محمد رحمانی منش
سعید جلیلی

پروتکل های پایه شبکه های بی سیم اقتضایی مانند DSR و AODV به دلیل در نظر نگرفتن مسائل امنیتی در مقابل شمار زیادی از حملات آسیب پذیر می باشند. با توجه به این مساله گره های متخاصم می توانند به راحتی فرآیند عادی اجرای پروتکل را به هم زده و عملیات شبکه را مختل نمایند. یکی از مکانیزم هایی که برای امن کردن شبکه ب یسیم اقتضایی به کار می رود، تشخیص گره های متخاصم و حذف این گره ها از عملیات شبکه با توجه به دنباله رفتارها و وقایع نسبت داده شده به آن ها می باشد. سوءرفتار گره متخاصم با توجه به دنباله رفتارهای منتسب به یک گره به خصوص در مورد حملات پیچیده و با سناریوهای مختلف نم یتواند به سادگی تشخیص داده شود و یکی از چال شهای پیش روی محققان م یباشد. در این مقاله با رویکرد یادگیری ماشین و با استفاده از دسته بند C4.5 متخاصم بودن گره را تشخیص م یدهیم. در روش پیشنهادی، ابتدا به رفتارهای یک گره در یک بازه زمانی برچسب عادی یا غیر عادی می زنیم، سپس حد آستانه ای برای تعداد بازه هایی که یک گره برچسب غیرعادی می خورد برای اینکه کلا گره را به عنوان متخاصم در نظر بگیریم را با استفاده از یادگیری تعیین می نماییم. نتایج شبیه سازی نشان می دهد که دسته بند C4.5 نتایج بهتری را نسبت به دسته بندهای Logistic و Naïve Bayes ،Radial basis function و نتایج مشابه دسته بند Ripper تولید می کند. این دسته بند می تواند به خوبی بین گر ه های عادی و متخاصم تمایز ایجاد نماید و نرخ تشخیص درست بالا با نرخ تشخیص نادرست پایین را به همراه دارد

امنیت شبکه بی سیم اقتضایی، تشخیص سوءرفتار، یادگیری ماشین، دسته بند C4.5