دانلود رایگان ترجمه مقاله مدل نظارت همکاری بر اساس شافر- دمپستر جهت آشکارسازی وسایل نقلیه بدرفتار (نشریه الزویر ۲۰۱۴)
این مقاله انگلیسی ISI در نشریه الزویر در ۱۲ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۲۹ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
مدل نظارت همکاری بر اساس شافر- دمپستر جهت آشکارسازی وسایل نقلیه بدرفتار |
عنوان انگلیسی مقاله: |
A cooperative watchdog model based on Dempster–Shafer for detecting misbehaving vehicles |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۴ |
تعداد صفحات مقاله انگلیسی | ۱۲ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | شبکه های کامپیوتری، سامانه های شبکه ای، اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | ارتباطات رایانه ای – Computer Communications |
کلمات کلیدی | شبکه ادهاک وسایل نقلیه (وانت)، دمپستر-شفر، تشخیص همکاری، اعتبار، گره های مخرب منفعل |
ارائه شده از دانشگاه | گروه علوم کامپیوتر و ریاضیات ، دانشگاه آمریکایی لبنانی ، لبنان |
رفرنس | دارد ✓ |
کد محصول | F1464 |
نشریه | الزویر – Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۲۹ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
ترجمه متون داخل جداول | ترجمه نشده است ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | درج نشده است ☓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله متوسط میباشد |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده
در این مقاله، با استفاده از پروتکل QoS-OLSR ، به بررسی مسئله آشکارسازی وسایل نقلیه بدرفتار در شبکه بین خودرویی VANET می پردازیم. براساس این پروتکل، وسایل نقلیه احتمالا درطول تشکیل خوشه ها، یا بعد از تشکیل خوشه ها بدرفتاری کنند. وسیله نقلیه زمانی خودخواه یا بدرفتار است که از حداکثر سرعت بیشتر باشد یا از حداقل سرعت کمتر باشد، که چنین رفتاری به شبکه گسسته منجر می شود. بعنوان یک راه حل، مدل دو مرحله ای را پیشنهاد می دهیم که قادر به انگیزش گره ها به رفتار همکاری در طول تشکیل خوشه ها و آشکارسازی گره های بدرفتار بعد از تشکیل خوشه ها است. انگیزه ها به شکل اعتبار و اتصال به خدمات شبکه می باشند تا وسایل نقلیه را به رفتار همکاری در طول مرحله اول ترغیب کنند. وسایل نقلیه بدرفتار می توانند با رفتار نرمال در طول تشکیل خوشه ها و بدرفتاری بعد از تشکیل خوشه ها، از خدمات شبکه بهره گیرند. برای آشکارسازی وسایل نقلیه بدرفتار، مدل دیده بان همکاری مبتنی بر شافر- دمپستر مدلسازی می شود که در آن، شواهد تجمیع شده و تصمیم همکاری گرفته می شود. نتایج شبیه سازی نشان می دهند که مدل آشکارساز پیشنهادی، قادر به افزایش احتمال آشکارسازی، کاهش نگاتیو کاذب، کاهش درصد گره های خودخواه در شبکه وسایل نقلیه است و کیفیت خدمات و پایداری را نیز حفظ می کند.
۱- مقدمه
شبکه بین خودرویی VANET، نوع جدیدی از شبکه ادهاک است که توپولوژی محرک، مشخصه آن می باشد. VANET همانند MANET با مشکل گره های خودخواه مواجه می شود که احتمالا اجرای هر نوع پروتکل تخصیصی به آن را بتاخیر اندازند. با این حال، رسیدگی به این گره ها در VANET، به خاطر افزایش ابهام در آشکارسازی ناشی از تحرک بالای وسایل نقلیه، چالش برانگیز خواهد بود. کیفیت پروتکل QoS-OLSR، که یک پروتکل مسیریابی فعال است، برای مقابله با شبکه های ادهاک محرک مدلسازی شده اند. این پروتکل براساس انتخاب مجموعه سرخوشه های بهینه وتقسیم شبکه به خوشه ها می باشد. این سرخوشه ها، مسئول انتخاب مجموعه گره های مسئول انتقال اطلاعات توپولوژی شبکه و هدایت جریان ترافیک به جلو هستند. چنین گره هایی را گره رله چندنقطه ای MPR می نامند. این پروتکل، نسخه ارتقاء یافته QOLSR می باشد که عمر شبکه را در حالی که تابع QOS را محاسبه می کند، با در نظر داشتن انرژی گره ها طولانی می سازد، چون گره های MANET منابع انرژی محدودی دارند. با این حال، پارامتر انرژی، به خاطر عمرطولانی باطری وسیله نقلیه، اهمیت کمی در VANET دارد. جهت توسعه چنین پروتکلی به VANET، پارامترهای سرعت و فاصله باقیمانده، به جای انرژی باقیمانده باید به تابع اضافه شوند تا پایداری شبکه را بهبود بخشند.
براساس این پروتکل، وسایل نقلیه در طول تشکیل خوشه ها، و با ادعای اطلاعات جعلی یا بعد از تشکیل خوشه ها احتمال بدرفتاری کنند. وسیله نقلیه زمانی خودخواه یا بدرفتار تلقی می شود که نسبت به حداکثر/ حداقل حد سرعت، سرعت بیشتر/ کمتر داشته باشد. چنین رفتاری را، رفتار مخرب منفعل می نامند چون هدف وسایل نقلیه، حمله به عملکرد شبکه نیست بلکه، هدف آنها، بهینه سازی بازده خود، بدون توجه به رفاه حال دیگران است. آنها باعث اثرات منفی بر کل شبکه می شوند، همانند: ۱٫ افزایش درصد MPR 2. کاهش پایداری شبکه ۳٫ افزایش گسستگی خوشه ها و ۴٫ افزایش طول متوسط مسیر. برای حل مسائل بالا، مدل دومرحله ای را پیشنهاد می دهیم: ۱٫ وسایل نقلیه را به رفتار نرمال درطول تشکیل خوشه ها ترغیب کرده ۲٫ وسایل نقلیه بدرفتار را بعد از تشکیل خوشه ها آشکار می سازیم. در مرحله اول، انگیزه ها به شکل اعتبار داده شده اند و بر اساس اعتبار جمعی وسیله نقلیه، خدمات شبکه به آنها اختصاص داده می شود. وسایل نقلیه بدرفتار می توانند با رفتار نرمال در طول تشکیل خوشه خوش رفتاری کرده و بعد از تشکیل خوشه ها، بدرفتاری کنند. برای دستیابی به هدف خود، می توانیم از مدل دیده بان همکاری براساس نظریه شافر- دمپستر استفاده کنیم که شواهد، جهت بهبود احتمال آشکارسازی و کاهش آلارم های اشتباه، همبستگی دارند. بنابراین، بر مشکل ابهام موجود در آشکارسازی حاصل از تصادم بسته ها، تحرک بالای وسایل نقلیه، و دیده بان های بی ارزش، غلبه می کنیم. اعضای خوشسه، از جمله سرخوشه ها، بعنوان دیده بان و جهت نظارت بر رفتار MPRهای خود طراحی شده اند. برای غلبه بر مشکل برآورد اعتماد اولیه، از اعتبار محاسبه شده در مرحله یک استفاده می کنیم. خلاصه، مشارکت ما، مدل آشکارساز همکاری مبتنی بر شافر- دمپستر است که قادر به افزایش احتمال آشکارسازی و کاهش هشدارهای اشتباه است. ادامه این مقاله به شرح زیر است: بخش ۲ به بررسی اثار مربوطه می پردازد. بخش ۳ به فرمول بندی مسئله می پردازد، بخش ۴ به انگیزش اثر می پردازد. بخش ۵ به تبیین رویکردپیشنهادی می پردازد. بخش ۶ به تبیین مدل استفاده شده برای نتایج تجربی شبیه سازی می پردازد. در نهایت، بخش ۷ به نتیجه گیری مقاله می پردازد. |
بخشی از مقاله انگلیسی |
Abstract In this paper, we address the problem of detecting misbehaving vehicles in Vehicular Ad Hoc Network (VANET) using Quality of Service Optimized Link State Routing (QoS-OLSR) protocol. According to this protocol, vehicles might misbehave either during the clusters’ formation by claiming bogus information or after clusters are formed. A vehicle is considered as selfish or misbehaving once it over-speeds the maximum speed limit or under-speeds the minimum speed limit where such a behavior will lead to a disconnected network. As a solution, we propose a two-phase model that is able to motivate nodes to behave cooperatively during clusters’ formation and detect misbehaving nodes after clusters are formed. Incentives are given in the form of reputation and linked to network’s services to motivate vehicles to behave cooperatively during the first phase. Misbehaving vehicles can still benefit from network’s services by behaving normally during the clusters’ formation and misbehave after clusters are formed. To detect misbehaving vehicles, cooperative watchdog model based on Dempster–Shafer is modeled where evidences are aggregated and cooperative decision is made. Simulation results show that the proposed detection model is able to increase the probability of detection, decrease the false negatives, and reduce the percentage of selfish nodes in the vehicular network, while maintaining the Quality of Service and stability. ۱ Introduction Vehicular Ad Hoc Network (VANET) [16,20,19,9] is a new kind of ad hoc networks that is characterized by its highly mobile topology. Like Mobile Ad hoc Network (MANET), VANET encounters the problem of selfish nodes that may hinder the implementation of any protocol dedicated to it. However, dealing with these nodes in VANET is more challenging due to the increased ambiguity in the detection caused by the high mobility of vehicles. The Quality of Service Optimized Link State Routing (QoS-OLSR) protocol [10] is a proactive routing protocol modeled to cope with mobile ad hoc networks. It is based on electing a set of optimal cluster-heads and dividing the network into clusters. These heads are then responsible for selecting a set of designated nodes charged of transmitting the network topology information and forwarding the traffic flows. Such nodes are called MultiPoint Relay (MPR) nodes. This protocol is an enhanced version of QOLSR [1] that prolongs the network lifetime by considering the energy of nodes while calculating the QoS function since the nodes, in MANET, have limited energy resources. However, the energy parameter has a minimal importance in VANET due the long battery lifetime of vehicles. In order to extend such a protocol to VANET, velocity and residual distance parameters must be added to the QoS function instead of the residual energy to improve the network stability. According to this protocol, vehicles might misbehave either during the clusters’ formation by claiming bogus information or after clusters are formed. A vehicle is considered as selfish or misbehaving once it over-speeds the maximum road limit or underspeeds the minimum road limit. Such a behavior is considered as a passive malicious since vehicles do not aim to attack or impede the network functioning, but rather they tend to optimize their own gain neglecting the welfare of others [11]. They entail hence negative implications on the whole network such as the (1) increase in the percentage of MPRs, (2) decrease in the network stability, (3) increase in the clusters disconnections, and (3) increase in the average path length. To address the above problems, we propose a two-phase model that (1) motivates vehicles to behave normally during clusters’ formation and (2) detects misbehaving vehicles after clusters’ formation. In phase one, incentives are given in the form of reputation where networks’ services are offered based on vehicle’s accumulative reputation. Misbehaving vehicles can still benefit from networks’ services by behaving normally during the clusters’ formation and misbehave after clusters are formed. Thus, the main challenge that we are addressing in this paper and as phase two of our model is the detection of misbehaving vehicles after clusters formation. This is done by the means of cooperative watchdog model based on Dempster–Shafer theory [4] where evidences are correlated cooperatively in order to improve the probability of detection and reduce the false alarms. Thus, we overcome the problem of ambiguity in the detection resulting from packets collision, high mobility of vehicles, and untrustworthy watchdogs. The cluster-members, including the cluster heads, are designated as watchdogs to monitor the behavior of their MPRs where the evidences of any suspicious MPR are shared among all. To overcome the problem of initial trust estimates that the Dempster–Shafer suffers from, we use the reputation calculated in phase one for this purpose. In summary, our contribution is a cooperative detection model based on Dempster–Shafer that is able to increase the probability of detection and reduce the false alarms. The remainder of the paper is organized as follows. Section 2 reviews the related work. Section 3 formulates the problem. Section 4 motivates the work. Section 5 explains the proposed approach in details. Section 6 explains the model used for simulation and presents empirical results. Finally, Section 7 concludes the paper. |