چکیده

اینترنت وسایل نقلیه (IoV) مفهومی نوظهور در سیستم های حمل ونقل هوشمند (ITS) است که هدف بهبود ایمنی عابران پیاده و رانندگان و نظارت بر ترافیک را دنبال می کند؛ اما ارتباطات اینترنت وسایل نقلیه در برابر حملات مختلف آسیب پذیر هستند. بنابراین امنیت در اینترنت وسایل نقلیه یک مسئله جدی است زیرا مستقیماً بر زندگی کاربران ان تأثیر می گذارد. یکی از مهم ترین حملات در این محیط، حمله انکارسرویس (DoS) است که از دسترسی به سرویس های اینترنت وسایل نقلیه جلوگیری می کند و از همه مهم تر باعث ترافیک و تصادفات جاده ای می شود و ایمنی کاربران را به خطر می اندازد. بنابراین، یک راه حل مبتنی بر یادگیری عمیق برای شناسایی حملات انکارسرویس در محیط اینترنت وسایل نقلیه پیشنهاد شده است. مدل پیشنهادی از شبکه عصبی کانولوشن 10لایه تشکیل شده است که می تواند انواع مختلف حملات انکارسرویس را بطور موثر تشخیص دهد. عملکرد مدل پیشنهادی با مجموعه داده واقعی و جدید VDoS-LRS ارزیابی شده است. نتایج تجربی نشان می دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت 100% رسیده است.

DoS attack detection in the IoV using convolutional neural network

The Internet of Vehicles (IoV) is an emerging concept in Intelligent Transportation Systems (ITS) that aims to improve pedestrian and driver safety and traffic monitoring, But the IoV is vulnerable to various attacks. Therefore, security in the IoV is a serious issue because it directly affects the lives of the users. One of the most important attacks in the IoV is the Denial of Service (DoS) attack, which prevents access to the services of IoV and most importantly causes traffic and road accidents and the safety of users. endangers Therefore, a solution based on deep learning is proposed to detect DoS attacks in the IoV. The proposed model consists of a 10-layer convolutional neural network that can effectively detect different types of denial of service attacks. The performance of the proposed model is evaluated with real and new VDoS-LRS dataset. Experimental results show that the proposed intrusion detection system has reached a 100% accuracy rate.

تبلیغات