Learning-based VANET Communication and Security Techniques

ویرایش: 1st ed. 
نویسندگان: Liang Xiao,  Weihua Zhuang,  Sheng Zhou,  Cailian Chen  
سری: Wireless Networks 
ISBN (شابک) : 9783030017309, 9783030017316 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: 140 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 34,000



این کتاب به‌موقع پوشش گسترده‌ای از مسائل مربوط به شبکه ad-hoc وسایل نقلیه (VANET) مانند امنیت و انتخاب شبکه را ارائه می‌کند. روش‌های مبتنی بر یادگیری ماشین برای حل این مسائل استفاده می‌شوند. این کتاب همچنین شامل چهار فصل با داوری دقیق از محققان برجسته بین المللی است که در این زمینه موضوعی کار می کنند. این مطالب به عنوان یک مرجع مفید برای محققان، دانشجویان فارغ التحصیل و متخصصانی که به دنبال راه حل هایی برای مسائل مربوط به ارتباطات و امنیت VANET هستند، عمل می کند. این کتاب همچنین به خوانندگان کمک می‌کند تا بفهمند که چگونه از یادگیری ماشین برای مقابله با چالش‌های امنیتی و ارتباطی در VANETs استفاده کنند.

شبکه‌های ad-hoc خودرو (VANETs) از ارتباطات خودرو به خودرو و ارتباطات خودرو به زیرساخت برای بهبود پشتیبانی می‌کنند. امنیت انتقال، کمک به ایجاد رانندگی بدون سرنشین و پشتیبانی از برنامه های پررونق واحدهای داخلی (OBU). تحرک بالای OBU ها و شبکه پویا در مقیاس بزرگ با واحدهای کنار جاده ای ثابت (RSU) VANET را در برابر پارازیت آسیب پذیر می کند.

ارتباطات ضد پارازیت VANET را می توان با استفاده از وسایل نقلیه هوایی بدون سرنشین (UAV) برای انتقال پیام OBU به طور قابل توجهی بهبود بخشید. پهپادها به انتقال پیام OBU کمک می کنند تا نسبت سیگنال به تداخل به اضافه نویز سیگنال های OBU را بهبود بخشد، و در نتیجه نرخ بیت خطای پیام OBU را کاهش می دهد، به خصوص اگر RSU های ارائه دهنده توسط پارازیت ها و/ مسدود شده باشند. یا تداخل، که در این کتاب نیز نشان داده شده است.

این کتاب به عنوان یک مرجع مفید برای محققان، دانشجویان فارغ التحصیل، و شاغلانی است که به دنبال راه حل هایی برای مسائل مربوط به ارتباطات و امنیت VANET هستند.

This timely book provides broad coverage of vehicular ad-hoc network (VANET) issues, such as security, and network selection. Machine learning based methods are applied to solve these issues. This book also includes four rigorously refereed chapters from prominent international researchers working in this subject area. The material serves as a useful reference for researchers, graduate students, and practitioners seeking solutions to VANET communication and security related issues. This book will also help readers understand how to use machine learning to address the security and communication challenges in VANETs.

Vehicular ad-hoc networks (VANETs) support vehicle-to-vehicle communications and vehicle-to-infrastructure communications to improve the transmission security, help build unmanned-driving, and support booming applications of onboard units (OBUs). The high mobility of OBUs and the large-scale dynamic network with fixed roadside units (RSUs) make the VANET vulnerable to jamming.

The anti-jamming communication of VANETs can be significantly improved by using unmanned aerial vehicles (UAVs) to relay the OBU message. UAVs help relay the OBU message to improve the signal-to-interference-plus-noise-ratio of the OBU signals, and thus reduce the bit-error-rate of the OBU message, especially if the serving RSUs are blocked by jammers and/or interference, which is also demonstrated in this book.

This book serves as a useful reference for researchers, graduate students, and practitioners seeking solutions to VANET communication and security related issues.

Front Matter ....Pages i-ix
 Introduction  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 1-11
 Learning-Based Rogue Edge Detection in VANETs with Ambient Radio Signals  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 13-47
 Learning While Offloading: Task Offloading in Vehicular Edge Computing Network  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 49-77
 Intelligent Network Access System for Vehicular Real-Time Service Provisioning  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 79-104
 UAV Relay in VANETs Against Smart Jamming with Reinforcement Learning  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 105-129
 Conclusion and Future Work  (Liang Xiao, Weihua Zhuang, Sheng Zhou, Cailian Chen)....Pages 131-134