ارائه یک راهکار جدید در تکنیک بکار گرفته شده در پروتکل aran جهت بهینه نمودن و افزایش کارآیی مسیریابی امن در شبکه های سیار موردی

جهت برقراری امنیت در مسیریابی در شبکه های موردی، پروتکل های مسیریابی امن متفاوتی ارائه شده اند. اما متاسفانه روش بکار گرفته شده در برخی از این پروتکل ها ناکارآمد بوده و برخلاف افزایش امنیت، باعث کاهش کارایی و بهینگی شده و یا اشکالات و نواقصی را بدنبال دارند. ما در این مقاله ابتدا به معرفی یکی از این پروتکل های مسیریابی امن به نام aran پرداخته و نشان داده ایم که اگرچه این پروتکل در عملیات مسیریابی در شبکه های موردی، امنیت را ایجاد نموده است اما تکنیک بکار گرفته شده در آن برای برقراری امنیت علاوه بر مصرف انرژی زیاد (که یکی از محدودیت های اصلی شبکه های بی سیم می باشد) با افزایش سایز بسته های مسیریابی، نرخ سربار را نیز افزایش داده و در نتیجه افزایش تاخیر و کاهش سرعت را نیز بدنبال داشته است. ما در این مقاله با ارائه ی راه کاری جدید به جای تکنیک بکارگرفته شده در aran سعی در برطرف نمودن مشکلات و ناکارآمدی آن نموده و باعث بهینه و کارآمدتر شدن آن شد ه ایم بطوریکه نتایج حاصل از شبیه سازی نشان می دهد که اعمال روش پیشنهادی ما در این الگوریتم با کاهش اندازه بسته های مسیریابی و نرخ سربار حاصل از آن باعث کاهش میزان مصرف انرژی شده و همچنین زمان احراز هویت و بدنبال آن زمان مسیریابی را نیز کاهش داده است.

A study on DBSCAN Clustering algorithm issues and a survey on its improvements

Clustering is an important knowledge discovery technique in the database. Densitybased clustering algorithms are one of the main methods for clustering in data mining. These algorithms have some special features including being independent from the shape of the clusters, highly understandable and ease of use. DBSCAN is a base algorithm for densitybased clustering algorithms. DBSCAN is able to detect clusters with different sizes and shapes in huge amounts of data and is also resistant to noise. Despite its advantages, this algorithm has its own drawbacks such as the difficulty in determining appropriate values for input parameters, inability to detect clusters with different density and inability to detect appropriate clusters when they are too close.Since 1996 that DBSCAN has been introduced, many different algorithms have been proposed as improvements of DBSCAN. In this paper, firstly the drawbacks of DBSCAN algorithm are discussed. Secondly, we review and discuss DBSCAN improvement algorithms in order to know the pros and cons of each algorithm and their success in improving DBSCAN algorithm. We also implemented some of these algorithms according to our studies and tested them according to the clustering evaluation criteria on standard data sets, so that we would to be able to judge the algorithms better.