تشخیص نفوذ در تبادلات داده vanet با استفاده از یادگیری ماشین برای شهرهای هوشمند

شبکه های ad hoc وسایل نقلیه (vanets) ارتباط بی سیم بین وسایل نقلیه و زیرساخت ها را امکان پذیر می کنند. وسایل نقلیه متصل در سیستم های حمل و نقل هوشمند (its) و شهرهای هوشمند امیدوارکننده هستند. هدف اصلی vanet بهبود ایمنی، راحتی، راندمان رانندگی و زمان انتظار در جاده است. با این حال، به دلیل عدم وجود زیرساخت متمرکز، در برابر حملات امنیتی مختلف آسیب پذیر است. اخیراً، با توجه به توسعه سریع و نتایج قابل توجه رویکردهای یادگیری عمیق (dl) و یادگیری ماشین (ml) در حوزه‌های مختلف مانند هوش مصنوعی (ai)، نیاز شدیدی به استفاده از امنیت شبکه نیز وجود دارد. شبکه‌های وسایل نقلیه کیفیت زندگی، امنیت و ایمنی را بهبود بخشیده و آن‌ها را برای توسعه شهر هوشمند لازم ساخته‌است. با پیشرفت چشمگیر وسایل نقلیه هوشمند، نگرانی‌های امنیتی و محرمانه بودن در مورد شبکه‌های تک‌کاربردی وسایل نقلیه (‏vanet ها) ‏توجه زیادی را به خود جلب کرده‌است. امروزه در عصر فناوری ارتباطات اطلاعاتی (ict)، سیستم تشخیص نفوذ (id) پتانسیل بالایی در تامین امنیت در برابر حملات سایبری دارد و نقشی حیاتی در دستیابی به زیرساخت ها و منابع شبکه ایفا کند. سیستم های شناسایی متعارف برای شناسایی تهدیدات مخرب پیشرفته به اندازه کافی قوی نیستند. ناهمگونی یکی از ویژگی های مهم داده های بزرگ است. روش پیشنهادی این مقاله تشخیص نفوذگر با صرفه جویی در زمان و منابع میباشد.در مرحله اول با استفاده از یک روش یادگیری متمرکز برای دسته بندی idsها جهت یادگیری عمیق و محیطی برای جریان داده در vanet استفاده میشود سپس آنها دسته بندی کننده های محیطی خود را به اشتراک میگذارند. این روش به طور قابل توجهی ترافیک ارتباطی با وسایل نقلیه مجاور را کاهش میدهد.پس از آن با استفاده از شبکه های عصبی کنترل کننده های وسایل نقلیه ساخته میشوند. اثربخشی روش پیشنهادی برای تشخیص نفوذ در vanet ها با استفاده از شاخص‌های عملکردی مانند نرخ تشخیص حمله، دقت طبقه‌بندی، دقت، یادآوری و نمرات f1 بر روی جریان داده ton - iot ارزیابی می‌شود.