محدود سازی حمله سیاه چاله در شبکه های متحرک اقتضایی با استفاده از روش یادگیری Q

شبکه های متحرک اقتضایی از جمله سیستمهای خودکاری هستند که بدون ساختار مرکزی فرآیندهای جاری شبکه مانند مسیریابی، ارسال بسته ها و امنسازی ارتباط را انجام میدهند. محدودیت منابع، ساختار پویا، عدم وجود ساختار مرکزی از جمله چالشهای موجود در این شبکه ها هستند. الگوریتمهای مسیریابی بسیاری در این شبکه ها وجود دارند که مبنای تمامی آنها لینکهای قابل اعتماد و عدم وجود عامل مخرب میباشد. لذا الگوریتم های 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 سامانه های شناسایی هوشمند و بهینه سازی مصرف انرژی در فرآیند تشخیص نفوذ از جمله چالشهای سامانه های 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 گونه ای تغییر میدهیم که هرگره به عنوان یک عامل موثر در فرآیند مسیریابی با توجه به شرایط محیطی و بازخوردی که از تعامل با گره های 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 آنهادر عملکرد شبکه بررسی کرده و تاثیر هر کدام را نشان میدهیم.