محدود سازی حمله سیاه چاله در شبکه‌های متحرک اقتضایی با استفاده از روش یادگیری q

شبکه‌های متحرک اقتضایی از جمله سیستم‌های خودکاری هستند که بدون ساختار مرکزی فرآیندهای جاری شبکه مانند مسیریابی، ارسال بسته‌ها و امن‌سازی ارتباط را انجام می‌دهند. محدودیت منابع، ساختار پویا، عدم وجود ساختار مرکزی از جمله چالش‌های موجود در این شبکه‌ها هستند. الگوریتم‌های مسیریابی بسیاری در این شبکه‌ها وجود دارند که مبنای تمامی آن‌ها لینک‌های قابل اعتماد و عدم وجود عامل مخرب می‌باشد. لذا الگوریتم‌های مسیریابی به صورت اولیه مکانیزم امنیتی خاصی برای جلوگیری و تشخیص حملات شبکه را ندارند و بر این اساس روش‌های مختلفی در جهت افزایش امنیت این پروتکل‌ها ارائه شده است. ایجاد سامانه‌های شناسایی هوشمند و بهینه‌سازی مصرف انرژی در فرآیند تشخیص نفوذ از جمله چالش‌های سامانه‌های ارائه شده می‌باشد. هدف ما نیز در این مقاله ارائه روشی برای امنیت پروتکل مسیریابیaodv در مقابله با حمله سیاه چاله می‌باشد که قابلیت هوشمند‌سازی فرآیند تشخیص نفوذ را داشته باشد و همچنین سربار کمی بر روی توان مصرفی بگذارد. در این جا با استفاده از الگوریتم q-learning که یکی از روش‌های یادگیری تکاملی می‌باشد، پروتکل مسیریابیaodv را به گونه­ای تغییر می‌دهیم که هر گره به عنوان یک عامل موثر در فرآیند مسیریابی با توجه به شرایط محیطی و بازخوردی که از تعامل با گره‌های همسایه خود دارد بتواند اثر حمله سیاه چاله را کاهش دهد و در نتیجه باعث افزایش گذردهی شبکه شود. ما با استفاده از شبیه ساز ns3 محیط آزمایشی را برای مقایسه روش ارائه شده ایجاد کرده‌ایم و عملکرد پروتکلaodv و روش ارائه شده، زمانی که شبکه تحت حمله سیاه چاله می‌باشد را مقایسه کرده و بهبود عملکرد شبکه را نشان می‌دهیم. همچنین پارامترهای الگوریتم q-learning و نقش آنها در عملکرد شبکه بررسی کرده و تاثیر هر کدام را نشان می‌دهیم.