فصلنامه تخصصی آرمان پردازش 2783-1361 6 3 2025 10 23 Improving Data Query and Ensuring Security in Mobile Vehicular Networks Using Deep Learning and Blockchain بهبود پرس و جوی داده‌ها و حفظ امنیت در شبکه‌های وسایل نقلیه با استفاده از یادگیری عمیق و بلاکچین 1 17 734011 10.22034/apj.2026.2071330.1054 FA سیدابراهیم دشتی دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی فاطمه مویدی دانشگاه لارستان Journal Article Background and Objectives: With the advancement of vehicular networks and the increasing demand for accurate and timely data, challenges such as data retrieval delays and security concerns have garnered significant attention. Traditional cloud-based storage methods are unable to meet temporal and security requirements due to the considerable distance between vehicles and servers. Although edge computing offers a solution for reducing latency, it requires improvements due to limitations in storage and distributed management. Previous research has primarily focused on one aspect of optimization (reducing delay or enhancing security), with less attention paid to combining these two objectives. This paper aims to propose an innovative hybrid optimization model using deep learning and blockchain that considers both security and delay reduction. This is achieved by optimizing caching locations, storage, retrieval processes, and storing critical information on the blockchain, ensuring a scalable and flexible model adaptable to traffic changes and user demands. <br><br>Methods: The study population and sample include mobile vehicular networks (VANETs), considering edge servers and vehicular nodes. An LSTM model was used to predict traffic patterns and data popularity, while blockchain with a Proof of Authority (PoA) consensus mechanism and smart contracts was employed for secure data storage. Performance was evaluated based on delay, security, and scalability metrics, and compared with existing methods such as Tabu Search, CCS-AGP, and Random Caching in terms of delay and security.<br><br>Findings: The proposed model significantly reduced delay (by 10% to 30% compared to baseline methods). The use of blockchain introduced only an 8% additional delay while elevating security to a "very high" level. The system demonstrated stability and scalability under increasing numbers of nodes and data volume. Simulation results indicated that the combination of deep learning and blockchain achieves an optimal balance between performance and security.<br><br>Conclusion: The proposed model, integrating deep learning and blockchain, not only reduces delay but also ensures data security and integrity. This framework can serve as a foundation for developing intelligent systems in domains such as the Internet of Things (IoT), smart cities, and next-generation transportation. پیشینه و اهداف: با پیشرفت شبکه‌های وسایل نقلیه و نیاز روزافزون به داده‌های دقیق و به‌موقع، چالش‌هایی مانند تأخیر در بازیابی داده‌ها و نگرانی‌های امنیتی به طور فزاینده‌ای مورد توجه قرار گرفته‌اند. روش‌های سنتی ذخیره‌سازی مبتنی بر ابر به دلیل فاصله زیاد بین وسایل نقلیه و سرورها، قادر به پاسخگویی به نیازهای زمانی و امنیتی نیستند. محاسبات لبه اگرچه راه‌حلی برای کاهش تأخیر است، اما به دلیل محدودیت‌های ذخیره‌سازی و مدیریت توزیع‌شده نیاز به بهبود دارد. پژوهش‌های پیشین عمدتاً بر یکی از جنبه‌های بهینه‌سازی (کاهش تأخیر یا افزایش امنیت) متمرکز بوده‌اند و کمتر به ترکیب این دو هدف پرداخته‌اند. هدف این مقاله ارائه مدل بهینه‌سازی نوآورانه ترکیبی با استفاده از یادگیری عمیق و زنجیره بلوکی که علاوه بر تضمین امنیت زمان و تاخیر را مد نظر داشته باشد. این هدف با بهبود محل کش و ذخیره سازی و بازیابی اطلاعات و ذخیره اطلاعات مهم در زنجیره بلوکی انجام شده است، تا مدل مقیاس‌پذیری و انعطاف‌پذیر در برابر تغییرات ترافیکی و تقاضای کاربران باشد. <br><br>روش‌ها‌: جامعه و نمونه شامل شبکه‌های وسایل نقلیه متحرک (VANETs) با در نظر گرفتن خدمت دهندههای لبه و گره‌های وسایل نقلیه است. که از مدل LSTM برای پیش‌بینی الگوهای ترافیکی و محبوبیت داده‌ها استفاده شده است و از زنجیره بلوکی با مکانیزم اجماع PoA و قراردادهای هوشمند برای ذخیره‌سازی امن داده ها استفاده شده است. ارزیابی عملکرد با معیارهای تأخیر، امنیت و مقیاس‌پذیری انجام شده است و با روش‌های موجود مانند Tabu Search, CCS-AGP, و Random Caching از نظر تأخیر و امنیت مقایسه شده اند <br><br>یافته‌ها: مدل پیشنهادی تأخیر را به طور قابل توجهی کاهش داده (۱۰٪ تا ۳۰٪ نسبت به روش‌های مورد مقایسه) است. استفاده از زنجیره بلوکی تنها ۸٪ تأخیر اضافی ایجاد کرد در حالی که امنیت را به سطح «بسیار بالا» رساند. و سیستم در برابر افزایش تعداد گره‌ها و حجم داده‌ها پایدار و مقیاس‌پذیر عمل کرد. نتایج شبیه‌سازی نشان داد که ترکیب یادگیری عمیق و زنجیره بلوکی توازن بهینه‌ای بین عملکرد و امنیت برقرار می‌کند. <br><br>نتیجه‌گیری: مدل پیشنهادی با ترکیب یادگیری عمیق و زنجیره بلوکی، نه تنها تأخیر را کاهش داده، بلکه امنیت و یکپارچگی داده‌ها را نیز تضمین کرده است. https://www.armanprocessjournal.ir/article_734011_76c1dd299efdd53c8d1e9dd702251d99.pdf