اینترنت وسایل نقلیه

اینترنت وسایل نقلیه، چارچوب جدیدی برای سیستم های حمل ونقل هوشمند است که یکی از اهداف آن بهبود ایمنی و افزایش کیفیت سفرهای جاده ای است. تغییرات توپولوژی در اینترنت وسایل نقلیه، کارکرد برنامه های ایمنی را با چالش های اساسی روبه رو می کند. به علت تنوع شرایط ترافیکی، قابلیت اطمینان روش های خوشه بندی فعلی با ریسک های زیادی مواجه می شود. در این پژوهش با هدف افزایش قابلیت اطمینان در اینترنت وسایل نقلیه، یک مدل خوشه بندی چند معیاره و بدون وابستگی به زیرساخت به نام RFCV پیشنهاد شده است و با معرفی چهار معیار جدید با عنوان «سابقه تحرک خودرو»، «تطابق سرعت خودرو با میانگین هارمونیک سرعت خودروهای نزدیک»، «تعداد همسایگان مطمئن خودرو» و «کیفیت عملکرد در خوشه های قبلی»، خودروهای در حال حرکت وزن دهی می شوند و یکی از آن ها با بهترین وزن به عنوان سرخوشه انتخاب می شود و یک سرخوشه جایگزین نیز برای بهبود پایداری خوشه تعیین می شود. پایداری خوشه باعث می شود تبادل پیام در نزدیک ترین زمان نسبت به زمان واقعی میسر شود. کارایی طرح پیشنهادی از نظر تئوری اثبات شده است و شبیه سازی با سناریوهای متعدد در محیط SUMO و NS3، نمایانگر برتری روش RFCV در افزایش «طول عمر مسیر و نرخ تحویل بسته ها» و کاهش «میانگین تأخیر و سربار کنترلی» در محیط های متراکم شهری و کم تراکم بزرگ راهی است.

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.