بهبود پرس و جوی داده ها و حفظ امنیت در شبکه های وسایل نقلیه با استفاده از یادگیری عمیق و بلاکچین

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 32

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ARPR-6-3_001

تاریخ نمایه سازی: 20 اسفند 1404

چکیده مقاله:

پیشینه و اهداف: با پیشرفت شبکه های وسایل نقلیه و نیاز روزافزون به داده های دقیق و به موقع، چالش هایی مانند تاخیر در بازیابی داده ها و نگرانی های امنیتی به طور فزاینده ای مورد توجه قرار گرفته اند. روش های سنتی ذخیره سازی مبتنی بر ابر به دلیل فاصله زیاد بین وسایل نقلیه و سرورها، قادر به پاسخگویی به نیازهای زمانی و امنیتی نیستند. محاسبات لبه اگرچه راه حلی برای کاهش تاخیر است، اما به دلیل محدودیت های ذخیره سازی و مدیریت توزیع شده نیاز به بهبود دارد. پژوهش های پیشین عمدتا بر یکی از جنبه های بهینه سازی (کاهش تاخیر یا افزایش امنیت) متمرکز بوده اند و کمتر به ترکیب این دو هدف پرداخته اند. هدف این مقاله ارائه مدل بهینه سازی نوآورانه ترکیبی با استفاده از یادگیری عمیق و زنجیره بلوکی که علاوه بر تضمین امنیت زمان و تاخیر را مد نظر داشته باشد. این هدف با بهبود محل کش و ذخیره سازی و بازیابی اطلاعات و ذخیره اطلاعات مهم در زنجیره بلوکی انجام شده است، تا مدل مقیاس پذیری و انعطاف پذیر در برابر تغییرات ترافیکی و تقاضای کاربران باشد. روش ها : جامعه و نمونه شامل شبکه های وسایل نقلیه متحرک (VANETs) با در نظر گرفتن خدمت دهندههای لبه و گره های وسایل نقلیه است. که از مدل LSTM برای پیش بینی الگوهای ترافیکی و محبوبیت داده ها استفاده شده است و از زنجیره بلوکی با مکانیزم اجماع PoA و قراردادهای هوشمند برای ذخیره سازی امن داده ها استفاده شده است. ارزیابی عملکرد با معیارهای تاخیر، امنیت و مقیاس پذیری انجام شده است و با روش های موجود مانند Tabu Search, CCS-AGP, و Random Caching از نظر تاخیر و امنیت مقایسه شده اند یافته ها: مدل پیشنهادی تاخیر را به طور قابل توجهی کاهش داده (۱۰٪ تا ۳۰٪ نسبت به روش های مورد مقایسه) است. استفاده از زنجیره بلوکی تنها ۸٪ تاخیر اضافی ایجاد کرد در حالی که امنیت را به سطح «بسیار بالا» رساند. و سیستم در برابر افزایش تعداد گره ها و حجم داده ها پایدار و مقیاس پذیر عمل کرد. نتایج شبیه سازی نشان داد که ترکیب یادگیری عمیق و زنجیره بلوکی توازن بهینه ای بین عملکرد و امنیت برقرار می کند. نتیجه گیری: مدل پیشنهادی با ترکیب یادگیری عمیق و زنجیره بلوکی، نه تنها تاخیر را کاهش داده، بلکه امنیت و یکپارچگی داده ها را نیز تضمین کرده است.

نویسندگان

سیدابراهیم دشتی

دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی

فاطمه مویدی

دانشگاه لارستان