Vehicular ad-hoc networks have been emerging as an inevitable research topic in recent years due to its applications in Intelligent Transportation System. Establishing end-to-end communication and high authenticate information transfer in vehicular networks remains to be a real challenge due to the dynamic topology change, vehicle interspacing, high vehicle density and non-intelligent authenticated routing mechanisms. To address these aforementioned, a unique stochastic based adaptive routing integrated with secured 3D logistic chaotic maps and traffic flow predictions has been developed and referred in this paper as Stochastic Chaos based Adaptive Routing with Prediction (SCARP). The SCARP can perform the good traffic flow predictions using strong deep learning networks which recommends a stochastic based node discovery routing principle. This approach has reduced connectivity loss, minimized delay and as well provides chaotic authentication to form an efficient and safe data transmission among the vehicular nodes. The performance testing of this proposed method is done with a few months of traffic data obtained from the layout Puducherry U.T, India. These experimentations are carried out in SUMO-OMNET++ environment and compared with existing learning and routing algorithms. Simulation results demonstrates that the proposed algorithm has outperformed the other existing algorithms in terms of prediction accuracy, sensitivity, average delay, packet delivery ratio. Also the transmission performance of the proposed algorithm has more robustness with the high intensity DoS attacks.

由于其在智能交通系统中的应用，近年来车辆自组织网络已成为不可避免的研究主题。由于动态拓扑变化，车辆间隔，高车辆密度和非智能认证路由机制，在车载网络中建立端到端通信和高认证信息传递仍然是一个真正的挑战。为了解决上述问题，已经开发了一种集成了安全3D逻辑混沌地图和交通流预测的，基于随机的独特自适应路由，在本文中称为基于随机混沌的自适应预测路由（SCARP）。SCARP可以使用强大的深度学习网络来执行良好的流量预测，该网络推荐基于随机的节点发现路由原理。这种方法减少了连接损耗，最大程度地减少了延迟，还提供了混乱的身份验证，以在车辆节点之间形成有效而安全的数据传输。此提议方法的性能测试是通过从印度Puducherry UT布局中获得的几个月的交通数据来完成的。这些实验是在SUMO-OMNET ++环境中进行的，并与现有的学习和路由算法进行了比较。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。最小化延迟，并且还提供混沌认证，以在车辆节点之间形成有效且安全的数据传输。此提议方法的性能测试是通过从印度Puducherry UT布局中获得的几个月的交通数据来完成的。这些实验是在SUMO-OMNET ++环境中进行的，并与现有的学习和路由算法进行了比较。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。最小化延迟，并且还提供混沌认证，以在车辆节点之间形成有效且安全的数据传输。此提议方法的性能测试是通过从印度Puducherry UT布局中获得的几个月的交通数据来完成的。这些实验是在SUMO-OMNET ++环境中进行的，并与现有的学习和路由算法进行了比较。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。此提议方法的性能测试是通过从印度Puducherry UT布局中获得的几个月的交通数据来完成的。这些实验是在SUMO-OMNET ++环境中进行的，并与现有的学习和路由算法进行了比较。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。此提议方法的性能测试是通过从印度Puducherry UT布局中获得的几个月的交通数据来完成的。这些实验是在SUMO-OMNET ++环境中进行的，并与现有的学习和路由算法进行了比较。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。仿真结果表明，该算法在预测精度，灵敏度，平均时延，分组传输率等方面均优于其他算法。此外，该算法的传输性能在高强度DoS攻击下具有更强的鲁棒性。