A better way to detect sybil attacks in vehiuclar ad hoc networks

Ziya Cihan Taysi

Makale detayları

A better way to detect sybil attacks in vehiuclar ad hoc networks

Yazarlar:

Ziya Cihan Taysi

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.16 Issue 1, pp.81-87

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001343626

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 Sybil attacks, enabled by the anonymous nature of peer-to-peer broadcast communication in vehicular private networks VANETs, pose a serious security threat. These attacks can significantly disrupt traffic flow, reduce efficiency, and potentially endanger traffic safety. Detecting Sybil attacks in VANETs is particularly challenging due to the dynamic network topology, real-time constraints, and decentralized nature of these networks. This paper proposes a novel Sybil attack detection method for VANETs, leveraging deep learning analysis of received signal strength indicator RSSI time series. The proposed system is designed to deliver effective results, even in brief interactions. Experimental results demonstrate the efficacy of our LSTM-based and CNN-based approaches, achieving 93.45 and 94.28 sensitivity in detecting attack messages, respectively.

 Sybil attacks, enabled by the anonymous nature of peer-to-peer broadcast communication in vehicular private networks VANETs, pose a serious security threat. These attacks can significantly disrupt traffic flow, reduce efficiency, and potentially endanger traffic safety. Detecting Sybil attacks in VANETs is particularly challenging due to the dynamic network topology, real-time constraints, and decentralized nature of these networks. This paper proposes a novel Sybil attack detection method for VANETs, leveraging deep learning analysis of received signal strength indicator RSSI time series. The proposed system is designed to deliver effective results, even in brief interactions. Experimental results demonstrate the efficacy of our LSTM-based and CNN-based approaches, achieving 93.45 and 94.28 sensitivity in detecting attack messages, respectively.

 Sybil attacks, enabled by the anonymous nature of peer-to-peer broadcast communication in vehicular private networks VANETs, pose a serious security threat. These attacks can significantly disrupt traffic flow, reduce efficiency, and potentially endanger traffic safety. Detecting Sybil attacks in VANETs is particularly challenging due to the dynamic network topology, real-time constraints, and decentralized nature of these networks. This paper proposes a novel Sybil attack detection method for VANETs, leveraging deep learning analysis of received signal strength indicator RSSI time series. The proposed system is designed to deliver effective results, even in brief interactions. Experimental results demonstrate the efficacy of our LSTM-based and CNN-based approaches, achieving 93.45 and 94.28 sensitivity in detecting attack messages, respectively.

 Tasarsız araç ağlardaki VANET eşler arası yayın iletişiminin anonim doğası gereği ortaya gerçekleştirilebilen sybil saldırıları ciddi bir güvenlik tehdidi oluşturur. Bu saldırılar trafik akışını önemli ölçüde bozabilir, verimliliği azaltabilir ve potansiyel olarak trafik güvenliğini tehlikeye atabilir. VANETlerde sybil saldırılarını tespit etmek, bu ağların dinamik ağ topolojisi, uygulamaların gerçek zamanlı kısıtlamaları ve merkezi olmayan ağ yapısı nedeniyle özellikle zordur. Bu makale VANETler için alınan sinyal gücü göstergesi RSSI ile oluşturulan zaman serilerinin derin öğrenme ile analiz edilmesine dayanan yeni bir Sybil saldırısı tespit yöntemi önermektedir. Önerilen sistem, kısa etkileşimlerde bile etkili sonuçlar sunmak üzere tasarlanmıştır. Deneysel sonuçlar, LSTM tabanlı ve CNN tabanlı yaklaşımlarımızın etkinliğini göstererek saldırı mesajlarını tespit etmede sırasıyla 93,45 ve 94,28 hassasiyet elde etmiştir.

Makale detayları

A better way to detect sybil attacks in vehiuclar ad hoc networks

Yazarlar:

Ziya Cihan Taysi

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.16 Issue 1, pp.81-87

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001343626

pISSN:

1309-8640

Sybil Attack

Inter Vehicle Communication (IVC)

Received Signal Strength Indicator (RSSI)

Deep LearningSybil saldırı

araçlar arası haberleşme

RSSI

derin öğrenme

Sayı

Makale detayları

Yazarlar: Ziya Cihan Taysi

Yayıncı: Dicle University

Ana Başlıklar: Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.16 Issue 1, pp.81-87

Belge Tipi: Makale

Yayın Tarihi: 3/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001343626

pISSN: 1309-8640

Sayı

Yazarlar:

Ziya Cihan Taysi

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.16 Issue 1, pp.81-87

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001343626

pISSN:

1309-8640