تشخيص نفوذ در تبادلات داده VANET با استفاده از يادگيري ماشين براي شهرهاي هوشمند

Intrusion Detection in VANET Data Exchanges Using Machine Learning for Smart Cities

شبكه هاي ad hoc وسايل نقليه (VANETs) ارتباط بي سيم بين وسايل نقليه و زيرساخت ها را امكان پذير مي كنند. وسايل نقليه متصل در سيستم هاي حمل و نقل هوشمند (ITS) و شهرهاي هوشمند اميدواركننده هستند. هدف اصلي VANET بهبود ايمني، راحتي، راندمان رانندگي و زمان انتظار در جاده است. با اين حال، به دليل عدم وجود زيرساخت متمركز، در برابر حملات امنيتي مختلف آسيب پذير است. اخيراً، با توجه به توسعه سريع و نتايج قابل توجه رويكردهاي يادگيري عميق (DL) و يادگيري ماشين (ML) در حوزه‌هاي مختلف مانند هوش مصنوعي (AI)، نياز شديدي به استفاده از امنيت شبكه نيز وجود دارد. شبكه‌هاي وسايل نقليه كيفيت زندگي، امنيت و ايمني را بهبود بخشيده و آن‌ها را براي توسعه شهر هوشمند لازم ساخته‌است. با پيشرفت چشمگير وسايل نقليه هوشمند، نگراني‌هاي امنيتي و محرمانه بودن در مورد شبكه‌هاي تك‌كاربردي وسايل نقليه (‏VANET ها) ‏توجه زيادي را به خود جلب كرده‌است. امروزه در عصر فناوري ارتباطات اطلاعاتي (ICT)، سيستم تشخيص نفوذ (ID) پتانسيل بالايي در تامين امنيت در برابر حملات سايبري دارد و نقشي حياتي در دستيابي به زيرساخت ها و منابع شبكه ايفا كند. سيستم هاي شناسايي متعارف براي شناسايي تهديدات مخرب پيشرفته به اندازه كافي قوي نيستند. ناهمگوني يكي از ويژگي هاي مهم داده هاي بزرگ است. روش پيشنهادي اين مقاله تشخيص نفوذگر با صرفه جويي در زمان و منابع ميباشد.در مرحله اول با استفاده از يك روش يادگيري متمركز براي دسته بندي IDsها جهت يادگيري عميق و محيطي براي جريان داده در VANET استفاده ميشود سپس آنها دسته بندي كننده هاي محيطي خود را به اشتراك ميگذارند. اين روش به طور قابل توجهي ترافيك ارتباطي با وسايل نقليه مجاور را كاهش ميدهد.پس از آن با استفاده از شبكه هاي عصبي كنترل كننده هاي وسايل نقليه ساخته ميشوند. اثربخشي روش پيشنهادي براي تشخيص نفوذ در VANET ها با استفاده از شاخص‌هاي عملكردي مانند نرخ تشخيص حمله، دقت طبقه‌بندي، دقت، يادآوري و نمرات F1 بر روي جريان داده ToN - IoT ارزيابي مي‌شود.