Machine learning and blockchain utilized authentication for VANET

VANET ağaları, hareketli nesneler olan araçlar ile sunucuların haberleşmesi için tasarlanan özel bir ağ yapısıdır. Bu haberleşme imkanını sağlayan ağ yapısı sayesinde sürücüler araçlarındaki uygulamalar ile sunuculara bağlanabilmekte ve kişisel bilgilerini kullanarak kendi hesaplarına erişebilmektedirler. Bu erişim esnasında sürücünün kişisel hesaplarını korumak için kimlik doğrulama yöntemleri kullanılır. Araçlarda uygulanılan kimlik doğrulama yöntemlerinden en yaygını sürücünün sürüş davranışını analiz edilerek kimliğinin doğrulanmasıdır. Bu yöntemi araçlara ve VANET sistemlerine entegre edebilmek için sistemin getirdiği kısıtlar bulunmaktadır. Bu kısıtlar aracın düşük donanım gücüne sahip olmasından, veri tabanının yüksek kapasiteler ihtiyaç duymasından ve bilgi güvenliğininin korunması gerekliliğinden kaynaklı olabilmektedir. Bu kısıtlara örnek olarak araç gibi düşük donanıma sahip cihazların yüksek boyutlu ham sürüş verilerini işleyememesi, blok zincirine dahil edildiği takdirde araca gelen yüksek işlem yükleri kaldıramaması örnek verilebilir. Bu kısıtlarla ilgili literatürde yapılan çalışmalar incelendiğinde sürücünün farklı marka araçlar kullandığında kimlik doğrulamasının nasıl yapılacağı incelenmemiştir. Gerçek hayatta çok rahatlıkla karşılaşabileceğimiz bir sürücünün farklı marka araçları kullanma ihtimali için farklı markaların da birbirleri ile bilgi paylaşımı yapması gerekmektedir. Farklı markaların birbirleri ile bilgi paylaşması ve bu paylaşılan bilgide anlaşmaları için güven ortamı sağlanmış bir yapı gereklidir. Bu yapı blok zinciri entegrasyonu ile sağlanabilir. Çalışmamızda, bir sürücünün farklı marka araçlar kullanırken tüm markalardaki geçmiş sürüş verilerine erişebilmesi için aynı ağda bulunacak araç üreticileri için güven ortamı sağlanmış bir VANET yapısı sunulmuştur. Bu güven ortamını sağlamak için blok zinciri entegrasyonu yapılmıştır. Blok zincirinde yüksek veri boyutlarına sahip ham sürüş verisinin kayıt edilmemesi için çalışmamızda ham sürüş verisine Correlation Based Feature Selection-(CFS) uygulanmıştır. CFS ile elde edilen çok daha düşük boyuttaki yeni verinin blok zincirinde tutulması hem blok zincirinin kapasite ihtiyacından doğacak kısıtı engellemiş hem de CFS verisi ile eğitilen makine öğrenim algoritmalarının daha keskin sonuçlar vererek kimlik doğrulamanın doğruluğunu arttırdığı gözlemlenmiştir. Test aşamasında CFS ile eğittiğimiz kNN algoritması \%99 doğruluğa ulaşmıştır. Sonuç olarak bu çalışma ile sürücülerin farklı marka araçlardaki geçmiş sürüş verilerine ulaşabileceği ve farklı marka araç üreticilerinin birbirleriyle güvenle veri paylaşabileceği bir VANET yapısı sunulmuştur. Ayrıca sunduğumuz yapıda ağ bileşenlerinin birbirleri ile güvenli haberleşmesi için aralarındaki haberleşme protokolleri sunulmuş ve protokollerin güvenli olduğu AVISPA TOOL yardımı ile test edilmiştir.