Aprendizado profundo otimizado por enxame de partículas para detecção de jamming e aumento de taxa em redes de rádio cognitivo

Por que proteger sinais sem fio importa

Nossos telefones, sensores e dispositivos inteligentes cada vez mais compartilham as mesmas ondas aéreas congestionadas. Para abrir espaço para todos, redes de próxima geração permitem que alguns dispositivos tomem emprestado temporariamente canais de rádio não utilizados. Mas essa flexibilidade traz um risco: um transmissor malicioso pode deliberadamente inundar um canal com ruído, um ataque de "jamming" que impede dispositivos próximos de se comunicarem. Este artigo apresenta um novo método, chamado DeepSwarm, que ajuda esses rádios flexíveis a reconhecer rapidamente quando estão sendo alvo de jamming e a saltar para canais mais seguros, aumentando tanto a segurança quanto a taxa de transferência de dados.

Compartilhamento inteligente de rodovias invisíveis

Sistemas sem fio modernos usam um conceito conhecido como rádio cognitivo, onde dispositivos "secundários" podem transmitir apenas quando um usuário licenciado "primário" não estiver usando um dado canal. Esses rádios constantemente detectam quais canais estão livres e compartilham essa informação com um controlador central. Como muitos dispositivos e possíveis atacantes podem acessar as mesmas frequências, a rede precisa decidir, slot a slot, quais canais cada dispositivo deve usar para transmitir dados enquanto evita usuários licenciados. Nesse cenário, um jammer pode causar grande perturbação ao visar canais populares, forçando dispositivos legítimos a colidirem repetidamente, perderem pacotes e desperdiçarem bateria.

Um jogo de gato e rato pelo ar

Os autores descrevem a disputa entre usuários normais e um jammer como um jogo estratégico. Cada lado escolhe canais para enviar dados ou causar interferência, tentando maximizar seu próprio benefício. Usuários normais querem alta taxa de transferência confiável com baixo custo de energia, enquanto o jammer busca interromper o máximo de transmissões possível com energia limitada. O artigo desenvolve um modelo matemático dessa interação que leva em conta quantos canais estão livres, quantos usuários estão ativos, a probabilidade de colisão entre eles e quanta interferência adicional um jammer adiciona. Esse modelo quantifica, em uma única medida de utilidade, quão boa é uma determinada escolha de canal para cada lado.

Ensinando rádios a reconhecer ataques

Em vez de resolver esse jogo complicado apenas com equações, os autores recorrem ao aprendizado orientado por dados. Eles projetam uma rede neural profunda compacta que observa medidas simples já disponíveis na rede: taxa média de transferência em um canal, quanto essa taxa flutua, qualidade do sinal recebido, potência de interferência medida e se o canal é percebido como ocupado ou livre. A partir dessas características, a rede aprende a distinguir usuários normais de jammers. Para extrair o máximo de um conjunto de dados pequeno e prático, a equipe usa otimização por enxame de partículas, um método de busca baseado em população inspirado no comportamento de bando, para ajustar automaticamente quantas camadas e neurônios a rede deve ter, assim como sua taxa de aprendizado e configurações de regularização. Esse modelo ajustado, DeepSwarm, é treinado offline, mas depois executa rapidamente em tempo real.

Escolhendo melhores canais em tempo real

Uma vez que o DeepSwarm consegue identificar com precisão quais transmissores se comportam como jammers, a rede usa essa informação para limpar sua visão do espectro. Relatórios de transmissores suspeitos são ignorados; apenas usuários confiáveis influenciam a decisão sobre quais canais estão realmente livres. Com um quadro mais claro, o sistema coordena para quais canais ociosos os usuários secundários devem saltar em cada slot de tempo, distribuindo-os para evitar tanto entre si quanto os alvos preferidos do jammer. Simulações mostram que após a implantação do DeepSwarm, os usuários se distribuem de forma mais uniforme pelos canais, a congestão diminui e eles se afastam automaticamente de frequências fortemente atacadas, mesmo conforme as táticas do jammer mudam.

Ganho em confiabilidade e velocidade

Em testes extensivos, o DeepSwarm detecta jammers com cerca de 98% de acurácia, precisão e recall, superando bases comuns de aprendizado de máquina como máquinas de vetores de suporte, modelos lineares e métodos de empilhamento em ensemble. Mais importante para o desempenho do dia a dia, essa maior consciência se traduz em taxas de dados utilizáveis muito mais altas. Comparado com uma estratégia estática de seleção de canal que ignora jamming, o esquema de saltos guiado pelo DeepSwarm pode elevar a taxa de transferência normalizada em até 32% sob uma variedade de intensidades de ataque. Em comparação com um marco anterior de teoria dos jogos que depende apenas de aprendizado por tentativa e erro, a nova abordagem aumenta aproximadamente a taxa efetiva de transferência em 70–80% enquanto reduz pela metade a chance de ser jammeado.

O que isso significa para futuros dispositivos sem fio

Para um público não especialista, a principal conclusão é que os autores construíram uma espécie de guardião para rádios flexíveis: um sistema de aprendizado leve que detecta ações maliciosas nas ondas e ajuda dispositivos a mover-se rapidamente para canais mais limpos. Ao combinar modelagem estratégica de atacantes com uma rede neural ajustada, o DeepSwarm oferece uma forma escalável de manter o fluxo de dados mesmo em ambientes hostis. Isso pode ser especialmente valioso para implantações densas de Internet das Coisas e links máquina a máquina, onde muitos dispositivos de baixa potência precisam compartilhar o espectro de forma segura e eficiente, sem supervisão humana constante.

Citação: Imran, M., Ibrahim, K., Zhiwen, P. et al. Particle swarm optimized deep learning for jamming detection and throughput enhancement in cognitive radio networks. Sci Rep 16, 8715 (2026). https://doi.org/10.1038/s41598-026-41642-9

Palavras-chave: rádio cognitivo, interferência sem fio, aprendizado profundo, salto de frequência, segurança IoT