بررسی روش های جدید تشخیص نفوذ در شبکه های خودرویی(vehicle) vanet (ad-hoc network)

با گسترش روزافزون فناوری‌های ارتباطی در صنعت حمل‌ونقل، شبکه‌های خودرویی (vanetها) به ‌عنوان یکی از زیرساخت‌های کلیدی شهرهای هوشمند شناخته می‌شوند. این شبکه‌ها با فراهم‌سازی ارتباط بین خودروها و زیرساخت‌های شهری، نقش مهمی در ارتقاء ایمنی، مدیریت ترافیک و بهبود کیفیت زندگی ایفا می‌کنند. با این حال، ویژگی‌هایی نظیر تحرک بالا، رسانه‌ی مشترک و فقدان زیرساخت‌های امنیتی متمرکز، vanetها را به هدفی جذاب برای مهاجمان سایبری تبدیل کرده‌اند. در سال‌های اخیر، مطالعات متعددی به بررسی راهکارهای تشخیص نفوذ در این شبکه‌ها پرداخته‌اند. برخی از این پژوهش‌ها، تلاش کرده‌اند با ترکیب یادگیری ماشین و پروتکل‌های رمزنگاری، امنیت ارتباطات v2x را ارتقاء دهند. با وجود تلاش‌های صورت‌گرفته، این مقاله بیشتر بر جنبه‌های الگوریتمی تمرکز دارد و از لحاظ پوشش جامع تهدیدات و ارزیابی عملیاتی، کاستی‌هایی دارد که در مطالعات جدیدتر با دیدگاه‌های دقیق‌تر مورد توجه قرار گرفته‌اند[12]. با گسترش روزافزون شبکه‌های خودرویی (vanet)، امنیت این شبکه‌ها به یکی از چالش‌های مهم در حوزه حمل‌ونقل هوشمند تبدیل شده است. حملات سایبری می‌توانند منجر به ایجاد اختلال در تبادل داده‌های حیاتی بین خودروها و زیرساخت‌ها شوند. در سال‌های اخیر، استفاده از روش‌های نوین مانند یادگیری ماشین، یادگیری فدرال، دیجیتال تویین، و الگوریتم‌های هیبریدی به منظور تشخیص نفوذ در vanet مورد توجه محققان قرار گرفته است. این پژوهش به بررسی و مقایسه این روش‌ها پرداخته و مزایا، محدودیت‌ها و چالش‌های هر رویکرد را تحلیل می‌نماید.

investigation of new methods of intrusion detection in vanet (ad-hoc network)

with the rapid advancement of communication technologies in the transportation industry, vehicular ad-hoc networks (vanets) have emerged as a key infrastructure component of smart cities. by enabling communication between vehicles and urban infrastructure (commonly referred to as v2x communication—vehicle-to-everything), these networks play a crucial role in enhancing road safety, traffic management, and overall quality of life. however, characteristics such as high mobility, shared wireless medium, and the lack of centralized security infrastructure make vanets particularly vulnerable and attractive targets for cyber attackers. in recent years, numerous studies have focused on intrusion detection systems (ids) for vanets. some of these works have attempted to enhance v2x communication security by integrating machine learning (ml) techniques with cryptographic protocols. despite these efforts, many existing approaches primarily emphasize algorithmic aspects and suffer from limitations in terms of comprehensive threat coverage and operational evaluation—gaps that have been addressed more rigorously in recent studies with more refined perspectives [12]. as vanets continue to expand, their security has become one of the critical challenges in intelligent transportation systems. cyberattacks can disrupt the exchange of safety-critical data between vehicles and infrastructure, potentially leading to severe consequences. recently, researchers have turned their attention to novel methods for intrusion detection in vanets, including machine learning, federated learning, digital twins, and hybrid algorithms. this study investigates and compares these approaches, analyzing the advantages, limitations, and challenges associated with each.