Comunicações sem fio anti-jamming com LLM: RL, DRL e beamforming

Modelos de linguagem de grande porte (LLMs) e aprendizado por reforço estão sendo combinados para manter enlaces sem fio vivos sob jamming. Este guia reúne dados de latência, energia e confiabilidade de decodificação em cenários marítimos, 5G mmWave e redes assistidas por RIS.

O que é anti-jamming com LLM em comunicações sem fio?

Anti-jamming com LLM em comunicações sem fio nada mais é do que juntar grandes modelos de linguagem com aprendizado por reforço (RL) e aprendizado por reforço profundo (DRL) para manter os enlaces funcionando mesmo quando um jammer tenta derrubá-los. Funciona mais ou menos assim: o LLM entra como a camada que pensa e planeja — lê o estado do canal, tenta prever o que a interferência vai fazer e sugere políticas de potência, canal e rota —, enquanto o RL fica responsável pelas decisões rápidas, em tempo real, lá no equipamento de usuário (UE) ou na estação base.

A produção científica recente vai de esquemas marítimos para inferência de LLM até roteamento de UAVs contra ataques de jamming. No fundo, a meta é sempre a mesma: manter o SINR (relação sinal-interferência-mais-ruído) acima do limiar de decodificação, mesmo sem saber de antemão qual é a forma de onda do jammer. Para isso, é preciso detectar automaticamente, responder em tempo real e se adaptar o tempo todo — algo que os métodos estáticos de salto de frequência, sozinhos, já não dão conta.

Como o RL anti-jamming sustenta a inferência de LLM no mar?

Um estudo conduzido por H. Liu em ambiente portuário testou um esquema baseado em RL que permite ao UE otimizar potência de uplink, seleção de canal e transmissão de dados para inferência de LLM. No experimento, foram usados quatro UEs equipados com Jetson Orin, câmera e sensores BME280, responsáveis por transmitir 200 KB de dados de temperatura. Os resultados mostraram 40,5% menos latência, 46,4% menos consumo de energia no UE e um terceiro ganho de 10,9% em eficiência de transmissão.

Esse tipo de arquitetura faz sentido porque a inferência de LLM na borda exige latência baixa e enlaces que não caiam toda hora. Em alto-mar, onde a conectividade já é limitada e o jamming pode vir de forma hostil, dar autonomia ao próprio UE para decidir quando transmitir e por qual canal ajuda a reduzir o desperdício de energia e, de quebra, evita retransmissões que não levam a nada.

MAPPO e DRL: algoritmos inteligentes de decisão anti-jamming

O algoritmo de decisão anti-jamming inteligente proposto por F. Zhang em 2025 aposta no Multi-Agent Proximal Policy Optimization, o MAPPO. A ideia central é combinar treinamento centralizado com execução descentralizada, o famoso CTDE. Na prática, isso significa que cada usuário toma suas próprias decisões durante a operação, sem depender de um controle central, mas ainda assim se beneficia de um treinamento compartilhado que captura a dinâmica coletiva da rede. O resultado é uma comunicação mais eficiente contra jamming inteligente de alta dinâmica, aquele que fica mudando de política o tempo todo para tentar enganar o sistema.

A abordagem se apoia em DRL, que é amplamente aplicado a problemas de anti-jamming, e em variantes como o hotbooting deep Q-network, que combina redes convolucionais profundas com técnicas de macro-ações — foi o que descreveram no arXiv 1712.06793v1, em dezembro de 2017. A ideia central é até simples: o dispositivo móvel sai da frequência ou da área fortemente congestionada, e com isso consegue melhorar o SINR e a utilidade contra jamming cooperativo.

O aprendizado federado meta também surge como uma alternativa para lidar com jamming não estacionário, como mostra um trabalho de setembro de 2026. A proposta é fazer com que o modelo global se adapte a diferentes padrões de interferência sem precisar que cada dispositivo compartilhe seus dados brutos — o que ajuda a preservar a privacidade e ainda reduz o custo de comunicação.

Beamforming analógico-digital conjunto para 5G mmWave anti-jamming

No 5G mmWave, a proteção contra jamming passa pela combinação de beamforming analógico e digital. O beamforming analógico se apoia em otimização bayesiana com aprendizado online, ajustando a direção do feixe para suprimir a interferência; já a detecção digital usa o Modified Minimum Mean Square Error (M-MMSE) para dar conta da interferência que sobra. Um protótipo de teste over-the-air (OTA) em 28 GHz confirmou que o sistema mantém alta confiabilidade de decodificação mesmo sob jamming direcionado.

O MSU INSS Lab apresenta um sistema MIMO-OFDM anti-jamming em tempo real, composto por transmissor, receptor e um jammer de rádio de banda larga e alta potência. O diferencial está na arquitetura PHY do receptor: ela consegue mitigar jamming forte mesmo sem conhecer previamente a forma de onda do jammer, e para isso utiliza dispositivos USRP da National Instruments (NI).

A combinação é atraente porque o beamforming analógico reage rápido a mudanças de direção, enquanto o processamento digital entrega precisão. O risco é que mmWave é sensível a bloqueio, interferência e jamming, então a robustez depende de calibração contínua e de um testbed realista.

Estratégias anti-jamming assistidas por RIS e de dimensionalidade N+1

A superfície inteligente reconfigurável (RIS) aparece como camada extra de controle: ao refletir sinais de forma programável, ela cria caminhos alternativos que contornam a região de jamming. O levantamento de E. Baccour, publicado em 2025 e citado 10 vezes, revisa estratégias assistidas por RIS, ameaças e limitações, mostrando que a tecnologia ainda depende de estimação de canal precisa.

Outra linha é a anti-jamming endógena de dimensionalidade N+1, proposta por F. Yao em 2023 e citada 19 vezes. A ideia é dar ao sistema imunidade inata contra diversos ataques de jamming sem reconhecimento preciso da interferência, algo relevante em guerra e emergências, quando o sem fio é o principal ou único meio de comando e controle.

Também vale citar a comunicação anti-jamming com ocultação e precificação em nível de símbolo, de Y. Li (2025, citado 10 vezes), que usa um framework DRL paralelizado contra jamming reativo, e o trabalho de H. Zhao (2025, citado 8 vezes) sobre precificação em nível de símbolo para manipular sinais de interferência. Em UAVs, técnicas baseadas em agentes lidam com jamming supressivo que degrada severamente o SINR.

Dados de desempenho: latência, energia e confiabilidade de decodificação

Os números disponíveis ajudam a comparar abordagens. No esquema marítimo de RL para inferência de LLM, a latência caiu 40,5% e o consumo de energia do UE caiu 46,4%, com um terceiro ganho de 10,9%. Esses resultados vêm de um teste com quatro UEs em ambiente portuário, transmitindo 200 KB de dados de temperatura.

Em termos de camada física, um sistema anti-jamming com OFDM usa 64 subportadoras por símbolo, das quais 52 carregam payload, com modulação QPSK. Já o estudo de J. Viana, publicado no IEEE Wireless Communications Letters em 2025 (vol. 14, n. 12, p. 4042-4046), analisa a taxa de dados alcançável sob jamming em UAVs 5G.

Esses dados mostram que o ganho não vem de uma única técnica, mas da combinação de decisão inteligente, beamforming e camadas de proteção. Ainda assim, jammers podem mudar de política, induzir modos específicos de comunicação ou lançar DoS, e o espalhamento espectral sozinho não eleva o SINR quando a maioria dos canais está bloqueada.

Quais são os riscos e limitações das abordagens atuais?

O primeiro risco é a adaptação do adversário. Um jammer que muda de política dinamicamente pode invalidar modelos treinados em cenários estáticos. O segundo é a dependência de reconhecimento preciso: métodos que exigem identificar a forma de onda do jammer falham quando ele opera de forma desconhecida ou reativa.

Há também tradeoffs entre eficiência de comunicação e custo de segurança. Salto de frequência versus mobilidade do usuário, no anti-jamming bidimensional, é um exemplo: mover o dispositivo para longe da área congestionada pode resolver o problema, mas custa energia e tempo. Da mesma forma, adaptação analógica rápida e processamento digital inteligente precisam ser balanceados conforme o orçamento de hardware.

Por fim, mmWave é suscetível a bloqueio e jamming, e RIS depende de estimação de canal. Em ambientes de guerra ou emergência, onde o sem fio é o único meio de comando, a resiliência precisa ser projetada desde a arquitetura, não apenas adicionada como camada.

Como escolher entre RL, DRL e beamforming na prática?

A escolha depende do cenário. Para inferência de LLM em borda com recursos limitados, RL focado em potência, canal e transmissão entrega ganhos mensuráveis de latência e energia, como os 40,5% e 46,4% observados no teste portuário. Para redes com muitos usuários e jamming inteligente, MAPPO com CTDE oferece decisões independentes com treino compartilhado.

Para 5G mmWave, o beamforming analógico-digital conjunto com otimização bayesiana e M-MMSE é a rota mais direta, validada em 28 GHz OTA. Quando o objetivo é imunidade sem reconhecimento de jamming, a dimensionalidade N+1 e as estratégias assistidas por RIS entram como camadas complementares.

Em UAVs, roteamento auxiliado por LLM e técnicas baseadas em agentes ajudam a manter SINR aceitável sob jamming supressivo. A recomendação prática é combinar camadas: decisão por RL/DRL, controle de feixe e, quando possível, RIS, sempre com validação em testbed realista e métricas de latência, energia e taxa de dados.

Perguntas frequentes

Como o beamforming analógico-digital conjunto suprime jamming em 5G mmWave?

Um receptor 5G mmWave usa otimização bayesiana com aprendizado online para beamforming analógico, ajustando a direção do feixe e suprimindo interferência, além de detecção digital Modified Minimum Mean Square Error (M-MMSE) para mitigar interferência residual. Um testbed over-the-air em 28 GHz validou alta confiabilidade de decodificação sob jamming direcionado.