Противодействие глушению и теория игр: распределение ресурсов, модели и сценарии
Теория игр и обучение с подкреплением превращают борьбу с глушением из набора фиксированных шаблонов в адаптивную систему принятия решений. Разбираю модели Stackelberg, марковские и гиперграфовые игры, парадигму GTLAJ и распределение ресурсов в сетях UAV, ISAC и EH-CIoT.
Что такое распределение ресурсов при противодействии глушению и почему это важно
Распределение ресурсов при противодействии глушению — это задача о том, как легитимная беспроводная сеть делит спектр, мощность, каналы и время в условиях, когда рядом действует намеренный помеховый сигнал. Классические методы вроде FHSS и DSSS дают низкую спектральную эффективность: они жертвуют эффективностью использования ресурсов ради надёжности передачи и работают по фиксированным или заранее заданным шаблонам без интеллектуального принятия решений. Именно поэтому исследователи всё чаще описывают теорию игр и обучение с подкреплением как мощные математические инструменты в этой области — на них ссылаются в обзорах, в частности в работе Цзя (2024).
Интеллектуальное противодействие глушению требует пяти способностей: самонаблюдения, самостоятельного принятия решений, самокоординации, самооценки и обучаемости. Это не абстрактный список, а набор требований к архитектуре: система должна замечать изменение помеховой обстановки, выбирать ответ, согласовывать его с другими узлами и оценивать результат. Подходы к противодействию делят на пять категорий: конфронтация, уклонение, устранение, сокрытие и обман. Каждая категория по-разному расходует ресурсы, и выбор между ними — уже стратегическая задача.
Как теория игр моделирует взаимодействие глушителя и легитимного пользователя
Теория игр рассматривает глушителя и легитимного пользователя как игроков с противоположными целями, формализуя их естественную конфронтацию. Модели Stackelberg, марковские, биматричные и гиперграфовые игры описывают взаимные взаимодействия и помогают выводить стратегии в условиях динамической и неполной информации. Игровой подход к противодействию глушению в беспроводных сетях показывает, что производительность можно повысить в рамках игровой постановки — это подтверждают численные исследования (Гао, 2018).
Обучение, в свою очередь, справляется с ограничениями динамической и неполной информации через метод проб и ошибок во взаимодействии с помеховой средой. Комбинация этих двух инструментов и даёт то, что называют игровым обучением. Практическая ценность в том, что игроку не нужно знать точную модель глушителя заранее: он уточняет её по ходу конфликта. Ниже — краткое сопоставление основных игровых моделей и того, что каждая из них улавливает.
Ключевые игровые модели противодействия глушению: Stackelberg, марковская, биматричная и гиперграфовая
Разные игровые конструкции отвечают на разные вопросы: одна описывает иерархию решений, другая — динамику состояний, третья — точную структуру помеховых связей. В таблице собраны модели, которые чаще всего встречаются в литературе по противодействию глушению, и их назначение.
| Модель | Что описывает | Где полезна |
|---|---|---|
| Игра Stackelberg | Иерархическое поведение игроков и конкурентные взаимодействия на разных уровнях | Когда одна сторона задаёт стратегию первой, а вторая отвечает |
| Марковская игра | Последовательность состояний и переходов в динамической среде | Долгосрочные решения при меняющемся глушении |
| Гиперграфовая игра | Точные отношения помех между множеством узлов | Сложная топология и множественные помехи |
| Биматричная игра | Отношения конфронтации двух сторон | Базовый анализ парного противостояния |
| Игра коррелированного равновесия | Помеховые сигналы как сигналы координации | Использование действий глушителя для синхронизации |
Отдельного упоминания заслуживает игровая постановка «преследование — уклонение» для противодействия глушению бортовых узлов: стратегическое взаимодействие сервера на борту автономного аппарата и глушителя формулируется как частично наблюдаемая игра преследования-уклонения, а алгоритм оптимизирует политику противодействия через обучение с подкреплением, сохраняя устойчивость к нестационарности. Здесь ключевая идея — не просто выбрать частоту, а выстроить политику поведения во времени.
Парадигма игрового обучения противодействию глушению (GTLAJ) и её требования
Парадигма game-theoretic learning anti-jamming (GTLAJ) была предложена как основа для интеллектуальной противодействующей связи: она исследует характеристики глушителя и требования к защите, а также обсуждает модели вроде игры Stackelberg, марковской игры и гиперграфовой игры против глушения (Jia et al., arXiv:2207.00159v1, 20 июня 2022). По сути GTLAJ соединяет формальное описание конфликта с механизмом обучения, который позволяет системе накапливать опыт.
Требования к такой системе жёсткие: самонаблюдение, самостоятельное принятие решений, самокоординация, самооценка и обучаемость. Это означает, что система не может быть набором статических правил — ей нужен контур обратной связи. Именно поэтому GTLAJ рассматривают не как отдельный алгоритм, а как парадигму, внутри которой можно комбинировать разные игровые модели и методы обучения. Для инженера это удобная рамка: сначала формализуем конфликт, затем выбираем, чем именно будем учиться.
Как объединяют теорию игр и обучение с подкреплением при динамическом глушении
Теория игр формулирует стратегические взаимодействия, а обучение с подкреплением обрабатывает динамическую и неполную информацию методом проб и ошибок. Вместе они обеспечивают те самые самонаблюдение, самостоятельное принятие решений, самокоординацию, самооценку и обучаемость, которые нужны интеллектуальному противодействию глушению. На практике это выражается в архитектурах DRL и MADRL, где агенты учатся распределять ресурсы в условиях меняющейся помеховой обстановки.
Показательный пример — самоорганизующееся обучение с подкреплением для связи дронов: RL применяется к распределению ресурсов при динамическом глушении, а самоорганизующиеся карты и псевдослучайные срезы улучшают сходимость (Чжоу, 2025). Другой пример — иерархический игровой подход MADRL, который формулирует иерархическую игровую модель противодействия глушению для борьбы с сильной связностью многомерного распределения ресурсов (Ду, 2026). В обоих случаях обучение не заменяет игру, а решает её в условиях, где аналитическое решение недоступно.
Распределение ресурсов в системах UAV, воздушно-наземных и ISAC
В воздушно-наземных интегрированных сетях задача распределения ресурсов становится многомерной: требования задач, мобильность БПЛА, топология сети и решения о доступе к спектру в условиях глушения сильно связаны между собой (Ду, 2026). Простое раздельное решение здесь не работает — изменение позиции дрона меняет и помеховую картину, и доступные каналы. Именно поэтому такие задачи формулируют как многомерное распределение ресурсов и решают иерархически.
Для интегрированных sensing and communication (ISAC) распределение ресурсов при противодействии глушению нацелено на максимизацию взвешенной суммы скорости и эффективной мощности зондирования при ограничении на стоимость мощности (Чэнь). В сетях EH-CIoT задача моделируется как марковский процесс принятия решений (MDP) без априорного знания, а для максимизации долгосрочной пропускной способности предлагается линейно взвешенный глубокий метод (Ли, 2024). Отдельно исследуется max-min распределение ресурсов для управления мощностью в системе противодействия глушению сети UAV — метрика max-min отражает концепцию гарантированной выплаты.
Проактивное резервирование ресурсов и энергоэффективная передача
Проактивная предварительная аллокация ресурсов для противодействия глушению решает задачу упреждающего распределения в развёрнутых полевых сетях связи при динамическом глушении со стороны БПЛА. Связь между расходом ресурсов и длительностью глушения описывается математической моделью, на которую влияют тип технологии противодействия, интенсивность помех и стратегия распределения ресурсов (MDPI, 16 февраля 2026). Это важный сдвиг: решение принимается до того, как помеха проявилась в полную силу.
Энергоэффективная сторона вопроса раскрывается в задаче оптимального распределения энергии многоканальной передачи против глушения: стратегии передачи сенсора оптимизируются адаптивно с помощью обучения с подкреплением на данных, а методология настройки параметров обучения и доказательства устойчивости приводятся отдельно (1 октября 2025). В спутниковой связи задача распределения мощности переформулируется в двух случаях, где каждый игрок имеет фиксированный бюджет ресурсов и одновременно распределяет их по n «полям боя» (Цзоу, 2022).
Безопасность, равновесие и практические выводы
Оптимизационные и игровые подходы к защитному распределению ресурсов в связи и сетевой безопасности моделируют игру между дружественным интерферером, транслирующим искусственный шум, и стратегическим перехватчиком (Сюй, 2026). Когда атакованы все каналы, оптимальное распределение мощности решается как задача выпуклой оптимизации методом water-filling; когда перехватчик атакует ограниченное число каналов, игра с ненулевой суммой помогает предсказать цели. Игровое распределение мощности всегда даёт лучшую ожидаемую суммарную секретную пропускную способность, чем наивное равное деление.
Наконец, интеллектуальные технологии противодействующей связи с глубокими нейронными сетями и теорией игр формируют отдельное направление, в котором модель строится на стыке обучения и формального конфликта (Чжао, 2025). Общий вывод для практики прост: выигрыш даёт не отдельная модель, а связка «формализация конфликта + адаптивное обучение + учёт ограничений по мощности и спектру». Если вы проектируете такую систему, начинайте с игровой постановки и лишь затем выбирайте алгоритм обучения.
Часто задаваемые вопросы
Как теория игр моделирует взаимодействие глушителя и легитимного пользователя?
Теория игр рассматривает глушителя и легитимного пользователя как игроков с противоположными целями, формализуя их естественную конфронтацию. Модели Stackelberg, марковские, биматричные и гиперграфовые игры описывают взаимные взаимодействия и помогают выводить стратегии в условиях динамической и неполной информации.
Какие задачи распределения ресурсов решаются в исследованиях противодействия глушению?
Исследования охватывают ассоциацию пользователей, позиционирование БПЛА, доступ к спектру, выбор каналов и управление мощностью. В воздушно-наземных интегрированных сетях требования задач, мобильность дронов, топология сети и решения о доступе к спектру сильно связаны и рассматриваются как многомерное распределение ресурсов.
Зачем объединять теорию игр и обучение с подкреплением для противодействия глушению?
Теория игр формулирует стратегические взаимодействия, а обучение с подкреплением обрабатывает динамическую и неполную информацию методом проб и ошибок. Вместе они обеспечивают самонаблюдение, самостоятельное принятие решений, самокоординацию, самооценку и обучаемость, необходимые для интеллектуального противодействия глушению.
Что такое парадигма игрового обучения противодействию глушению (GTLAJ)?
GTLAJ — это парадигма, предложенная для интеллектуальной противодействующей связи. Она исследует характеристики глушителя и требования к защите, а также обсуждает модели вроде игры Stackelberg, марковской игры и гиперграфовой игры против глушения, объединяя формальное описание конфликта с механизмом обучения.