بهینه سازی ترکیبی با یادگیری مجموعه برای اطمینان از پایداری شبکه vanet بر اساس تجزیه و تحلیل عملکرد

تحرک زیاد وسیله نقلیه، تغییر تراکم وسیله نقلیه و فاصله بین خودروهای در حال حرکت، همه مسائل مهم در محیط vanet هستند. در نتیجه، یک پروتکل مسیر یابی بهینه، عملکرد کلی vanet را با امکان دسترسی مکرر به سرویس، بهبود میبخشد. همچنین شناسایی حملات در vanet برای برقراری ارتباط امن تر و مطمئن تر بین تمام وسایل نقلیه در سیستم بسیار مهم است؛ بنابراین، یک تکنیک یادگیری ماشینیمبتنی بر مجموعه برای پیشبینی تحرک vanet استفاده میشود. در این پایاننامه، یک سیستم تشخیص نفوذ هوشمند موثر با استفاده از روشهای یادگیری ماشین و یادگیری عمیق مانند سیستم استنتاج فازی عصبی تطبیقی و شبکه های عصبی مصنوعی پیشنهاد شده است. در این روشهای نه تنها بر شناسایی حملات شناخته شده در محیط vanet نظارت دارد بلکه مسیریابی خودکار نیز انجام میشود. الگوریتم های یادگیری ماشین مورد استفاده شامل شبکه عصبی مصنوعی و شبکه فازی میباشد. پارامترهای ارزیابی روش شامل: درستی، توان عملیاتی، میزان افت، انرژی، مصرف و تاخیر هست که از 5 کره تا 80 گره محاسبه شده و خروجی نشاندهنده توان بالای الگوریتم برای بهینه سازی مسیریابی خودکار میباشد.