اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,306 |
| تعداد مقالات | 9,427 |
| تعداد مشاهده مقاله | 9,188,354 |
| تعداد دریافت فایل اصل مقاله | 5,620,779 |
ارائه یک ابر دوسطحی به‌منظور افزایش کیفیت سرویس در شبکه‌های سیار موردی بین خودرویی | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 1، دوره 13، شماره 1 - شماره پیاپی 49، اردیبهشت 1404، صفحه 1-15 اصل مقاله (1.35 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| زهرا مومنی قهفرخی1؛ مهدیه قزوینی* 2؛ امید عابدی3 | ||
| 1دانشجوی کارشناسی ارشد، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| 2دانشیار، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| 3استادیار،دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| تاریخ دریافت: 09 آبان 1403، تاریخ بازنگری: 29 بهمن 1403، تاریخ پذیرش: 23 اسفند 1403 | ||
| چکیده | ||
| یکی از مصداق‌های هوشمند سازی، توسعه زیرساخت‌های حمل‌ونقل با استفاده از شبکه‌های موردی بین خودرویی است که باعث ایجاد معماری‌های جدیدی بر پایه رایانش ابری و مه شده است. تحرک و سرعت‌بالای وسایل نقلیه، منجر به بی‌ثباتی در این نوع شبکه‌ها و ایجاد موانعی در اشتراک‌گذاری مطمئن اطلاعات می‌شود. راه‌حل‌های مبتنی بر خوشه‌بندی به‌عنوان یک‌راه حل بهینه برای پایداری شبکه، دستیابی به امکانات مختلف مانند کیفیت خدمات و انتشار اطلاعات هستند. ازجمله مسائلی که در پایداری خوشه نقش مؤثری دارند می‌توان به نحوه ساخت خوشه، روش‌های انتخاب سرخوشه و نحوه انتقال داده‌ها اشاره کرد. به عبارتی چالش اصلی در این شبکه‌ها، نحوه خوشه‌بندی و انتخاب سرخوشه است. یکی از معایب اصلی الگوریتم‌های خوشه‌بندی ناپایداری خوشه و انتخاب نامناسب سرخوشه است. در این پژوهش، یک روش خوشه‌بندی دوسطحی برای شبکه‌های موردی بین خودرویی ارائه‌شده است که سطح پایین آن (سطح نزدیک به خودروها) به‌عنوان مه و سطح بالای آن (سطح نزدیک به زیرساخت) به‌عنوان ابر نام‌گذاری شده است. ارسال داده‌های محلی و ساختارهای مربوط به مدیریت موقعیت، در سطح مه انجام می‌پذیرند و سایر عملیات که مربوط به انتقال داده به زیرساخت و در برخی مواقع محاسبات توزیع‌شده می‌باشند از طریق ابر انجام می‌شوند. روش پیشنهادی خوشه‌بندی را با معیارهای سرعت، جهت و موقعیت مکانی انجام می‌دهد و با انتخاب سرخوشه مناسب پایداری خوشه را بیشتر می‌کند کار دیگری که روش پیشنهادی انجام می‌دهد جایگزینی به‌موقع سرخوشه برای جلوگیری از بین رفتن خوشه است. به علاوه، با ارائه یک الگوریتم مسیریابی مبتنی بر پیش‌بینی نحوه‌ی حرکت خودروها بار بین سرخوشه، ابر و خودرو تقسیم می‌شود که این تقسیم‌بندی وظایف بین مه و ابر ضمن کاهش بار روی زیرساخت شبکه، با متعادل‌سازی بار بین مه و ابر، می‌تواند باعث بهبود هم‌زمان سربار و کیفیت سرویس شبکه موردی بین خودرویی شود. یکی دیگر از معایب روش‌ها تأخیر در ارسال اطلاعات است که روش پیشنهادی با انجام پیش‌بینی و ارسال درست اطلاعات تأخیر را کاهش می‌دهد. نتایج حاصل از شبیه‌سازی‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های مشابه، از تعداد گام کمتری برای ارسال اطلاعات استفاده می‌کند و تاخیر، نرخ تحویل و سربار خوشه بندی را به طور متوسط به ترتیب 41، 18 و 29 درصد بهبود می‌بخشد. | ||
| کلیدواژه‌ها | ||
| رایانش ابری؛ رایانش مه؛ پیش‌بینی؛ خوشه‌بندی VANET | ||
| موضوعات | ||
| آسیب پذیری ها و تهدیدات فضای سایبری | ||
| عنوان مقاله [English] | ||
| A Two Level Architecture to increase Quality of Service in Vehicular Ad hoc Networks | ||
| نویسندگان [English] | ||
| zahra momeni ghahfarokhi1؛ Mahdieh Ghazvini2؛ Omid Abedi3 | ||
| 1Master's student, Shahid Bahonar University of Kerman, Kerman, Iran | ||
| 2Associate Professor, Shahid Bahonar University of Kerman, Kerman, Iran | ||
| 3Assistant Professor, Shahid Bahonar University of Kerman, Kerman, Iran | ||
| چکیده [English] | ||
| Vehicular ad hoc networks is one of the examples of intelligentization is the development of transportation infrastructure , which has led to the creation of new architectures based on cloud and fog computing. Mobilility and high speed of vehicles lead to instability in these types of networks and create obstacles in reliable information sharing. Clustering-based solutions are an optimal solution for network stability, achieving various features such as service quality and information dissemination. Among the issues that play an effective role in the stability of the cluster, we can mention how to build the cluster, how to choose the cluster head, and how to transfer data. In other words, one of most important challenges in these networks is how to cluster and select the cluster head. One of the main disadvantages of clustering algorithms is cluster instability and inappropriate cluster head selection. In this research, a two-level clustering method for case networks between vehicles is presented, whose lower level (the level close to the cars) is named as fog and its upper level (the level close to the infrastructure) is named as the cloud. Local data transmission and location management structures are performed at the fog level, and other operations related to data transfer to the infrastructure and sometimes distributed computing are performed through the cloud. The proposed method performs clustering with the criteria of speed, direction and location, and increases the stability of the cluster by selecting the appropriate cluster head. In addition, by providing a routing algorithm based on predicting the way cars move, the load is divided between the cluster head, the cloud, and the car. It can simultaneously improve the overhead and service quality of the inter-vehicle ad hoc network. Another disadvantage of the methods is the delay in sending information. The proposed method reduces the delay by making predictions and sending information correctly. The results of simulations show that compared to similar methods, the proposed method uses fewer steps to send information and improves the delay, delivery rate, and clustering overhead by 41, 18, and 29 percent respectively. | ||
| کلیدواژه‌ها [English] | ||
| VANET, cloud computing, fog computing, prediction, clustering | ||
| مراجع | ||
|
1] S. Pournaghi , M. Barmshoori, and M. Gardeshi, An Improved Authentication Scheme with Conditional Privacy Preserving in VANETs. 2015. (In Persian). [5] J. Grover, et al. Real-time VANET applications using fog computing. in Proceedings of First International Conference on Smart System, Innovations and Computing: SSIC 2017, Jaipur, India. 2018. Springer. [6] M. Gerla, and J. Tzu-Chieh Tsai, Multicluster, mobile, multimedia radio network. Wireless networks, 1995. 1(3): p. 255-2.65 [7] G. Chen, , et al. Connectivity based k-hop clustering in wireless networks. in Proceedings of the 35th Annual Hawaii International Conference on System Sciences. 2002. IEEE. [8] L.A. Maglaras, and D. Katsaros. Distributed clustering in vehicular networks. in 2012 IEEE 8th international conference on wireless and mobile computing, networking and communications (WiMob). 2012. IEEE. [9] E. Dror, C. Avin, and Z. Lotker. Fast randomized algorithm for hierarchical clustering in vehicular ad-hoc networks. in 2011 The 10th IFIP Annual Mediterranean Ad Hoc Networking Workshop. 2011. IEEE. [10] M. Chatterjee, S.K. Das, and D. Turgut. An on-demand weighted clustering algorithm (WCA) for ad hoc networks. in Globecom'00-IEEE. Global Telecommunications Conference. Conference Record (Cat. No. 00CH37137). 2000. IEEE. [11] P. Basu, N. Khan, and T.D. Little. A mobility based metric for clustering in mobile ad hoc networks. in Proceedings 21st international conference on distributed computing systems workshops. 2001. IEEE. [12] S. Vodopivec, J. Bešter, and A. Kos. A survey on clustering algorithms for vehicular ad-hoc networks. in 2012 35th international conference on telecommunications and signal processing (TSP). 2012. IEEE. [13] I.I. Er, and W.K.G. Seah. Mobility-based d-hop clustering algorithm for mobile ad hoc networks. in 2004 IEEE Wireless Communications and Networking Conference (IEEE Cat. No. 04TH8733). 2004. IEEE. [14] S.K. Dhurandher, and G. Singh. Weight based adaptive clustering in wireless ad hoc networks. in 2005 IEEE International Conference on Personal Wireless Communications, 2005. ICPWC 2005. 2005. IEEE. [15] N. Maslekar, et al. A stable clustering algorithm for efficiency applications in VANETs. in 2011 7th international wireless communications and mobile computing conference. 2011. IEEE. [16] N. Maslekar, et al. C-DRIVE: clustering based on direction in vehicular environment. in 2011 4th IFIP International Conference on New Technologies, Mobility and Security. 2011. IEEE. [17] N. Maslekar, et al. Modified C-DRIVE: Clustering based on direction in vehicular environment. in 2011 IEEE intelligent vehicles symposium (IV). 2011. IEEE. [18] T. Liu, S. Shi, and X. Gu, Naive Bayes classifier based driving habit prediction scheme for VANET stable clustering. Mobile Networks and Applications, 2020. 25: p. 1708-1714. [19] M.K. Jabbar, and H. Trabelsi. A review on clustering in VANET: algorithms, phases, and comparisons. in 2022 19th International Multi-Conference on Systems, Signals & Devices (SSD). 2022. IEEE. [20] M. Ren, et al., A review of clustering algorithms in VANETs. Annals of Telecommunications, 2021: p. 1-23. [21] M. Mukhtaruzzaman, and M. Atiquzzaman, Clustering in vehicular ad hoc network: Algorithms and challenges. Computers & Electrical Engineering, 2020. 88: p. 106851. [22] Y. Pekşen, and T. Acarman. Multihop safety message broadcasting in VANET: A distributed medium access mechanism with a relaying metric. in 2012 International Symposium on Wireless Communication Systems (ISWCS). 2012. IEEE. [23] M. Fotros, et al. A timely VANET multi-hop routing method in IoT. in 2019 20th International Conference on Parallel and Distributed Computing, Applications and Technologies (PDCAT). 2019. IEEE. [24] K. Mershad, H. Artail, and M. Gerla, ROAMER: Roadside Units as message routers in VANETs. Ad Hoc Networks, 2012. 10(3): p. 479-496. [25] S. Jobaer, et al., UAV-assisted hybrid scheme for urban road safety based on VANETs. Electronics, 2020. 9(9): p. 1499. [26] A. Paranjothi, et al., Hybrid‐Vehfog: a robust approach for reliable dissemination of critical messages in connected vehicles. Transactions on Emerging Telecommunications Technologies, 2019. 30(6): p. e3595. [27] M. Sarmis et al., "Stability constraints of markov state kinetic models based on routh-hurwitz criterion," Journal of Computer Science & Systems Biology, vol. 8, pp. 296-303, 2015. [28] P. Petsagkourakis and F. Galvanin, "Safe model-based design of experiments using Gaussian processes," Computers & Chemical Engineering, vol. 151, p. 107339, 2021. | ||
|
آمار تعداد مشاهده مقاله: 118 تعداد دریافت فایل اصل مقاله: 117 |
||