Kognitive elektronische Kriegsführung: adaptives Jamming und ML-gesteuertes EW

Traditionelle elektronische Kriegsführung basiert auf einer Missionsdatendatei. Ein abgefangenes Signal wird mit einem Katalog bekannter Sender abgeglichen, eine vordefinierte Reaktion wird abgerufen und die Technik wird angewendet. Dieses Modell versagt in dem Moment, in dem ein Gegner ein Funkgerät einsetzt, das seine Wellenform schneller ändert, als der Katalog aktualisiert werden kann – ein frequenzagiler Datenlink, ein softwaregesteuertes Radar, das sein Impulsmuster zwischen Einsätzen umprogrammiert, ein kommerzieller Drohnencontroller, der über ein unlizenziertes Band hüpft. Kognitive elektronische Kriegsführung ist die softwareseitige Antwort auf dieses Versagen: ein System, das das Spektrum erfasst, das Gefundene in Echtzeit charakterisiert, eine Jamming-Technik entscheidet, den Effekt misst und lernt. Dieser Artikel beschreibt die Architektur eines kognitiven EW-Software-Stacks – das Sensing-Frontend, die Signalbibliothek, den Machine-Learning-Entscheidungskern, die Generierung adaptiver Jamming-Techniken und die Integrationsbeschränkungen, die es innerhalb der Electromagnetic Spectrum Operations (EMSO) platzieren.

Von Missionsdatendateien zu einem kognitiven Kreislauf

Der entscheidende Unterschied zwischen konventionellem und kognitivem EW liegt darin, wo die Intelligenz liegt. In einem konventionellen System ist die Intelligenz vorab geladen: Analysten untersuchen eine Bedrohung, leiten offline eine optimale Jamming-Technik ab und codieren sie in die Missionsdatendatei, die die Plattform mit in den Kampf trägt. Die Plattform selbst ist eine schnelle Suchmaschine. Dies funktioniert gut gegen bekannte, stabile Bedrohungen und versagt gegen alles Neuartige oder Adaptive.

Ein kognitives System verlagert die Intelligenz in den Einsatz. Es schließt einen vierstufigen Kreislauf in Software – erfassen, entscheiden, handeln, lernen – der kontinuierlich ausgeführt wird, während die Bedrohung präsent ist. Der Kreislauf ist konzeptuell identisch mit dem OODA-Zyklus, aber auf Millisekunden komprimiert und von Software ausgeführt, weil kein Mensch im Zeitrahmen reagieren kann, in dem moderne agile Sender wechseln. Das kognitive System profitiert dennoch von Offline-Analysen – es trägt eine Signalbibliothek und vortrainierte Modelle – aber es ist nicht auf das beschränkt, was vor dem Start geladen wurde. Wenn es auf einen Sender trifft, den es noch nie gesehen hat, charakterisiert es den Sender und generiert eine Kandidatentechnik, anstatt die Bedrohung als unbekannt zu deklarieren und sich zurückzuziehen.

Das Erkennen und Charakterisieren dieser Sender ist selbst ein schwieriges Problem; die vorgelagerten Techniken werden in unserer Analyse der Signaldetektion bei der elektronischen Kriegsführung behandelt, auf die die kognitive Schicht als Sensing-Frontend angewiesen ist.

Die Sense-Decide-Act-Learn-Architektur

Ein produktiver kognitiver EW-Stack hat vier funktionale Blöcke, die direkt auf den Kreislauf abgebildet werden, plus eine übergreifende Beschränkungs- und Sicherheitsschicht.

Erfassen. Ein Breitbandempfänger speist eine Echtzeit-Spektrumserfassungs-Pipeline: Kanalisierung, Energieerkennung und Merkmalsextraktion erzeugen eine kontinuierlich aktualisierte Liste aktiver Sender. Entscheidend ist, dass der Erfassungsblock jeden Sender über die Zeit und nicht als einzelnen Schnappschuss verfolgt – Agilität ist nur als Zeitreihe sichtbar. Ein Radar, das sein Impulswiederholungsintervall umprogrammiert, oder ein Datenlink, der Frequenzen wechselt, muss als Verhalten und nicht als Fingerabdruck beobachtet werden.

Entscheiden. Der Entscheidungskern nimmt die Sendercharakterisierung und aktuelle Spektrumbeschränkungen und wählt eine Reaktion. In einem kognitiven System ist dies eine erlernte Richtlinie – typischerweise ein Reinforcement-Learning-Agent –, die den beobachteten Zustand auf eine Jamming-Aktion abbildet. Die Entscheidung ist probabilistisch und verbessert sich mit Erfahrung, im Gegensatz zur deterministischen Tabellennachschlagung eines konventionellen Systems.

Handeln. Die ausgewählte Technik wird als Wellenform synthetisiert und übertragen. Da der Aktionsraum kontinuierlich ist (Frequenz, Bandbreite, Wellenform, Tastverhältnis, Leistung) und softwaredefiniert, kann dieselbe Hardware Barrage-, Spot-, Sweep-, täuschungs- oder protokollbewusstes Jamming ohne Hardwareänderung erzeugen.

Lernen. Das System beobachtet die Reaktion des Ziels, schätzt den Effekt und aktualisiert die Richtlinie, sodass der nächste Einsatz gegen einen ähnlichen Sender mit einer besseren Technik beginnt. Das ist es, was kognitives EW von lediglich adaptivem EW unterscheidet: Das System reagiert nicht nur, es akkumuliert Wissen.

Die Signalbibliothek und Sendercharakterisierung

Auch ein kognitives System benötigt eine Signalbibliothek – eine strukturierte Datenbank bekannter Sender, ihrer Parameter und ihrer katalogisierten Schwachstellen. Die Bibliothek ist nicht die Grenze der Kompetenz des Systems, aber sie ist der schnelle Weg. Wenn der Erfassungsblock eine Charakterisierung erstellt, weist ein Machine-Learning-Klassifikator Modulations- und Protokollklassen zu und fragt die Bibliothek nach einer Übereinstimmung ab.

Drei Ergebnisse sind möglich. Eine sichere Übereinstimmung ruft eine bekannt gute Technik ab und der Einsatz läuft mit geringer Latenz. Eine teilweise Übereinstimmung – der Sender ähnelt einer bekannten Familie, aber mit geänderten Parametern – gibt dem Entscheidungskern eine Ausgangstechnik, die die Lernschleife dann verfeinert. Keine Übereinstimmung markiert den Sender als neuartig und leitet ihn zum vollständigen adaptiven Techniken-Generierungspfad. Der architektonische Fehler, den es zu vermeiden gilt, ist, keine Übereinstimmung als Fehlerzustand zu behandeln; in einem kognitiven System ist ein unbekannter Sender genau der Fall, für den das gesamte Design existiert.

Die Sendercharakterisierung stützt sich stark auf dieselben Modulationsklassifikations- und Parameterschätztechniken, die in der Signalaufklärung verwendet werden. Ein Faltungs- oder rekurrentes neuronales Netz, das auf IQ-Segmenten arbeitet, erzeugt eine Modulationsklasse; Puls-Deskriptor-Wort-Analyse charakterisiert Radarsender; Protokoll-Fingerprinting identifiziert die spezifische Wellenformfamilie. Das Ergebnis ist ein Merkmalsvektor, der stabil genug ist, um den Sender wiederzuerkennen, und reichhaltig genug, damit der Entscheidungskern über seine Schwachstellen nachdenken kann.

Machine Learning für adaptives Jamming

Der grundlegende technische Anspruch von kognitivem EW ist, dass die Auswahl von Jamming-Techniken ein sequenzielles Entscheidungsproblem ist, und sequenzielle Entscheidungsprobleme unter Unsicherheit sind genau das, was Reinforcement Learning (RL) adressiert.

Reinforcement-Learning-Formulierung

Das Problem wird als Markov-Entscheidungsprozess formuliert. Der Zustand ist die aktuelle Sendercharakterisierung plus aktuelle Einsatzhistorie und Spektrumbeschränkungen. Die Aktion ist eine Jamming-Konfiguration: Mittenfrequenz, Bandbreite, Wellenformtyp, Tastverhältnis und Leistung. Die Belohnung ist ein Maß für die Störung – im Idealfall eine direkte Kampfschadensschätzung wie ein Rückgang der Datenrate des Ziellinks, oft aber ein Ersatzindikator wie der Senderwechsel der Frequenz oder die Erhöhung der Sendeleistung als Reaktion auf das Jamming. Das Ziel des Agenten ist es, eine Richtlinie zu erlernen, die die kumulative Belohnung über den gesamten Einsatz maximiert.

Gegen ein frequenzagiles Funkgerät wird ein fester Spot-Jammer in dem Moment besiegt, in dem das Funkgerät hüpft. Ein RL-Agent hingegen erlernt die Statistiken des Hopping-Musters und folgt entweder dem vorhergesagten nächsten Kanal oder wendet ein Barrage an, das das agile Band effizient abdeckt. Gegen ein adaptives Radar, das sein Impulsmuster ändert, wenn es gestört wird, erlernt der Agent, welche täuschenden Techniken die am wenigsten effektive Gegenanpassung hervorrufen. Dies ist genau der Bereich, in dem eine statische Bibliothek nicht mithalten kann, und er überschneidet sich direkt mit der Drohnenabwehr – das adaptive Steuerlinkjamming, das in Counter-UAV-EW-Software behandelt wird, ist dem Namen nach ein kognitives EW-Problem.

Das Belohnungsproblem

Die schwierigste ingenieurtechnische Herausforderung im ML-gesteuerten EW ist die Belohnungsschätzung. In einer Spielumgebung wird die Belohnung gegeben; im elektromagnetischen Spektrum muss sie aus der Beobachtung abgeleitet werden, oft ohne direktes Feedback vom Ziel. Ein Jammer empfängt selten ein klares Signal, das sagt: „Ihr Jamming hat funktioniert." Stattdessen schließt das System auf Wirkung aus indirekten Hinweisen: Die Übertragungswiederholungsrate des Ziels steigt, sein Bestätigungsverkehr hört auf, es verlässt eine Frequenz oder erhöht die Leistung. Der Aufbau eines zuverlässigen Belohnungsschätzers aus diesen Stellvertretern – und das Erkennen, wann die Schätzung unzuverlässig ist – ist der Bereich, in dem die eigentliche Intelligenz des Systems liegt. Eine sichere, aber falsche Belohnungsschätzung lehrt den Agenten die falsche Lektion, daher muss das Belohnungsvertrauen selbst verfolgt und in das Lernupdate eingespeist werden.

Training und Validierung ohne Spektrum-Friendly-Fire

Ein kognitiver EW-Agent kann nicht auf dem echten Schlachtfeld trainiert werden – sowohl weil das Generieren von Millionen von Einsätzen unpraktisch ist, als auch weil ein unkontrollierter Lernagent, der in ein gemeinsames Spektrum sendet, ein Friendly-Fire-Risiko darstellt. Das Training findet daher in einer hochpräzisen RF-Simulation oder einem Hardware-in-the-Loop-Digital-Twin statt, der Bedrohungswellenformen, Ausbreitung, Empfängerverhalten und die eigene Sendekette des Jammers modelliert.

Die trainierte Richtlinie wird schrittweise validiert: zunächst gegen den zurückgehaltenen Bedrohungssatz des Simulators, dann in einer kontrollierten Absorberhalle oder auf einem instrumentierten offenen Testgelände gegen repräsentative echte Sender. Dabei operiert der Agent stets innerhalb eines begrenzten Aktionsraums und einer harten Beschränkungsschicht, die ihn physisch daran hindert, Emissionen außerhalb seiner autorisierten Frequenz-, Leistungs- und Zeithülle zu wählen. Wenn Online-Lernen im Feld überhaupt erlaubt ist, wird es durch dieselbe Beschränkungsschicht gesteuert – der Agent kann seine Richtlinie innerhalb der Hülle verfeinern, aber niemals aus den Sicherheitsgrenzen herauslernen. Dies ist dasselbe Trennungsprinzip, das ein Flugregelungssystem sicher hält: Die erlernte Komponente schlägt vor, die verifizierte Sicherheitsschicht entscheidet.

EMSO-Integration und Spektrumdekonfliktierung

Ein kognitiver Jammer, der isoliert operiert, ist eine Haftung, denn das wahrscheinlichste Opfer effektiven Jammings ist eigene Kommunikation. Kognitives EW muss daher innerhalb der Electromagnetic Spectrum Operations (EMSO) leben – der koordinierten, streitkräfteweiten Verwaltung des elektromagnetischen Spektrums für Erfassung, Kommunikation, elektronischen Angriff und elektronischen Schutz.

Konkret bedeutet EMSO-Integration, dass das kognitive EW-System sowohl Spektrumdaten konsumiert als auch produziert. Es konsumiert Spektrumaufgaben und Dekonfliktionsbeschränkungen – die geschützten Frequenzen, die geografischen und zeitlichen Grenzen, die Priorität eigener Systeme – und speist sie in die Beschränkungsschicht ein, die den Aktionsraum des RL-Agenten begrenzt. Es produziert einen Bericht seiner eigenen Emissionen zurück in das gemeinsame Lagebild, sodass Spektrummanager und andere EW-Mittel sehen, was es tut. Die Dekonfliktionslogik, die Friendly-Fire verhindert, ist dieselbe Disziplin, die in Spektrumdekonfliktierung bei Militäroperationen behandelt wird, hier als harte Beschränkung und nicht als Empfehlung angewendet.

Diese Integration ist auch mit dem Führungsbild bidirektional. Kommandeure müssen nicht nur verstehen, wo der Jammer sendet, sondern auch warum – was er bekämpft, welchen Effekt er schätzt zu erzielen, und welches Spektrum er wem verwehrt. Dieses Reasoning in der C2-Schicht sichtbar zu machen ist Gegenstand unseres Beitrags zum EW-Overlay in C2-Dashboards, und es ist das, was einen autonomen Jammer von einer Black Box zu einem befehlbaren EMSO-Asset macht.

Einschränkungen, Risiken und der Weg zur Zulassung

Kognitives EW erbt alle Risiken von eingesetztem Machine Learning und ergänzt die Konsequenzen der Übertragung von RF-Energie in einem gemeinsamen, umkämpften Spektrum. Drei Risiken dominieren.

Verteilungsverschiebung. Ein Agent, der gegen einen Sendersatz trainiert wurde, kann sich gegenüber einer echten neuartigen Wellenform unvorhersehbar verhalten. Die Abschwächung ist konservativ: Erkennen, wenn die Eingabe außerhalb der Trainingsverteilung fällt, die Autorität des Agenten verringern und auf eine konventionelle Technik mit einem bekannten Fehlermodus zurückfallen, anstatt einer out-of-distribution-Richtlinie das Improvisieren zu überlassen.

Gegnerische Manipulation. Ein fähiger Gegner kann Signale präsentieren, die so gestaltet sind, dass sie den Klassifikator irreführen oder die Belohnungsschätzung vergiften – indem er absichtlich auf Jamming in einer Weise reagiert, die den Agenten eine unwirksame Technik lehrt. Die Verteidigung dagegen erfordert dieselbe adversarielle Robustheitsarbeit wie bei jedem eingesetzten ML-System, plus eine gesunde Skepsis, die in den Belohnungsschätzer eingebaut ist.

Erklärbarkeit und Zulassung. Eine erlernte Richtlinie gibt keine menschenlesbare Begründung aus, was die Analyse nach dem Einsatz und die Zulassung erschwert, die eine feldtaugliche EW-Fähigkeit erfordert. Die praktische Antwort ist die oben beschriebene Beschränkungsschichten-Architektur: die begrenzte, überprüfbare Sicherheitshülle rigoros zulassen und die erlernte Richtlinie als Optimierer behandeln, der strikt innerhalb davon operiert. Umfassendes, unveränderliches Protokollieren jedes Einsatzes – Sendercharakterisierung, ausgewählte Technik und gemessener Effekt – gibt Analysten den Nachkampfpfad, den die Richtlinie selbst nicht liefern kann.

Keines dieser Risiken ist ein Grund, kognitives EW zu vermeiden; sie sind Gründe, es korrekt zu architektieren. Die Bedrohungen, die es motivieren – agile, softwaredefinierte, adaptive Sender – sind bereits im Einsatz, und ein kataloggesteuertes System hat keine Antwort auf sie.