用于多源干扰者的迭代定位方法以应对无人机协同干扰攻击

在嘈杂的天空中保护无人机编队

随着无人机（UAV）编队在灾难响应、农业和安防等领域的广泛应用，它们依赖脆弱的无线电和 GPS 链路来保持协同。恶意的无线“干扰器”可以蓄意淹没无线频谱，使整个蜂群失去感知，从而导致任务失败。本文处理了无人机安全核心的一个实用问题：当多个隐藏的干扰源同时发起攻击时，蜂群能否在足够快且足够准确的程度上，确定它们的位置和数量，以便采取反制措施？

为何多个隐藏信号阻断器如此难以定位

在现实环境中，干扰很少来自单一、整齐的点位。几个地面设备、敌对无人机或城市反射体都可能扰动同一片天空，导致信号覆盖区重叠并相互混合。这使得很难区分哪个扰动部分属于哪个干扰源。传统方法往往假设干扰源数量已知、射频环境干净或有大量计算资源——在城市复杂环境或战场上数十架无人机遭受攻击时，这些假设往往失效。作者关注这种混乱的多干扰源情形，并设计了一种仅基于受影响无人机可测量信息既能计数又能定位多个攻击者的方法。

以蜂群自身感知作为线索

该框架首先对无人机蜂群在遭受攻击时的行为进行建模。无人机被分为三类：未受影响的、完全被切断的，以及位于干扰区边界的“边界”无人机。这些边界无人机至关重要：它们仍能与中央协调器通信，并报告其位置处感知到的干扰强度。方法的核心是“误差最小化”思想。系统猜测若干干扰源的位置和功率，预测每个边界无人机应当观测到的信号强度，然后将预测值与无人机实际测得的数据进行比较。猜测越好，预测与观测之间的不匹配越小。于是，多源干扰定位被转化为一个单一评分——误差大小，算法的目标就是尽可能将该误差降低。

像灰狼一样的数字猎手

为在所有可能的干扰布局中高效搜索，作者采用了一种受自然启发的技术——灰狼优化器。在这一方法中，一组候选解像一支猎狼群：若干“领导者”候选引导其余解朝着搜索空间中更有前景的区域移动。论文提出了一个增强版本，称为多策略改进灰狼优化器（MSIGWO）。它允许“狼群”在初期广泛漫游，然后使用曲线式而非直线式的收敛节奏逐步收紧搜索范围。该方法还借鉴了进化算法与混沌理论的思想，轻柔地将狼群从死胡同中振作出来，并保持多样性与高质量候选解，避免所有候选过早收敛到较差的猜测上。

从算法测试到干扰源地图

同时找到多个干扰源不仅意味着精确定位它们的位置，还要判断它们的数量。所提出的系统通过一系列假设来处理这一问题：首先假设有两个干扰源，然后是三个、四个，依次增加直到一个合理的上限。对于每种假设情况，MSIGWO 寻找最能解释无人机测量数据的布局，并记录其可达到的最小误差。具有全局最小误差的假设被视作最可能的情况：它同时给出干扰源的数量和位置。大量计算机仿真实验表明，该组合策略较多种主流替代方法在准确性和收敛速度上更具优势，并且即便在干扰区严重重叠或干扰源功率不一致的情况下仍保持鲁棒性。

这对未来无人机行动意味着什么

研究结论认为，经过精心调参的狼群启发式搜索策略可以为无人机蜂群提供一项强有力的新工具：将零散、嘈杂的信号读数转化为对多个隐藏攻击者的可靠地图。在测试中，该方法不仅在定位精度上优于竞争方法，而且在正确计数干扰源数量方面表现更好。作者也指出，要应对严格的实时任务仍需更真实的电磁模型和更快的实现，但他们的结果表明，未来的无人机编队可能会利用类似 MSIGWO 的算法，在充满敌对干扰的天空中继续安全飞行。

引用: 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

关键词: 无人机群, 无线电干扰, 干扰源定位, 元启发式优化, 无线安全