Alocação de Recursos Max-Min para Anti-Jamming: Justiça sob Ataques de Interferência

Entenda como a alocação max-min de recursos distribui banda e potência de forma justa sob jamming, mantendo throughput equilibrado entre drones e nós de comunicação. Analisamos estratégias, algoritmos e resultados recentes.

O que é alocação de recursos max-min e por que ela importa no anti-jamming?

A alocação max-min de recursos é aquela estratégia que busca distribuir os recursos limitados de comunicação de forma a melhorar a situação do nó mais prejudicado da rede. Em vez de dar prioridade a quem tem o canal melhor, o algoritmo primeiro aumenta as fatias menores para só depois liberar mais capacidade às maiores. No contexto de jamming, isso quer dizer manter o throughput equilibrado entre todos os nós, mesmo quando um jammer reativo tenta derrubar enlaces específicos. Esse conceito aparece com força em trabalhos como o de A. Garnaev, publicado pelo IEEE em 2026, que aplica max-min fairness na comunicação entre um operador e vários drones que voam em zonas protegidas por jammers.

Na prática, o que torna o max-min tão útil é justamente a assimetria dos ataques. Basta que um jammer concentre energia em um único enlace para derrubar a rede inteira, caso os recursos tenham sido distribuídos de forma gananciosa. Com a abordagem max-min, o operador assegura que nenhum nó fique totalmente sem serviço — algo indispensável em missões com drones, redes de sensores e sistemas ISAC. Vale destacar ainda que a métrica max-min serve como um indicador direto do desempenho anti-jamming: quanto maior o valor mínimo de throughput, mais resiliente se mostra a rede.

Vale destacar que max-min fairness não significa igualdade absoluta. A ideia é maximizar o menor recurso disponível, e não simplesmente repartir tudo em partes idênticas. Em redes sem fio, isso aparece na forma de algoritmos de waterfilling, que redistribuem a capacidade até que o gargalo seja elevado. Estudos publicados entre 2024 e 2026 mostram que essa abordagem supera políticas que só levam o atacante em conta no que diz respeito à banda total utilizada, sobretudo quando o jammer opera com orçamento limitado e reage às decisões do operador.

Como funciona a estratégia de equilíbrio anti-jamming max-min?

No modelo proposto por A. Garnaev no artigo do IEEE de 2026, o operador se comunica com diversos nós, como drones, enquanto um jammer reativo atua no modo sensing-then-jamming — ou seja, primeiro ele percebe a transmissão para só então interferir, o que acaba introduzindo um atraso de tempo. É justamente esse atraso que a estratégia de equilíbrio explora: a alocação de recursos é ajustada de forma a manter o throughput igual para cada nó, mesmo diante da reação do atacante.

A lógica do equilíbrio passa pelo fato de que o jammer precisa de um tempinho para sensoriar o ambiente antes de atacar. O operador, então, distribui potência e tempo de transmissão de modo que até o nó mais fraco fique acima de um limiar mínimo — nada de deixar alguém na mão. Com isso, a rede inteira mantém um piso de desempenho que dá para prever. O estudo ainda apresenta uma métrica max-min para medir o desempenho anti-jamming: usando dados educacionais básicos como amostra, o método chegou a 89% de acurácia, ficando 5,3 pontos percentuais à frente de referências anteriores.

Esse tipo de equilíbrio acaba sendo muito útil nas comunicações com drones, justamente porque a mobilidade fica mudando as condições do canal o tempo todo. A ideia da estratégia não é saber com precisão onde o jammer está, e sim garantir um certo nível de justiça mesmo diante da incerteza. Na prática, o operador abre mão de um pouco do pico de throughput dos nós mais fortes para assegurar que os nós mais fracos continuem funcionando — algo que faz toda a diferença em missões críticas.

Quais são os principais métodos de alocação de recursos anti-jamming?

Nos últimos anos, a literatura vem apresentando diversas famílias de métodos para alocar recursos em cenários com jamming. Cada uma delas lida com um tipo específico de restrição — seja de tempo, de potência, de banda, ou até mesmo de particionamento de modelos de aprendizado. A tabela a seguir reúne os principais métodos, seus objetivos e as fontes que os descrevem.

Além desses, vale citar o MAJRA, um algoritmo de alocação cooperativa de recursos de jamming proposto por J. Wang em 2025, e também o algoritmo inteligente de H. Ding, de 2024, que compara DQN e Q-learning em cenários de jamming multi-tonal. No fim das contas, a escolha do método vai depender do que se quer priorizar: se a justiça entre os nós é o ponto central, a max-min fairness acaba sendo a base; agora, se a ideia é eficiência de longo prazo, os modelos baseados em MDP e DRL costumam levar a melhor.

Em redes de comunicação com drones, uma abordagem que vem ganhando espaço combina mapas auto-organizáveis com fatias pseudoaleatórias para acelerar a convergência do aprendizado por reforço voltado ao anti-jamming. Em sistemas de inferência colaborativa, por sua vez, a partição de modelos DNN entre dispositivos e servidores de borda é otimizada em conjunto com a potência de transmissão e a alocação de recursos computacionais, recorrendo a condições de Karush-Kuhn-Tucker e a algoritmos genéticos quânticos.

Outro ponto que merece atenção é a alocação de recursos de jamming vista pelo lado do atacante. Em um trabalho de 2024, F. Liu explica que a tarefa consiste em montar uma estratégia que defina a correspondência entre jammers e radares. E tem um detalhe curioso nisso: quando radares heterogêneos são distribuídos de forma cruzada em diferentes direções espaciais, o sistema como um todo fica mais resistente à interferência. Isso só confirma que apostar em diversidade espacial e espectral continua sendo uma defesa que vale a pena.

Como a justiça max-min é aplicada em redes sem fio sob jamming?

Em redes sem fio, a aplicação de max-min fairness passa pela resolução de um problema de otimização com restrições de potência, banda e tempo. O artigo da USENIX NSDI de 2024, de P. Namyar, mostra que as melhores soluções conhecidas usam sequências de otimizações ou waterfilling. A regra é clara: algoritmos max-min devem maximizar as alocações menores antes de dar mais capacidade às maiores.

No contexto de jamming adversarial, o modelo de C. Tsoufis et al., apresentado na ICC de 2026, trata o problema como um caso especial de interdição de rede. O designer age primeiro, alocando banda de pontos de acesso aos usuários; depois, um adversário aplica sua estratégia de jamming. A interdição é fracionária no nível do nó, e o adversário responde em vez de liderar. Um algoritmo baseado em dualidade de programação linear resolve o problema de forma ótima, desde que se conheçam as restrições orçamentárias do adversário.

Experimentos em dados sintéticos mostram que essa abordagem supera um algoritmo que ignora o adversário em termos de largura de banda total utilizada. Isso indica que considerar explicitamente o comportamento do jammer, mesmo sem saber exatamente onde ele está, melhora a eficiência global da rede.

Para redes de drones, a justiça max-min também aparece em estratégias proativas. O framework de pré-alocação de recursos proposto por H. Yu em 2026 antecipa a alocação em redes de comunicação implantadas em campo sob jamming dinâmico de UAVs. Em vez de reagir depois do ataque, o sistema reserva recursos com base em previsões de mobilidade e interferência, mantendo o piso de throughput para todos os nós.

Já no trabalho de H. Yang, também de 2026, a inteligência incorporada é usada para aprimorar a alocação anti-jamming em redes de comunicação de baixa altitude. Múltiplos UAVs atuam como agentes incorporados, ajustando suas posições e transmissões para melhorar a resiliência da rede contra jammers maliciosos.

Qual é o papel do aprendizado por reforço na alocação anti-jamming?

O aprendizado por reforço profundo (DRL) se tornou uma das ferramentas mais populares para alocação anti-jamming porque permite que o agente aprenda políticas sem conhecer o modelo exato do canal ou do jammer. No artigo de Y. Chen, de 2025, sobre alocação de recursos para sensoriamento e comunicação integrados (ISAC), o objetivo é maximizar a soma ponderada da taxa de comunicação e da potência efetiva de sensoriamento, respeitando restrições de ambos os domínios.

Os resultados de simulação mostram que a abordagem DRL melhora significativamente o desempenho de comunicação e sensoriamento do ISAC. Como ataques de jamming degradam severamente tanto a comunicação quanto o sensoriamento, a capacidade de adaptar a alocação em tempo real é um diferencial importante.

No caso do EH-CIoT, rede de IoT cognitiva com colheita de energia, F. Li modela o problema como um processo de decisão de Markov (MDP) com três componentes: rede de política do ator, rede de valor do crítico e um mecanismo de exploração. O objetivo é maximizar o throughput de longo prazo (LTT), e a formulação MDP permite lidar com a incerteza da energia disponível e da interferência.

Já em rádio cognitivo com UAV, a inferência ativa (AIn) foi proposta em 2022 como estratégia de alocação de recursos anti-jamming. A ideia é que o agente cognitivo minimize a surpresa em relação ao ambiente, ajustando suas ações de forma bayesiana. Isso contrasta com o DRL tradicional, que maximiza recompensa acumulada.

Em 2025, um artigo sobre aprendizado por reforço auto-organizado para comunicações de drones usa mapas auto-organizáveis e fatias pseudoaleatórias para melhorar a convergência e o desempenho anti-jamming. A combinação reduz o tempo de treinamento e aumenta a robustez contra jammers que mudam de estratégia rapidamente.

Quais são as principais métricas de desempenho e resultados?

As métricas mais usadas para avaliar alocação anti-jamming incluem throughput mínimo garantido, throughput de longo prazo (LTT), taxa de pacotes recebidos, acurácia de inferência e largura de banda total utilizada. Cada métrica reflete um aspecto diferente da resiliência da rede.

O trabalho de Garnaev reporta uma métrica max-min que reflete diretamente o desempenho anti-jamming, com 89% de acurácia e ganho de 5,3 pontos percentuais sobre referências. Já o artigo de H. Ding, de 2024, compara seu algoritmo inteligente com DQN e Q-learning em termos de taxa média estatística de pacotes recebidos sob jamming multi-tonal linear, demonstrando vantagem do método proposto.

No caso do sistema de inferência colaborativa com partição de DNN, o objetivo é maximizar a receita de atraso e acurácia (RDA) sob restrições de acurácia e recursos computacionais. As simulações mostram superioridade do algoritmo de otimização alternada, que decompõe o problema em três subproblemas resolvidos por condições KKT, otimização convexa e algoritmo genético quântico.

Esses resultados indicam que a combinação de justiça max-min com aprendizado de máquina e otimização convexa oferece ganhos consistentes. A escolha da métrica, no entanto, deve refletir o objetivo da missão: em drones, o throughput mínimo é crítico; em ISAC, a soma ponderada de comunicação e sensoriamento é mais relevante.

Como aplicar max-min fairness em estratégias anti-jamming para drones?

Para aplicar max-min fairness em comunicações de drones sob jamming, o primeiro passo é definir o recurso a ser alocado: potência de transmissão, banda, tempo de canal ou uma combinação. Em seguida, é preciso modelar o comportamento do jammer. Se ele é reativo e opera em modo sensing-then-jamming, o atraso de sensoriamento pode ser explorado para ajustar a alocação de forma preditiva.

O segundo passo é escolher o algoritmo. Waterfilling é uma opção clássica para alocação de potência, mas pode ser computacionalmente caro em redes grandes. Soluções baseadas em dualidade de programação linear são mais adequadas quando o adversário tem orçamento limitado e responde às decisões do operador. Já o DRL é indicado quando o modelo do canal é desconhecido ou muda rapidamente.

O terceiro passo é definir a métrica de avaliação. Em missões de drones, o throughput mínimo por nó é um bom indicador de justiça. Em cenários com sensoriamento, a soma ponderada de taxa e potência de sensoriamento é mais apropriada. A escolha da métrica guia o ajuste fino do algoritmo.

Por fim, é importante testar a estratégia em cenários com múltiplos jammers e mobilidade. Estudos de 2024 a 2026 mostram que a diversidade espacial, obtida com a implantação cruzada de nós, aumenta a resistência a interferências. Em drones, isso significa variar altitude, posição e frequência para dificultar a ação do jammer.

A combinação de max-min fairness com aprendizado auto-organizado e pré-alocação proativa representa o estado da arte em resiliência anti-jamming. O objetivo final é garantir que nenhum nó fique isolado, mantendo a rede operacional mesmo sob ataque contínuo.

Perguntas frequentes sobre alocação max-min e anti-jamming

O que é alocação de recursos max-min no anti-jamming?

É uma estratégia que distribui recursos limitados de comunicação para maximizar o nó mais desfavorecido, mantendo throughput equilibrado entre todos os nós. Em cenários de jamming, o operador usa essa abordagem para projetar uma defesa contra interferências, conforme descrito no artigo do IEEE de 2026 de A. Garnaev.

Como um jammer reativo afeta a alocação max-min?

Um jammer reativo opera em modo sensing-then-jamming e precisa de um atraso de tempo para reagir. A estratégia de equilíbrio anti-jamming max-min mantém throughput igual para cada nó apesar desse comportamento, segundo o artigo de 2026 sobre alocação max-min com aplicação em anti-jamming.

Qual é o objetivo da alocação de recursos anti-jamming em EH-CIoT?

O objetivo é maximizar o throughput de longo prazo (LTT) da rede de IoT cognitiva com colheita de energia. O problema é modelado como um processo de decisão de Markov, conforme descrito em um artigo da MDPI Sensors de 2024 de F. Li.