محدود سازي حمله سياه چاله در شبكه هاي متحرك اقتضايي با استفاده از روش يادگيري Q

شبكه هاي متحرك اقتضايي از جمله سيستمهاي خودكاري هستند كه بدون ساختار مركزي فرآيندهاي جاري شبكه مانند مسيريابي، ارسال بسته ها و امنسازي ارتباط را انجام ميدهند. محدوديت منابع، ساختار پويا، عدم وجود ساختار مركزي از جمله چالش هاي موجود در اين شبكه ها هستند. الگوريتم هاي مسيريابي بسياري در اين شبكه ها وجود دارند كه مبناي تمامي آنها لينك هاي قابل اعتماد و عدم وجود عامل مخرب مي باشد. لذا الگوريتم هاي مسيريابي به صورت اوليه مكانيزم امنيتي خاصي براي جلوگيري و تشخيص حملات شبكه را ندارند و بر اين اساس روش هاي مختلفي در جهت افزايش امنيت اين پروتكل ها ارائه شده است. ايجاد سامانه هاي شناسايي هوشمند و بهينه سازي مصرف انرژي در فرآيند تشخيص نفوذ از جمله چالش هاي سامانه هاي ارائه شده مي باشد. هدف ما نيز در اين مقاله ارائه روشي براي امنيت پروتكل مسيريابيAODV در مقابله با حمله سياه چاله مي باشد كه قابليت هوشمندسازي فرآيند تشخيص نفوذ را داشته باشد و همچنين سربار كمي بر روي توان مصرفي بگذارد. در اين جا با استفاده از الگوريتم Q-Learning كه يكي از روش هاي يادگيري تكاملي مي باشد، پروتكل مسيريابيAODV را به گونه اي تغيير مي دهيم كه هرگره به عنوان يك عامل موثر در فرآيند مسيريابي با توجه به شرايط محيطي و بازخوردي كه از تعامل با گره هاي همسايه خود دارد بتواند اثر حمله سياه چاله را كاهش دهد و در نتيجه باعث افزايش گذردهي شبكه شود. ما با استفاده از شبيه ساز NS3 محيط آزمايشي را براي مقايسه روش ارائه شده ايجاد كردهايم و عملكرد پروتكلAODV و روش ارائه شده، زماني كه شبكه تحت حمله سياه چاله مي باشد را مقايسه كرده و بهبود عملكرد شبكه را نشان مي دهيم. همچنين پارامترهاي الگوريتم Q-Learning و نقش آنهادر عملكرد شبكه بررسي كرده و تاثير هر كدام را نشان مي دهيم.