מסגרת חיזוק רב־סוכנית ניתנת להסבר לתקשורת בטוחה והתאמתית בעדרי כלי‑טיס בלתי מאוישים (UAV) מבוססי FANETs

צוותי רחפנים חכמים יותר למצבים קשים

דמיינו צוות רחפנים הממהר לתוך שריפה, לאזור שיטפון או למשימת חיפוש והצלה. הם חייבים לחלוק מידע מיד, להימנע מתוקפים שמנסים לשבש או להטעות אותם, ובאותו זמן להסביר למפעילים האנושיים מדוע בחרו בדרך מסוימת על פני אחרת. מאמר זה מציע דרך חדשה להפוך עדרי רחפנים לבטוחים ומובנים יותר, כך שאנשים יוכלו לסמוך עליהם במצבים של חיים או מוות.

מדוע עדרי רחפנים צריכים יותר מאשר Wi‑Fi מהיר

רחפנים בעדר לא רק עפים; הם מתקשרים באופן רציף, מעבירים מפות, קריאות חיישנים והתראות זה לזה. סוג רשת אווירית זו, הנקרא רשת אד‑הוק מעופפת (FANET), מהיר וגמיש אך גם שברירי. האותות עוברים באוויר הפתוח, הרחפנים נעים במהירות ואין מגדל מרכזי השולט ברשת. זאת הופכת את הרשת למטרה קלה למתקפות דיגיטליות כגון שיבוש אותות, זיוף זהויות או הורדת חבילות בשתיקה. כלים אבטחתיים קיימים לעיתים תלויים בשרתים מרכזיים איטיים או באלגוריתמים כהים בסגנון "תיבת־שחור", וזה מסוכן כשהדבר נוגע לחיים, רכוש או תשתיות קריטיות.

ללמד כל רחפן ללמוד ולבצע החלטות

המחברים מציעים מסגרת למידת חיזוק רב‑סוכנית ניתנת להסבר — EMARL‑XAI — שהופכת כל רחפן לסוכן לומד. במקום לפעול לפי חוקים נוקשים, כל רחפן צופה במיקומו, באיכות האות, ברמת הסוללה ובמידת האמינות של שכניו. באמצעות שיטת למידה שיתופית, העדר מגלה בהדרגה אילו נתיבי תקשורת מעבירים הודעות באמינות, נמנעים מרחפנים חשודים ושומרים על אנרגיה. החלטות כגון "מי צריך להעביר חבילה זו הלאה?" עולות מניסיון במקום להיות קשיחות בקוד. החשוב מכך, אין צומת מרכזית חד־־משמעית: הרחפנים לומדים ופועלים בצורה מבוזרת, מה שמתאים יותר לשמים עוינים המשתנים במהירות.

זיהוי שחקנים זדוניים ושמירה על חיבור

אבטחה שזורה ישירות בדרך שבה העדר לומד. כל רחפן שומר "הערכת אמון" רציפה לגבי רחפנים קרובים, בהתבסס על האם הם מעבירים הודעות, מתנהגים בעקביות או מראים סימנים של התקפה — כגון הורדת רוב החבילות או התנהגות של זהויות מזויפות מרובות בו‑זמנית. ציוני האמון הללו משפיעים על החלטות עתידיות: שכנים אמינים מועדפים כמתווכים, בעוד חשודים עוברים בהדרגה לניתוב מעקף ומבודדים למעשה. המסגרת נבדקת מול מגוון איומים מציאותיים — שיבוש (ג׳מינג), זיוף זהות, מתקפות סיביל (Sybil) וחורים שחורים — בתוך סימולציה מפורטת שמחברת סימולטור רשת (לקישורי רדיו והפרעות) עם סימולטור טיסה של רחפנים (לתנועה במרחב דו‑ממדי ותלת‑ממדי).

להפוך את החלטות הרחפנים למובנות

מעבר לביצועים הגולמיים, המערכת מעוצבת להסביר את עצמה. מודול ההסבר משתמש בכלים ידועים מהבינה המלאכותית המודרנית כדי להציג אילו גורמים השפיעו ביותר על החלטה. לדוגמה,שיטה הנקראת SHAP מדרגת קלטים כגון אמון או עוצמת אות לפי השפעתם על מסלול נבחר, בעוד ש‑LIME בונה מודלים מקומיים פשוטים של "מה אם" סביב החלטות ספציפיות. מפות תשומת לב ויזואליות מדגישות אילו דפוסים בהתנהגות האחרונה מערכת הלמידה התמקדה בהם. יחד, נקודות מבט אלה מאפשרות למפעילים האנושיים לראות, למשל, שרחפן נמנע משכן מסוים בעיקר כי התנהגות ההעברה הקודמת שלו נראתה חשודה, ולא בגלל צניחה רגעית בעוצמת האות. זה הופך מערבולת של חישובי רשתות עצביות לסיפור ניתן למעקב.

כיצד הגישה החדשה מתפקדת בשמים וירטואליים

החוקרים משווים את EMARL‑XAI לשיטות ניתוב קלאסיות ומערכות מבוססות למידה קונבנציונליות יותר. במשימות מדומות עם עד 75 רחפנים ועד 30% מהם מתנהגים בצורה זדונית, המסגרת החדשה מספקת אחוז גבוה יותר של חבילות מוצלחות, מקצרת השהיות ומשמרת שיעור נמוך יחסית של האשמות שגויות כלפי רחפנים כנים. היא גם לומדת אסטרטגיות יציבות מהר יותר ממערכת למידה רב‑סוכנית דומה ללא רכיב האמון או ההסברים, ומשתמשת בפחות אנרגיה לכל העברה מוצלחת מאשר שיטות מסורתיות. כאשר המחברים מסירים באופן שיטתי חלקים מהעיצוב, הביצועים יורדים: הסרת האמון מעלה בחדות טעויות בזיהוי מי זדוני, בעוד שהסרת כלי ההסבר משאירה את הדיוק ברובו אך גורמת לירידה חדה בביטחון המעריכים האנושיים.

מה משמעות הדבר למשימות רחפנים בעולם האמיתי

לקורא שאינו מומחה, הממצא המרכזי הוא שעבודה זו מקרבת את עדרי הרחפנים למעמד של שותפים אמינים במקום מכשירים מסתוריים ושבריריים. EMARL‑XAI מדגים כיצד רחפנים יכולים ללמוד בכוחות עצמם לנתב הודעות בביטחה דרך סביבה עוינת ומשתנה, ובמקביל להשאיר עקבה ברורה וקריאת־בני אדם של ההליך שהנחה את פעולותיהם. למרות שהמחקר מבוסס על סימולציות ונדרש עוד ניסוי על חומרה אמיתית, הוא מצייר דרך לעבר צי רחפנים שלא רק חכמים ומאובטחים יותר, אלא גם ניתנים לאחריות — צעד חיוני אם אנו מצפים שיעזרו בניהול אסונות, במעקב אחר ערים או בהגנה על תשתיות קריטיות.

ציטוט: Alkahtani, H.K., Galiya, Y., Akbayan, B. et al. Explainable multi agent reinforcement learning framework for secure and adaptive communication in UAV swarm based fanets. Sci Rep 16, 11830 (2026). https://doi.org/10.1038/s41598-026-39366-x

מילות מפתח: עדר רחפנים, תקשורת מאובטחת, למידת חיזוק רב‑סוכנית, בינה מלאכותית ניתנת להסבר, אבטחת רשתות אלחוטיות