Estrutura explicável de aprendizado por reforço multiagente para comunicação segura e adaptativa em enxames de UAVs baseados em FANETs

Times de drones mais inteligentes para situações difíceis

Imagine uma equipe de drones entrando rapidamente em um incêndio florestal, uma área de enchente ou em uma operação de busca e salvamento. Eles precisam compartilhar informações instantaneamente, evitar atacantes que tentam interferir ou enganá‑los e ainda explicar aos operadores humanos por que escolheram uma rota em vez de outra. Este artigo apresenta uma nova forma de tornar esses enxames de drones mais seguros e mais compreensíveis, para que as pessoas possam confiar neles em situações de vida ou morte.

Por que enxames de drones precisam de mais do que Wi‑Fi rápido

Drones em um enxame não apenas voam; eles se comunicam constantemente, retransmitindo mapas, leituras de sensores e alertas uns aos outros. Esse tipo de rede aérea, chamada de rede ad hoc aérea (FANET), é rápida e flexível, mas também frágil. Sinais viajam pelo ar aberto, os drones se movem rapidamente e não há uma torre central controlando tudo. Isso torna a rede um alvo fácil para ataques digitais, como bloqueio de sinais, falsificação de identidade ou o descarte silencioso de mensagens. Ferramentas de segurança existentes muitas vezes dependem de servidores centralizados e lentos ou de algoritmos opacos em “caixa‑preta”, o que é arriscado quando vidas, propriedades ou infraestrutura crítica estão em jogo.

Ensinando cada drone a aprender e decidir

Os autores propõem uma Estrutura Explicável de Aprendizado por Reforço Multiagente — EMARL‑XAI — que transforma cada drone em um agente de aprendizado. Em vez de seguir regras fixas, cada drone observa sua posição, qualidade de sinal, nível de bateria e o quão confiáveis parecem ser seus vizinhos. Usando um método cooperativo de aprendizado, o enxame descobre gradualmente quais caminhos de comunicação entregam mensagens de forma confiável, evitam drones suspeitos e economizam energia. Decisões como “quem deve encaminhar este pacote a seguir?” emergem da experiência, em vez de serem codificadas de forma rígida. Fundamentalmente, não há um nó mestre único: os drones aprendem e agem de maneira descentralizada, o que se ajusta melhor a céus hostis e em rápida mudança.

Identificando atores maliciosos e mantendo a conexão

A segurança é incorporada diretamente à forma como o enxame aprende. Cada drone mantém uma “estimativa de confiança” contínua de drones próximos, baseada em se eles encaminham mensagens, se comportam de forma consistente ou mostram sinais de ataque, como descartar a maioria dos pacotes ou agir como múltiplas identidades falsas ao mesmo tempo. Essas pontuações de confiança influenciam escolhas futuras: vizinhos confiáveis são favorecidos como retransmissores, enquanto os suspeitos são gradualmente contornados e efetivamente isolados. A estrutura é testada contra uma variedade de ameaças realistas — interferência (jamming), falsificação de identidade, ataques Sybil e blackholes — dentro de uma simulação detalhada que acopla um simulador de rede (para links de rádio e interferência) com um simulador de voo de drones (para movimento em espaço 2D e 3D).

Tornando as escolhas dos drones compreensíveis

Além do desempenho bruto, o sistema foi projetado para se explicar. O módulo de explicabilidade usa ferramentas conhecidas da IA moderna para mostrar quais fatores mais influenciaram uma decisão. Por exemplo, um método chamado SHAP classifica entradas como confiança ou intensidade de sinal pelo seu impacto em uma rota escolhida, enquanto outro, LIME, constrói modelos locais simples de “e se” em torno de decisões específicas. Mapas de atenção visuais destacam quais padrões no comportamento recente o sistema de aprendizado focalizou. Juntas, essas visões permitem que operadores humanos vejam, por exemplo, que um drone evitou determinado vizinho principalmente porque seu comportamento anterior de encaminhamento parecia suspeito, e não por uma queda momentânea na intensidade do sinal. Isso transforma um emaranhado de cálculos de redes neurais em uma narrativa rastreável.

Como a nova abordagem se sai em céus virtuais

Os pesquisadores confrontam o EMARL‑XAI com métodos clássicos de roteamento e sistemas baseados em aprendizado mais convencionais. Em missões simuladas com até 75 drones e até 30% deles se comportando de forma maliciosa, a nova estrutura entrega uma maior parcela de pacotes, reduz atrasos e mantém a taxa de acusações erradas contra drones honestos relativamente baixa. Também aprende estratégias estáveis mais rápido do que um sistema similar de aprendizado multiagente sem confiança ou explicações, e usa menos energia por entrega bem‑sucedida do que esquemas tradicionais. Quando os autores removem sistematicamente partes do desenho, o desempenho cai: eliminar a confiança aumenta fortemente os erros ao identificar quem é malicioso, enquanto retirar as ferramentas de explicabilidade mantém a precisão em grande parte intacta, mas faz a confiança dos avaliadores humanos despencar.

O que isso significa para missões reais com drones

Para um público não especializado, a principal conclusão é que este trabalho aproxima os enxames de drones de serem parceiros confiáveis, em vez de aparelhos misteriosos e frágeis. O EMARL‑XAI mostra como drones podem aprender por conta própria a rotear mensagens de forma segura através de um ambiente hostil e em mudança, deixando ao mesmo tempo um rastro claro e legível por humanos do porquê de suas ações. Embora o estudo seja baseado em simulações e ainda precise ser testado em hardware real, ele traça um caminho em direção a frotas de drones que são não apenas mais inteligentes e seguras, mas também responsáveis — um passo essencial se esperamos que eles ajudem a gerenciar desastres, monitorar cidades ou proteger infraestrutura crítica.

Citação: 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

Palavras-chave: enxame de UAVs, comunicação segura, aprendizado por reforço multiagente, IA explicável, segurança de redes sem fio