Vehicular ad hoc networks is a modern technology that holds an important aspect in the transportation domain due to its abilities to increase traffic efficiency and safety. It is a another variant of Mobile ad-hoc networks that provides Vehicles to Vehicles (V2V), Rode-side Unit to Road-side Unit(R2R) and Vehicles to road-side Unit (V2R) communication.VANET is a multidimensional network in which the vehicles ceaselessly alter their locations. Connected vehicles broadcast sensitive information which must be communicated with the neighbors in a safe and established environment. VANET may also contain dishonest nodes such as man in -the-middle attackers that aim to distribute and share malicious content with the vehicles, thus contaminating the network with secure information. In this situation implementing a trust among connected vehicles can raise security as every participating vehicle will create and propagate authentic, accurate,and trusted content within the network.In this paper we used a trust model to determine the trust level and eliminate the malicious nodes.We created a simulation for calculating the trust level and eliminating the malicious node in the wireless ad hoc networks using ns2 simulator and network animator(nam).The simulation results showed a better bandwidth in communication between the nodes after the trust level is updated


翻译:车辆临时专用网络是一种现代技术,由于具有提高交通效率和安全的能力,在运输领域具有重要地位;它是机动临时网络的另一个变体,它向车辆提供车辆(V2V)、罗德边单位至路边单位(R2R)和车辆至路边单位(V2R)通信。VANET是一个多维网络,车辆在其中不间断地改变其位置。连接车辆播放敏感信息,必须在安全和固定的环境中与邻居沟通。VANET还可能包含不诚实的节点,如中位攻击者中的人,目的是向车辆分发和分享恶意内容,从而用安全信息污染网络。在这种情况下,在连接车辆之间建立信任可以提高安全,因为每个参与车辆将在网络内创建和传播真实、准确和可信赖的内容。在这份文件中,我们使用了信任模式来确定信任程度和消除恶意节点。我们制作了一个模拟,用以计算信任程度,并消除无线特设网络中恶意节点,目的是利用N2模拟器和网络宽带级更新了信任度。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
专知会员服务
45+阅读 · 2020年10月31日
和积网络综述论文,Sum-product networks: A survey,24页pdf
专知会员服务
24+阅读 · 2020年4月3日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
181+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
计算机 | CCF推荐会议信息10条
Call4Papers
5+阅读 · 2018年10月18日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Validation and Inference of Agent Based Models
Arxiv
0+阅读 · 2021年7月8日
Predicting with Confidence on Unseen Distributions
Arxiv
0+阅读 · 2021年7月7日
A Graph Auto-Encoder for Attributed Network Embedding
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
计算机 | CCF推荐会议信息10条
Call4Papers
5+阅读 · 2018年10月18日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员