شبیه سازی تشخیص حمله سیبیل در شبکه VANET با NS2

شبیه سازی تشخیص حمله سیبیل در شبکه VANET با NS2

شبیه سازی مقاله Detecting Sybil attacks in VANETs

در این پست پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET را در NS2 با عنوان مقاله Detecting Sybil attacks in VANETs به همراه ترجمه مقاله آماده کرده ایم که در ادامه به توضیحاتی در رابطه با آن پرداخته و فیلم و تصاویری از خروجی قرار داده شده است. مقاله نیز به صورت رایگان قابل دانلود می باشد.

حملات سیبیل (Sybil Attack) از تهدیدات امنیتی مهم در شبکه های ادهاک (ad hoc) و شبکه های حسگر می باشد. حمله Sybil با ایجاد یک تصور از ازدحام ترافیک، اختلالاتی را در کاربرد های شبکه های ادهاک وسایل نقلیه (VANETs) فراهم می سازد. در پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET، تلاش شده است تا به کمک آنالیز توزیع قدرت سیگنال، حملات سیبیل کشف شود.

در مرحله اول، یک روش همکاری به منظور بررسی مکان گره های سیبیل پیشنهاد می شود. سپس به منظور قوی کردن روش همکاری در مقابل داده های که در فواصل دور تری هست و از سوی گره های سیبیل جعل شده اند، یک الگوریتم مبتنی بر اجماع نمونه تصادفی (RANSAC) مورد استفاده قرار می گیرد.

با توجه به مدل های ترافیکی و نقشه های واقعی، می توانیم برای ارزیابی انعطاف پذیری و کارایی، روش ارائه شده را به وسیله شبیه سازی تجزیه و تحلیل کنیم. توضیحات بیشتر، دانلود رایگان مقاله، فیلم و تصاویر خروجی پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET با نرم افزار NS2 در ادامه مطلب.

روش پیشنهادی ثابت می کند که یک روش مقرون به صرفه به جهت سرکوب حملات سیبیل بدون پشتیبانی اضافه از موقعیت سخت افزار خاص، می باشد. همچنین نتایج شبیه سازی نشان دهنده این است که با در نظر گرفتن بی ثبات انتشار رادیویی، روش همکاری دقت محدودی دارد. روش فوق از سوی اندازه گیری های جعل شده هنوز توسط گره های سیبیل آسیب پذیر می باشد.

به منطور به کاری گیری این روش همکاری در شبکه VANET می بایست گام بلقوه ای را اضافه کرد که اطمینان حاصل کنیم اندازه گیری های صورت گرفته از طرف گره های فیزیکی مجاز صورت گرفته و نه از سوی یک گره سیبیل. به جهت حل مشکل فوق، یک سیستم PES (سیستم شاهد وجود) پیشنهاد می شود که به کمک آن می توان مطمئن شدکه گره های مقابل همان گره های فیزیکی می باشند و همچنین اندازه گیری های قدرت سیگنال آنها قابل اعتماد می باشد.

سیستم پیشنهادی از خواص ذاتی VANET ها همون تحرک بالا، توپولوژی جاده، و هیمنطور پشتیبانی غیر مستقیم از زیر ساخت های کنار جاده ای بهره مند می شوند. از سوی دیگر، نتیجه می گیریم که می توانیم با افزایش مدت زمان بررسی، اندازه گیری قدرت سیگنال بیشتری داشته باشیم. به این حال بهبود دقت و صحت تشخیص را در نتیجه کار خواهیم داشت. به رهبری این الهام، ما یک روش تشخیص آماری ارائه می دهیم. روش آماری آزمون فرض بر روی اندازه گیری های انباشته شده انجام می دهد و سعی می کند راجع به اینکه آیا اندازه گیری ها با یک الگوی توزیع مطابقت می کند یا خیر قضاوت نماید.

مدل حمله سیبیل:

در پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET حملات سیبیل (Sybil Attack) به یک گره مخرب که از چندین هویت جعلی استفاده می کند مراجع می کند. اغلب در شبکه های بی سیم، گره های متحرک با استفاده از بسته های فانوس از وجود همسایه های خود و هویت و موقعیت آنها، با توزیع همه پخشی اطلاع پیدا می کنند.

روش کشف حمله در پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET به دو حالت IMPROVED و PRIVIOUS می باشد و با پارامتر هایی از جمله زمان، انحراف گره های سیبیل و تراکم خودرو ها مورد بررسی قرار گرفته اند که در ادامه فیلم و تصاویر خروجی آن قابل مشاهده است.

تصاویر خروجی پروژه شبیه سازی تشخیص حمله سیبیل در شبکه VANET:

تصویر خروجی 1:

(اجرای فایل nam)

تصویر خروجی 2:

(تاثیر زمان مشاهده بر نرخ کشف گره سیبیل – نمودار عمودی درصد نرخ کشف و نمودار افقی زمان را نشان می دهد)

در شبیه سازی تصویر بالا، از انحراف گره سیبیل ۵ متر و ۱۰ متر و همچنین زمان مشاهده ۱۵ ثانیه استفاده شده است. نتایج نشان دهنده آن است که روش IMPROVED با انحراف ۱۰، بیشترین دقت کشف را در تشخیص گره های سیبیل داراست و نرخ تشخیص گره سیبیل به بیشتر از ۹۲ درصد می رسد. روش IMPROVED با انحراف ۵ دقت کمتری را دارد. همچنین روش PRIVIOUS با انحراف ۵ کمترین دقت را در کشف دارا می باشد.

تصویر خروجی 3:

(تاثیر تراکم خودرو ها بر روی نرخ کشف گره سیبیل)

با توجه به نمودار تاثیر تراکم خودرو ها بر روی نرخ کشف گره سیبیل، روش IMPROVED با افزایش تراکم، دقت بالای را در تشخیص گره های سیبیل دارد و حداقل نرخ تشخیص هم ۹۶ درصد است. همچنین روش PRIVIOUS نیز در ابتدا دقت ۹۱ را دارا می باشد.