Iteratives Lokalisierungsverfahren für mehrere Störer bei kollaborativen Störangriffen auf UAVs

Drohnenteams im lauten Himmel schützen

Während sich Flotten unbemannter Luftfahrzeuge (UAVs) in Katastrophenhilfe, Landwirtschaft und Sicherheitsaufgaben ausbreiten, sind sie auf empfindliche Funk- und GPS-Verbindungen angewiesen, um koordiniert zu bleiben. Böswillige Funkstörer können gezielt das Funkfeld überfluten, einen ganzen Schwarm blenden und so Missionen zum Scheitern bringen. Dieses Papier behandelt eine praktische Frage im Kern der UAV-Sicherheit: Wenn mehrere verborgene Störer gleichzeitig angreifen, kann der Schwarm schnell und genau genug herausfinden, wo sie sind und wie viele es sind, um gegenzusteuern?

Warum viele verdeckte Störquellen so schwer zu finden sind

In der realen Welt kommt Störung selten von einem einzigen, sauberen Punkt. Mehrere Bodengeräte, feindliche Drohnen oder städtische Reflektoren können denselben Himmelsbereich verzerren, sodass sich Störzonen überlappen und verschmelzen. Das macht es äußerst schwierig, auseinanderzudividieren, welche Teile der Störung zu welchem Störer gehören. Traditionelle Methoden gehen häufig von einer bekannten Anzahl von Störern, sauberen Funkbedingungen oder großer Rechenleistung aus – Annahmen, die zusammenbrechen, wenn Dutzende Drohnen in einer überladenen Stadt oder auf einem Schlachtfeld angegriffen werden. Die Autoren konzentrieren sich auf dieses unordentliche Mehr-Störer-Szenario und entwerfen ein Verfahren, das sowohl die Anzahl als auch die Position mehrerer Angreifer allein aus den Messungen der betroffenen Drohnen ermitteln kann.

Die Sinne des Schwarms als Hinweis nutzen

Das Rahmenmodell beginnt damit, zu beschreiben, wie sich ein UAV-Schwarm unter Angriff verhält. Drohnen werden in drei Typen gruppiert: solche, die nicht betroffen sind; solche, die vollständig abgeschnitten sind; und „Rand“-Drohnen, die am Rand der gestörten Zonen sitzen. Diese Randdrohnen sind entscheidend: Sie können noch mit einem zentralen Koordinator kommunizieren und berichten, wie stark die Störung an ihrem Standort wirkt. Der Kern der Methode ist ein Fehler-Minimierungsansatz. Das System nimmt einige Störerpositionen und -leistungen an, sagt voraus, welche Signalstärke jede Randdrohne sehen sollte, und vergleicht dies dann mit den tatsächlich gemessenen Werten. Je besser die Annahme, desto kleiner die Abweichung. Die Mehr-Störer-Lokalisierung wird so in eine einzige Kennzahl verwandelt – wie groß der Fehler ist –, die der Algorithmus so weit wie möglich zu minimieren versucht.

Graue Wölfe als digitale Jäger

Um effizient durch alle möglichen Störer-Konfigurationen zu suchen, nutzen die Autoren eine von der Natur inspirierte Technik namens Grey Wolf Optimizer. Bei diesem Ansatz verhält sich eine Menge von Kandidatlösungen wie ein Rudel jagender Wölfe: Mehrere „Führer“-Kandidaten leiten die übrigen in vielversprechendere Bereiche des Suchraums. Das Papier stellt eine verbesserte Variante vor, genannt Multi-Strategy Improved Grey Wolf Optimizer (MSIGWO). Sie lässt die „Wölfe“ zunächst weit streifen und dann schrittweise fokussierter werden, wobei sie eine gekrümmte statt einer geradlinigen Zeitplanung verwendet, wie schnell sie sich zusammenziehen. Zudem übernimmt sie Ideen aus evolutionsbasierten Algorithmen und der Chaos-Theorie, um das Rudel sanft aus Sackgassen zu lösen und vielfältige, hochwertige Kandidaten zu erhalten, anstatt ein vorzeitig auf eine schlechte Schätzung zu konvergieren.

Vom getesteten Algorithmus zur Störerkarte

Mehrere Störer gleichzeitig zu finden bedeutet nicht nur, ihre Positionen zu bestimmen, sondern auch ihre Anzahl zu ermitteln. Das vorgeschlagene System geht dies an, indem es eine Reihe von Annahmen durchspielt: Zuerst tut es so, als gäbe es zwei Störer, dann drei, dann vier und so weiter bis zu einer vernünftigen Obergrenze. Für jeden Fall sucht MSIGWO nach der Anordnung, die die Messungen der Drohnen am besten erklärt, und notiert den geringsten erreichbaren Fehler. Der Fall mit dem insgesamt kleinsten Fehler wird als die wahrscheinlichste Realität angenommen: Er liefert sowohl die Anzahl der vorhandenen Störer als auch ihre Positionen. Umfangreiche Computersimulationen zeigen, dass diese kombinierte Strategie genauer ist und schneller konvergiert als mehrere führende Alternativen und robust bleibt, selbst wenn Störzonen stark überlappen oder Störer auf unterschiedlichen Leistungsniveaus arbeiten.

Was das für zukünftige Drohnenoperationen bedeutet

Die Arbeit schließt mit der Erkenntnis, dass eine sorgfältig abgestimmte, wolf-inspirierte Suchstrategie UAV-Schwärmen ein mächtiges neues Werkzeug geben kann: die Fähigkeit, fragmentarische, verrauschte Signalmessungen in eine verlässliche Karte mehrerer verborgener Angreifer zu verwandeln. In Tests schätzte die Methode nicht nur die Störerpositionen mit höherer Präzision als konkurrierende Ansätze, sie ermittelte auch die Anzahl der vorhandenen Störer besser. Während die Autoren anmerken, dass realistischere Funkmodelle und schnellere Implementierungen für anspruchsvolle Echtzeitmissionen noch erforderlich sind, deuten ihre Ergebnisse darauf hin, dass künftige Drohnenflotten Algorithmen wie MSIGWO nutzen könnten, um auch in feindlichen, störungsreichen Lufträumen sicher weiterzufliegen.

Zitation: Huang, L., Xiong, L., Huang, S. et al. Iterative localization method for multiple jammers in UAV collaborative jamming attacks. Sci Rep 16, 7927 (2026). https://doi.org/10.1038/s41598-026-35259-1

Schlüsselwörter: UAV-Schwärme, Funkstörung, Störer-Lokalisierung, metaheuristische Optimierung, Drahtlos-Sicherheit