مروری بر کاربردهای یادگیری ماشین هوش گروهی و مسیریابی امن مبتنی بر اعتماد

گسترش روزافزون شبکه های اینترنت اشیا (IoT) چالش های پیچیده ای را در زمینه مسیریابی داده ها به همراه داشته است. تغییرات مداوم توپولوژی به دلیل تحرک پذیری، ازدحام مسیرهای ارسال بسته ها و آسیب پذیری در برابر حملات سایبری باعث شده اند تا پروتکل های مسیریابی سنتی کارایی و پایداری لازم را نداشته باشند. در پاسخ به این چالش ها استفاده از رویکردهای مبتنی بر هوش مصنوعی و الگوریتم های بهینه سازی به عنوان یک راهکار اساسی مورد توجه پژوهشگران قرار گرفته است. این مقاله مروری به بررسی و تحلیل سه رویکرد نوین مسیریابی در اینترنت اشیا با تمرکز بر سه محور حیاتی «پیش بینی و کنترل ازدحام در IoT»، «مدیریت تحرک در MIoT» و «مسیریابی امن مبتنی بر اعتماد در RPL» می پردازد. در این راستا، روش مبتنی بر ترکیب یادگیری ماشین با الگوریتم جستجوی عروس دریایی برای پیش بینی ترافیک و انتخاب مسیرهای بهینه، بهره گیری از مدل های مختلف یادگیری ماشین نظیر درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، گرادیان تقویت شده و بیز ساده برای انتخاب گره های واسط در شبکه های متحرک و استفاده از یادگیری تقویتی (Q-Learning) ترکیب شده با سیستم های ارزیابی اعتماد برای شناسایی و انزوای گره های مخرب مورد تحلیل قرار گرفته اند. نتایج نشان می دهد که رویکردهای هوشمند مورد بررسی با توجه به هدف هر روش در سه سطح کاهش تاخیر، بهبود دقت تصمیم گیری و افزایش امنیت و ارتقا عملکرد مسیریابی شبکه های اینترنت اشیا موثرند. در نهایت این مقاله با شناسایی چالش های باز نظیر سربار محاسباتی، مقیاس پذیری و پیچیدگی الگوریتم ها، جهت گیری های پژوهشی آینده را برای توسعه پروتکل های هوشمند کارآمد و امن ترسیم می نماید.

کلیدواژه ها:

اینترنت اشیا (IoT) ، مسیریابی هوشمند ، یادگیری ماشین ، هوش گروهی ، یادگیری تقویتی ، مسیریابی ، امن ، ارزیابی ، اعتماد ، کنترل ازدحام ، تحرک پذیری ، الگوریتم جستجوی عروس دریایی