ارائه یک پروتکل بهینه سازی شده و مقاوم در برابر حملات سیاهچاله و کرمچاله (AODV-OBW) در شبکه های فناوری آینده

شبکه های ادهاک پروازی (FANET) به دلیل کاربردهای گسترده در حوزه هایی نظیر عملیات نظامی، امداد و نجات، و پایش محیط زیست بهطور روزافزون مورد توجه قرار گرفته اند. با این حال، ویژگی های ساختاری FANET نظیر پویایی بالا و ساختار غیرمتمرکز، آنها را در معرض تهدیدات امنیتی جدی مانند حملات سیاهچاله و کرمچاله قرار می دهد. در حمله سیاهچاله، گره مخرب با هدایت بسته های داده به سمت خود، از رسیدن آنها به مقصد جلوگیری می کند، در حالی که در حمله کرمچاله، مسیرهای جعلی ایجاد شده و داده ها منحرف می شوند. این تهدیدات می توانند منجر به کاهش کارایی شبکه و از دست رفتن اطلاعات حیاتی شوند. پروتکل های مسیریابی سنتی مانند AODV و DSR به دلیل ضعف های ذاتی در مکانیزم های امنیتی قادر به شناسایی و مقابله موثر با این حملات نیستند. برای رفع این چالش، پژوهش حاضر پروتکل AODV-OBW را معرفی می کند که با استفاده از الگوریتم های یادگیری ماشین و مکانیزم های امنیتی بهبود یافته، توانایی باالایی در شناسایی و مقابله با این حملات نشان داده است. در این پژوهش، یک شبکه FANET با ۱۰۰ گره در محیط شبیه سازی NS۳ طراحی شد و حملات سیاهچاله و کرمچاله شبیه سازی شدند. سپس، داده های جمع آوری شده با استفاده از مدل های یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم و شبکه عصبی مصنوعی مورد تحلیل قرار گرفتند. نتایج نشان داد که پروتکل پیشنهادی با دقت ۹۹.۷۱٪ و صحت ۹۸.۷۴٪، عملکرد بهتری نسبت به پروتکل های سنتی مانند SEEDRP با دقت ۹۷٪ ارائه می دهد. روش پیشنهادی شامل چند مرحله کلیدی است: طراحی و شبیه سازی شبکه، اعمال حملات سایبری، جمع آوری و پیش پردازش داده ها، و آموزش مدل های طبقه بندی. همچنین، برای انتخاب ویژگی های موثر، از روش اطلاعات متقابل استفاده شد که تنها ۹٪ از ویژگی ها را برای آموزش مدل ها انتخاب کرد. این رویکرد علاوه بر افزایش دقت، باعث کاهش زمان پردازش شد. از نظر ارزیابی، مدل جنگل تصادفی با کمترین افت دقت پس از انتخاب ویژگی ها، نسبت به سایر مدل ها برتری داشت. همچنین، درخت تصمیم و شبکه عصبی نیز به ترتیب نتایج مطلوبی در شرایط مختلف نشان دادند. بررسی ماتریس اغتشاش نیز موید کارایی باالی روش پیشنهادی در تفکیک حملات از ترافیک عادی شبکه است. نتایج این پژوهش نشان می دهد که استفاده از الگوریتم های یادگیری ماشین در طراحی پروتکل های امنیتی می تواند بهطور قابل توجهی امنیت شبکه های FANET را افزایش دهد. در آینده، پیشنهاد می شود این پروتکل در شرایط واقعی و با استفاده از تکنیک های پیشرفته تر نظیر بلاکچین و یادگیری انتقالی آزمایش شود. همچنین، پیاده سازی آنلاین این روش می تواند به بهبود قابلیت اعتماد شبکه در محیط های عملیاتی کمک کند.

کلیدواژه ها:

شبکه ادهاک پروازی ، حملات سیاهچاله و کرمچاله ، پروتکل AODV-OBW ، یادگیری ماشین ، امنیت شبکه