با رشد روزافزون خودروها و افزایش شبکه های حمل و نقل و به تبع آن نیاز به یک سیستم امن­تر و کارآمدتر، شبکه­های خودرویی مورد توجه واقع شده­اند. در همین راستا برای مدیریت بهینه و ساده­تر سیستم­های حمل و نقل، دسته­بندی خودروها به پلاتون پیشنهاد شده است. هرچند شبکه­های خودرویی و پروتکل ارتباطی استاندارد IEEE 802. 11p ابزار کلیدی برای توسعه برنامه­های کاربردی پلاتون هستند، اما همکاری بین خودروها در این پروتکل براساس یک ساختار ارتباطی قابل اعتماد نیست؛ و ظهور ناگهانی یک حمله مخرب می­تواند باعث به خطر افتادن صحت جریان ترافیک داده­ها گردد. هرچند برای مقابله با مشکلات مطرح شده الگوریتم رای گیری پیشنهاد شده بود اما به دلیل نیاز خودروها به دریافت اطلاعات از حداقل دو خودرو جهت انجام رای گیری، در اغلب توپولوژی­ها از کارایی لازم برخوردار نبود؛ و سبب کاهش اثر حمله دست­کاری برای خودرو قربانی نگردیده بود. در این پژوهش جهت رفع مشکلات الگوریتم رای گیری، راه­کار مناسبی با استفاده از تغییرات فاصله هر خودرو نسبت به خودرو رهبر و همچنین بهترین سرعت خودروی مخرب نسبت به سرعت رهبر پیشنهاد شده است. شبیه­سازی راه­کار پیشنهادی نشان می­دهد که این پژوهش نسبت به حملات دست­کاری در زمان 43/0 ثانیه و نسبت به حملات جعل پیام در زمان 48/0 ثانیه واکنش نشان می­دهد. همچنین مشکلات الگوریتم رای­گیری را برطرف کرده است.

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.

شبکه های خودرویی موردی نمونه ای از شبکه های سیار موردی هستند که خودروها نقش گره های متحرک را ایفا می کنند. در این شبکه ها خودروها با یکدیگر ارتباط دارند و می توانند به یکدیگر پیام ارسال کنند که با زیرساخت کنار جاده ای نیز ارتباط دارند. به طور مثال در هنگام بروز تصادف از این تبادل پیام برای آگاهی سایر خودروها استفاده می شود. در چنین شبکه هایی، مسیریابی موضوع اساسی برای طراحی شبکه است. طراحی های ضعیف باعث ایجاد مشکلات جدی در شبکه های خودرویی می شود. انتقال داده به صورت Multi-hop در شبکه هایVANET کاری است پیچیده، زیرا گره های شبکه (وسایل نقلیه) بسیار متحرک بوده و به همین دلیل احتمال قطع شدن ارتباط بسیار زیاد است. از این رو تکنیک های ارسال اطلاعات در شبکه های خودرویی بسیار حایز اهمیت هستند و در سال های اخیر مورد توجه ویژه ای قرار گرفته اند. در این مقاله یک پروتکل مسیریابی توزیع شده با رویکرد محاسبه تاخیر انتها به انتها در مسیرهای ایجاد شده، قبل از ارسال بسته داده ارایه شده است. این پروتکل بر روی قطعات جاده ای، ستون فقرات پایدار ایجاد کرده و آنها را از طریق گره های پل به یکدیگر وصل می کند. گره های پل به قطعات جاده ای وزن اختصاص می دهد که آن را از روی اطلاعات جمع آوری شده از تاخیر موجود در مسیرها و کیفیت ارتباط انجام می دهد. نتایج شبیه سازی نشان دهنده موفقیت پروتکل پیشنهادی در مقایسه با دو پروتکل معروف شبکه های خودرویی AODV و AOMDV است.

سربار انبوه و شکست های فراوان همبندی، ازجمله چالش های گمنام سازی در شبکه اقتضایی خودرویی است. از سوی دیگر، زنجیره بلوک با تکیه بر خرد، آگاهی و مشارکت جمعی، اقدام به تایید و ارسال تراکنش های حاوی اطلاعات می کند، به گونه ای است که افزون بر توانایی ره گیری داده های تاریخچه ای، دارای امتیاز کلیدی دسترس پذیری بیشینه است. این امتیاز کلید حل چالش شکست همبندی شبکه و انگیزه بنیادین ارایه این پژوهش است. هرچند سوار کردن فرایند زنجیره بلوک بر شبکه اقتضایی خودرویی، چالش همبندی را حل می کند، ولی تاخیر و سربار راه اندازی آن، چالش سربار انبوه را تشدید می کند. روش پیشنهادی با تجمیع تراکنش های خودروهای مختلف در یک بلوک بزرگ، چالش سربار و تاخیر اولیه راه اندازی و گمنامی مسیر خودروهای ارسال کننده تراکنش را حل کرده و با به کارگیری رمزنگاری نامتقارن، گمنامی هویت را برآورده نموده است. برای تجمیع تراکنش های خودروهای مختلف، مستلزم تحمل تاخیر زمان تولید و انتشار تعداد زیادی تراکنش جهت تکمیل یک بلوک بزرگ است. این چالش نیز با به کارگیری فرایند گره ساختگی و تولید تراکنش های ساختگی رفع شده است. از طرف دیگر با گمنام سازی گراف شبکه و به کارگیری فرایندهای دوره خاموش و گمنامی k، امنیت تراکنش هایی که هنوزتحویل فرایند زنجیره بلوک نشده اند را مدیریت می کند. شبیه سازی روش پیشنهادی ابتدا سناریوهای مختلف شبکه اقتضایی خودرویی را در زیرساخت پایتون ایجاد کرده و سپس معیارهای آن را با سوار کردن زنجیره بلوک معمولی و روش پیشنهادی در آن، مقایسه نموده است. محاسبات احتمال نقض گمنامی با ARX انجام شده است. نتایج شبیه سازی گویای پایداری روش پیشنهادی، کاهش مطلوب سربار و تاخیر اولیه فرایند در شبکه اقتضایی خودرویی است.

حمل و نقل در آینده نزدیک، شامل وسایل نقلیه متصل در شهرهای هوشمند خواهد بود و قطعاً موضوع امنیت ساکنین این شهرها که از این وسایل نقلیه استفاده می کنند اهمیت دوچندان خواهد یافت. از سوی دیگر، ورای کاربرد رایج وسایل نقلیه در حمل و نقل هوشمند، کاربردهای ویژه ای نیز در سایر نهادها از جمله پلیس متصور است. امروزه، ارتباط نهادهای پلیس با انواع تجهیزات و فناوری های پیشرفته، نقش مهمی را در افزایش سطح کیفی در اقدامات پلیس و سازمان های امنیتی کشور داشته و در راستای هوشمند سازی پلیس، از فناوری های پیشرفته ای بهره گرفته می شود. وسایل نقلیه متصل، در جهت نظارت صحیح و ردگیری به موقع موارد مشکوک در ماموریت های پلیس کاربردهای ویژه ای خواهند داشت. انواع مختلفی از حملات سایبری پیرامون شبکه های خودرویی متصور است، از جمله حملات جعل که منجر به انتقال و اشتراک گذاری اطلاعات جعلی می شوند و در صورت عدم رعایت اصول امنیتی، می توانند منجر به اختلال کامل شبکه خودرویی و ممانعت از سرویس دهی صحیح شوند. در تحقیق جاری، پژوهش های اخیر در حیطه حملات شبکه های خودرویی بررسی شدند و ضمن دسته بندی براساس لایه های مختلف شبکه، شدت آسیب پذیری آن ها بر اساس استانداردی بین المللی بدست آمده است. همچنین دسته بندی پژوهش های اخیر براساس الگوریتم های مورد استفاده در راهکارهای مقابله با حملات لایه شبکه وسایل نقلیه که بیشترین شدت آسیب پذیری و تخریب در شبکه را دارند انجام گرفته است. در این تحقیق، روشی برای یک سیستم عمومی تشخیص حملات جعل ارائه شده که با ترکیبی از ویژگی ها و با بهره گیری از رویکردهای یادگیری ماشین و یادگیری عمیق، سعی در افزایش دقت تشخیص حملات دارد.

وسایل نقلیه مدرن، ازجمله وسایل نقلیه خودران و وسایل نقلیه متصل، به طور فزاینده ای به محیط خارج از خود متصل می شوند و از این طریق عملکردها و خدمات مختلفی را ارائه می کنند. افزایش اتصال پذیری باعث افزایش حملات اینترنتی به وسایل نقلیه خودران گردیده است و درنتیجه، باعث آسیب پذیری این وسایل در برابر تهدیدات سایبری شده است. به دلیل ضعف و یا عدم وجود رویه های احراز هویت و رمزگذاری در شبکه های خودرو، استفاده از سیستم های تشخیص نفوذ یکی از روش های ضروری برای محافظت از سیستم خودروهای مدرن در برابر حملات سایبری است. در این مقاله، یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق با استفاده از تشخیص تصاویر برای سیستم های وسایل نقلیه پیشنهادشده است. همچنین، از تکنیک تبدیل بردار ویژگی ها به تصاویر برای بهینه سازی تشخیص استفاده شده است. سیستم تشخیص نفوذ پیشنهادی با استفاده از تکنیک یادگیری گروهی مبتنی بر میانگین بهینه شده است. در آزمایش ها، روش پیشنهادی بیش از 99.25 درصد نرخ تشخیص و به همین مقدار معیار F1 را در دو مجموعه داده امنیتی استاندارد شامل مجموعه داده های Car-Hacking و مجموعه داده CICIDS2017 نشان داده است. همچنین، زمان اجرای روش بر روی تجهیزات اینترنت اشیاء اندازه گیری شده است که نشان دهنده قابلیت اجرای روش پیشنهادی است.