbliche per addestrare i modelli. Slingshot Aerospace, sostenuta dalla U.S. Space Force, usa IA e geolocalizzazione avanzata per individuare il jamming GPS.

Le piattaforme autonome seguono la stessa logica. I droni Boomerang russi usano moduli di puntamento basati su IA: bloccano il bersaglio visivo e continuano l'inseguimento autonomo fino a 1 km, contro i 200 m dei modelli precedenti che agganciavano bersagli fissi. La produzione è iniziata alla fine dell'anno scorso e i sistemi sono stati impiegati nella cattura di Chasov Yar, secondo quanto riportato da TASS il 28 agosto. Lo Smart Drone Neutralization, dal canto suo, rileva e classifica i segnali RF dei droni entro un perimetro tipicamente fino a 100 m usando SDR.

Rischi, limiti e compliance: cosa frena ancora l'IA

Il problema principale è la scarsità di dati reali. I dati su jamming e spoofing sono rari e la loro generazione è illegale, il che complica l'addestramento dei modelli: senza esempi autentici, l'IA rischia di imparare su simulazioni troppo pulite. È un vincolo che pesa sia sui programmi militari sia sulla ricerca accademica.

C'è poi una questione strategica. Perfezionando il jamming, gli attori accelerano lo sviluppo di armi guidate dall'IA in cui l'uomo esce dal ciclo decisionale. GPS, SATCOM e data link tattici sono utili solo se esistono: la negazione localizzata dello spettro crea buchi più grandi quanto maggiore è la dipendenza da queste infrastrutture. Nel 2026 la visione IA per la sicurezza contro il jamming GNSS e le analisi di mercato sulla guerra elettronica cognitiva indicano che la corsa è tutt'altro che conclusa.

Cronologia essenziale del settore

Alcune tappe aiutano a orientarsi. Nel 2016 BAE Systems sviluppa il sensore di guerra elettronica cognitiva per DARPA; nel 2022 arriva la rete convoluzionale di cancellazione delle interferenze su arXiv; nel 2024 si parla di anti-jamming guidato dall'IA per la sicurezza dei droni (ACL Digital). Il 2025 concentra gli sviluppi: IDD-AI per il rilevamento delle interferenze, classificatori ensemble per il jamming VANET, i droni Boomerang, il rilevamento del jamming GPS di Slingshot e la minaccia marittima mainstream. Il 2026 porta le prime analisi di mercato strutturate sulla guerra elettronica cognitiva.

Domande frequenti sul jamming guidato dall'IA

Come funziona il jamming guidato dall'IA?

Il jamming guidato dall'IA usa machine learning e deep learning per elaborare in tempo reale i segnali radio intercettati, classificarne modulazione e comportamento e generare interferenze adattive. Invece di sparare rumore, il sistema impara a degradare i segnali in modo selettivo e prevede le risposte del radar per restare un passo avanti alle contromisure.

Quale accuratezza può raggiungere l'anti-jamming IA?

Un prototipo di rete convoluzionale per la cancellazione delle interferenze ha rilevato un jammer con accuratezza superiore al 99% e ha raggiunto un Bit Error Rate fino a 10^-6 anche quando la potenza del jammer era 18 dB superiore al segnale legittimo, senza modificare la modulazione del collegamento.

Quali tipi di jamming riesce a rilevare l'IA?

I sistemi di rilevamento delle interferenze abilitati dall'IA classificano barrage noise, tone jamming, pulse jamming e attacchi protocol-aware, usando modelli di deep learning su spettrogrammi dei segnali radio per identificare il disturbo, classificarne il tipo e stimarne la direzione di arrivo.

Come aiuta l'IA i droni a resistere al jamming?

I moduli di IA permettono ai droni di agganciare bersagli visivi e continuare l'inseguimento anche quando i collegamenti video o di controllo vengono interrotti. I droni russi Boomerang usano il contrasto visivo per tracciare bersagli fino a 1 km, estendendo il limite precedente di 200 m e restando immuni al jamming elettronico.