مروری بر الگوریتم های مسیریابی AODV در مقابله با حمله سیاه چاله( Black Hole ) به شبکه ad-hoc وسایل نقلیه (VANET)
- سال انتشار: 1400
- محل انتشار: چهارمین همایش ملی فناوریهای نوین در مهندسی برق، کامپیوتر و مکانیک ایران
- کد COI اختصاصی: STCONF04_160
- زبان مقاله: فارسی
- تعداد مشاهده: 554
نویسندگان
دانشجوی کارشناسی ارشد، گروه کامپیوتر، موسسه آموزش عالی مقدس اردبیلی، اردبیل
هیئت علمی،گروه کامپیوتر، موسسه آموزش عالی مقدس اردبیلی، اردبیل
چکیده
شبکه ad-hoc وسایل نقلیه (VANET) به دلیل تامین امنیت و ایجاد ترافیک امن و کارآمد برای رانندگان و مسافران و با فراهم کردن شرایط ترافیک زمان واقعی برای خودروها توجه زیادی را در حوزه تحقیق سیستم های حمل و نقل هوشمند (ITS) به خود جلب کرده است، در این شبکه وسایل نقلیه به عنوان گره هایی با تحرک در نظر گرفته می شوند و تک تک گره ها می توانند به عنوان یک مسیریاب برای گره ها مورد استفاده قرار گیرند البته به دلیل تهدیدهایی که به طور مستقیم بر پروتکل های مسیریابی تاثیر می گذارند، همکاری بین گره های مختلف شبکه به منظور ایجاد یک مسیر ایمن بین فرستنده و گیرنده و تضمین ارتباط آنها از طریق شبکه و همچنین تضمین در دسترس بودن، یکپارچگی و محرمانه بودن اطلاعات انتقال یافته سخت است. ماهیت شبکه ad-hoc وسایل نقلیه (VANET) به گونه ای است که شبکه را در برابر چندین حمله مانند حمله سیاه چاله که بخشی از عدم سرویس دهی حملات DOS Disk Operating System آسیب پذیر می کند هدف از این حملات، اختلال در ارتباطات و خارج کردن یک یا چند سرویس برای جلوگیری از دسترسی کابران به آن است یک گره مخرب متصل به شبکه امکان دارد جدول مسیریابی جعلی را وارد شبکه کند و بعد از دریافت داده ها، مسیر را بدون انتقال به مقصد رها کند و به این وسیله عملکرد شبکه را مختل کند. در این مقاله برای حل این مشکل، برخی از پروتکل های مسیریابی AODV پیشنهادی برای تشخیص حملهسیاه چاله مورد بررسی قرار می گیردکلیدواژه ها
حملات امنیتی، شبکه ad-hoc وسایل نقلیه (VANET) ، حمله سیاه چاله Black Hole ، بردار فاصله ad-hoc روی تقاضا (AODV) ، نمودار کنترل شوهارت Shewhartمقالات مرتبط جدید
- بهینه سازی مدیریت انرژی در ریزشبکه ها با استفاده از الگوریتم های هوش مصنوعی
- مبانی، کاربردها و چالشهای یادگیری مشارکتی و تحلیل تجربی و مقایسه ابزارهای یادگیری فدرالی در پیاده سازی مدلهای یادگیری ماشین
- راهکارهای مبتنی بر هوش مصنوعی برای بهره وری انرژی در تولید سیمان: یک بررسی جامع
- معماری اینترنت اشیا مبتنی بر هوش مصنوعی در مدیریت انرژی هوشمند
- سیستم های EMS/BMS در ساختمان های ZEB و نمونههای اجرا شده آن در سطح جهانی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.