مجله علمی  رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

یک الگوریتم مسیریابی مبتنی بر یادگیری ماشین برای اینترنت اشیاء متحرک

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تبریز، تبریز، ایران.
چکیده
اینترنت اشیاء و کاربردهای آن امروزه در همه‌ی ابعاد زندگی بشری قابل مشاهده است که اضافه شدن قابلیت تحرک به اشیاء، چالش‌های جدیدی به وجود آورده است. تحرک گره‌ها باعث پویایی در توپولوژی و ناپایداری در لینک‌های شبکه شده و کشف مسیر با سربار و تاخیر کمتر را با چالش‌های متعدد مواجه کرده است. بیشتر الگوریتم‌های مسیریابی مبتنی بر تکنیک مسیر بردار فاصله مبتنی بر درخواست می‌باشند که مبتنی بر درخواست گره مبدأ می‌باشد. در سال‌های اخیر بهبودهایی برروی این مکانیزم ارائه شده است که نسخه چند مسیره آن یکی از این بهبودها می‌باشد. با توجه به پویایی بالای شبکه و تغییرات لحظه‌ایی در اینترنت اشیاء متحرک، امکان پیش‌بینی همه شرایط و تنظیم بهینه پارامترها از قبل وجود ندارد. لذا در این مقاله یک رویکرد مسیریابی مبتنی بر الگوریتم مسیریابی بردار فاصله چند مسیره ارائه می‌شود که با یادگیری ماشین سعی دارد شرایط شبکه را ارزیابی کرده و بهترین گره واسط را برای مسیریابی انتخاب کند. در رویکرد پیشنهادی پنج الگویتم یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم‌گیری برای یادگیری مورد بررسی قرار می‌گیرند که چندین پارامتر شبکه مانند سرعت حرکت گره‌ها، تعداد گره‌های همسایه، اندازه بافر، انرژی باقیمانده و میانگین فاصله هر گره با همسایگانش را برای انتخاب گره واسط مناسب مورد بررسی قرار می‌دهند. نتایج شبیه‌سازی‌های انجام شده با زبان پایتون نشان می‌دهد که درخت تصمیم و گرادیان تقویت شده بهترین نتایج را در مجموعه داده جمع‌آوری شده دارند و با ترکیب آنها با رویکرد پیشنهادی، میزان تاخیر آنها به انتها به طور متوسط تا 30 درصد و تعداد بسته‌های گمشده نیز تا 18 درصد کاهش داشته است.
کلیدواژه‌ها

[1] M. Stoyanova, Y. Nikoloudakis, S. Panagiotakis, E. Pallis, and E. K. Markakis, “A Survey on the Internet of Things (IoT) Forensics: Challenges, Approaches, and Open Issues,” IEEE Commun. Surv. Tutorials, vol. 22, no. 2, pp. 1191–1221, 2020.
[2] A. Razaque, Y. Jararweh, B. Alotaibi, M. Alotaibi, and M. Almiani, “Hybrid energy-efficient algorithm for efficient Internet of Things deployment,” Sustain. Comput. Informatics Syst., vol. 35, p. 100715, Sep. 2022.
[3] M. Afrashteh and S. Babaie, “A Route Segmented Broadcast Protocol based on RFID for Emergency Message Dissemination in Vehicular Ad-hoc Networks,” IEEE Trans. Veh. Technol., 2020.
[4] P. Fabian, A. Rachedi, C. Gueguen, and S. Lohier, “Fuzzy-Based Objective Function for Routing Protocol in the Internet of Things,” 2018 IEEE Glob. Commun. Conf. GLOBECOM 2018 - Proc., 2018.
[5] H. Liu and B. Lang, “Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey,” Appl. Sci., vol. 9, no. 20, p. 4396, Oct. 2019.
[6] M. Bagaa, T. Taleb, J. B. Bernabe, and A. Skarmeta, “A Machine Learning Security Framework for Iot Systems,” IEEE Access, vol. 8, pp. 114066–114077, 2020.
[7] V. Vashishth, A. Chhabra, and D. K. Sharma, “GMMR: A Gaussian mixture model based unsupervised machine learning approach for optimal routing in opportunistic IoT networks,” Comput. Commun., vol. 134, pp. 138–148, Jan. 2019.
[8] S. Boussoufa-Lahlah, F. Semchedine, and L. Bouallouche-Medjkoune, “Geographic routing protocols for Vehicular Ad hoc NETworks (VANETs): A survey,” Veh. Commun., vol. 11, pp. 20–31, Jan. 2018.
[9] S. K. Dhurandher, D. K. Sharma, I. Woungang, and S. Bhati, “HBPR: History Based Prediction for Routing in Infrastructure-less Opportunistic Networks,” in 2013 IEEE 27th International Conference on Advanced Information Networking and Applications (AINA), 2013, pp. 931–936.
[10] D. K. Sharma, Aayush, A. Sharma, and J. Kumar, “KNNR:K-nearest neighbour classification based routing protocol for opportunistic networks,” in 2017 Tenth International Conference on Contemporary Computing (IC3), 2017, pp. 1–6.
[11] M. Garg, A. Gupta, D. Kaushik, and A. Verma, “Applying machine learning in IoT to build intelligent system for packet routing system,” Mater. Today Proc., Nov. 2020.
[12] K. Rama Abirami and M. G. Sumithra, “Evaluation of neighbor credit value based AODV routing algorithms for selfish node behavior detection,” Cluster Comput., vol. 22, no. S6, pp. 13307–13316, Nov. 2019.
[13] N. V. Brindha and V. S. Meenakshi, “A secured optimised AOMDV routing protocol in MANET using lightweight continuous multimodal biometric authentication,” J. Ambient Intell. Humaniz. Comput., pp. 1–17, Apr. 2022.
[14] F. Kuang, S. Zhang, Z. Jin, and W. Xu, “A novel SVM by combining kernel principal component analysis and improved chaotic particle swarm optimization for intrusion detection,” Soft Comput., vol. 19, no. 5, pp. 1187–1199, 2015.
[15] B. Karakostas, “Event Prediction in an IoT Environment Using Naïve Bayesian Models,” Procedia Comput. Sci., vol. 83, pp. 11–17, 2016.
[16] J. Zhang, M. Zulkernine, and A. Haque, “Random-forests-based network intrusion detection systems,” IEEE Trans. Syst. Man, Cybern. Part C -Applications Rev., vol. 38, no. 5, pp. 649–659, 2008.
[17] P. Bedi, N. Gupta, and V. Jindal, “I-SiamIDS: an improved Siam-IDS for handling class imbalance in network-based intrusion detection systems,” Appl. Intell., vol. 51, no. 2, pp. 1133–1151, Feb. 2021.