یکی از چالش برانگیزترین مسائل در شبکه های سیار اجتماعی[1] طراحی روش جلورانی[2] پیامی است که دارای نرخ دریافت بالا و سربار ارتباطی پایین باشد. روش های جلورانی اغلب با افزایش تعداد نسخه های پیام سعی در بالا بردن نرخ دریافت می کنند. افزایش تعداد نسخه های پیام از یک طرف باعث افزایش شانس تحویل پیام می شود و از سوی دیگر ممکن است، باعث ازدحام در شبکه و کاهش نرخ دریافت شود؛ بنابراین، محدود کردن تعداد نسخه های پیام و انتخاب گره های رله مناسب در راستای افزایش بهره­وری شبکه و کاهش هزینه چالشی است که در این مقاله به آن می­پردازیم. در این مقاله یک روش مبتنی بر گروه های اجتماعی[3] به نام MCCAF[4] برای جلورانی چندنسخه ای پیام ها ارائه می­شود. این روش از مدل مخفی شبه مارکوف (HSMM[5]) برای یافتن گروه های اجتماعی استفاده می کند. بدین منظور گروه های اجتماعی به حالت ها در مدل مخفی شبه مارکوف مدل می­شوند؛ سپس، احتمال گذار گره ها در میان گروه های اجتماعی محاسبه و پس از آن با در نظر گرفتن زمان انقضای پیام ها، با محاسبه گروه های اجتماعی آینده گره های رله و تعداد نسخه های منتشر شده از پیام، اقدام به انتخاب گره رله و جلورانی پیام می­شود. روش MCCAF تعداد نسخه های موجود از یک پیام را در شبکه محدود و از انتشار سیل آسای پیام جلوگیری می­کند. از طرفی این روش سعی می کند که به سمت تمامی گروه های اجتماعی که مقصد در آنها عضویت دارد نسخه ای از پیام را ارسال کند تا ضمن افزایش شانس تحویل موفقیت آمیز پیام، تأخیر در تحویل پیام را نیز کاهش دهد. نتایج ارزیابی بر روی داده های واقعی نشان دهنده کارایی MCCAF نسبت به دیگر روش ها از جنبه های تأخیر، نرخ دریافت و هزینه جلورانی است.

شبکه نظیر به نظیر مجموعه ای از گره های خودسازمان دهنده و یکسان است که با هم همکاری می نمایند. این نوع از شبکه ها نیاز به هماهنگ کننده مرکزی برای ارتباط باهم ندارند. از پیاده سازی شبکه نظیربه نظیر بر بستر شبکه ادهاک سیار شبکه نظیربه نظیر سیار ایجاد می گردد. ساختار توزیع شده شبکه های نظیربه نظیر سیار جستجوی منبع و داده را در آن ها دشوار می سازد. از سوی دیگر درخواست در این شبکه ها معمولا بطور سیل آسا و تصادفی پخش می گردد که این سبب هدر رفت انرژی گره های سیار خواهد شد. از اینرو طراحی مکانیزمی خودتطبیق که داده یا درخواست را بطور آگاهانه به شبکه ارسال کند حائز اهمیت می باشد، تا بتوان منبع درخواستی را با نرخ موفقیت بیشتر، صرف کمترین انرژی، تحمیل بار کمتر به شبکه کشف کرد.در این مقاله یک نسخه جدید از الگوریتم شایعه پراکنی معرفی می شود. الگوریتم پیشنهادی با هدف بهبود جستجو در شبکه نظیربه نظیر سیار با استفاده از یادگیری گره ها ارائه گردیده است. از اتوماتای یادگیر بعنوان یک عامل یادگیرنده تقویتی که از طریق تعامل با محیط عملکرد خود را بهبود می بخشد، استفاده می شود. در این الگوریتم هر گره ای که درخواست داشته باشد پیام جستجوی را به تعدادی از همسایگان که از بقیه مفیدتر هستند ارسال می کند. همچنین منبع درخواستی از طریق بهترین مسیر به گره درخواست دهنده انتقال می یابد. علاوه براین بدلیل ذخیره نتایج بدست آمده از هر گره همسایه در حافظه نهان، سابقه گره های همسایه در جلورانی های آتی تاثیرگذار است. نتایج شبیه سازی الگوریتم پیشنهادی نشان می دهد که اجتناب از انتخاب های تصادفی همسایگان برای جلورانی درخواست و درنظر گرفتن سابقه هر گره با استفاده از نتایج ذخیره شده در جداول کش، سبب کاهش تاخیر انتهابه انتها، مصرف انرژی و بار تحمیل شده به شبکه می گردد. از سوی دیگر درنظرگرفتن سابقه گره های همسایه در جلورانی، پیام درخواست به همسایگانی ارسال می گردد که در جستجوهای قبلی موفقتر بوده اند، نرخ موفقیت شبکه نیز افزایش می یابد.

شبکه های تحمل پذیر تاخیر خودرویی ( VDTNs) دسته ای از شبکه های خودرویی می باشند که در آن ها مسیر انتها به انتها میان مبداء و مقصد وجود ندارد. در این مقاله، یک روش جدید جلورانی گسترش پذیر میان لندمارکی به نام مسیریابی تحمل پذیر تاخیر خودرویی دو لایه ای (TLVDTR ) برای این شبکه ها معرفی می شود که به جای مسیریابی میان خودروها به مسیریابی میان لندمارک ها اقدام می کند. این روش، شبکه را به صورت یک مدل دو لایه در نظر می گیرد و در لایه بالا با استفاده از مرکزیت لبه ای، شبکه به ناحیه هایی تقسیم می شود که بر ناحیه های محیط شهری منطبق هستند و سپس در لایه پایین، در هر ناحیه تعدادی لندمارک تعریف می گردد. پس از آن، لندمارک های در محدوده هر ناحیه با استفاده از الگوریتم دیکسترا، جدول مسیریابی میان لندمارکی تشکیل می دهند و مسیر برای لندمارک های دور که در دیگر ناحیه ها هستند، با اعلان مسیر و یک الگوریتم بردار فاصله پیدا می شوند. این امر باعث کاهش هزینه یافتن مسیر می گردد. از طرف دیگر هر گره سابقه ای از حرکت های خود را نگهداری می کند، و از آن برای یافتن احتمال گذار میان لندمارک ها استفاده می کند. در نهایت با ترکیبی از جدول مسیریابی هر لندمارک و احتمال گذار خودروها در میان لندمارک ها، گره های رله مناسب برای حمل پیام به سمت لندمارک های مقصد انتخاب می گردند. نتایج ارزیابی های انجام گرفته و مقایسه روش پیشنهادی با روش های رقیب نشان از بهبود روش پیشنهادی از جنبه های نرخ دریافت (16%)، متوسط تاخیر (17%) و هزینه جلورانی (4%) است.

حمله کرم چاله یک نوع حمله فعال می باشد که در لایه سوم شبکه از شبکه های اقتضایی رخ می دهد. در این حمله مهاجمین با متقاعد کردن گره فرستنده برای ارسال اطلاعات از یک مسیر جعلی که کوتاه تر و سریع تر از مسیر عادی به نظر می رسد، سعی دارند ارسال بسته ها از تونل ایجاد شده انجام شود تا بتوانند، حملات آنالیز ترافیک، انکار سرویس، رها کردن بسته ها و یا جلورانی انتخابی را انجام دهند. هر پروتکلی که از مقیاس کم ترین تاخیر و کم-ترین تعداد گام برای مسیریابی استفاده کند، در برابر این حمله آسیب پذیر است. در این مقاله یک راه کار جدید برای مقابله با حملات کرم چاله ارائه می-دهیم. در راه حل پیشنهادی هر گره دارای یک وزن است و مجموع وزن ها در شبکه برابر صد خواهد بود. هرگاه گره ای قصد ارسال ترافیک به گره دیگر را داشته باشد، در بسته RREQ حداقل وزن درخواستی برای ایجاد ارتباط را بیان می کند. گره فرستنده با توجه به اهمیت داده هایی که ارسال خواهد کرد مشخص می کند که مجموع وزن گره های شرکت کننده، در فرایند کشف مسیر باید چقدر باشد. روش پیشنهادی را MAODV نامگذاری می کنیم. روش فوق به صورت نرم افزاری بوده و با توجه به این که از تکنیک رمزنگاری استفاده نخواهیم کرد، پیش بینی می کنیم سربار کمتری نسبت به سایر تکنیک ها داشته باشیم، و همچنین به علت عدم استفاده از الگوریتم های سخت، توان گره ها که اتفاقا محدود است، کمتر صرف محاسبات خواهد شد. کارایی الگوریتم پیشنهادی را در محیط ns-2 نشان خواهیم داد.