پروتکل olsr به عنوان یکی از چهار پروتکل مسیریابی استاندارد برای شبکه های اقتضایی سیار، در برابر سوءرفتارهای انجام شده از جانب گره‎های مجاز شبکه آسیب‎پذیر است. سیستم‎های تشخیص نفوذ برای شناسایی این سوءرفتارها ارائه می شوند. سیستم تشخیص ناهنجاری نوعی از این سیستم هاست که سعی می کند رفتار غیر عادی را با یادگیری الگوی رفتار عادی شبکه شناسایی کند. یک مسئله مهم در مورد این سیستم ها مجموعه خصیصه هایی است که برای جمع آوری داده های مورد نیاز استفاده می نمایند. از آنجا که حمله‎های مختلف بر بخش‎های مختلف رفتار شبکه اثر می گذارند یک سیستم تشخیص ناهنجاری که از تعداد خصیصه‎های کم و نامناسب استفاده می کند قادر به تشخیص همه ناهنجاری‎ها نیست و از طرفی تعداد خصیصه‎های زیاد نیز ممکن است باعث کاهش دقت شود. به منظور ایجاد سیستم‎های تشخیص نفوذ در شبکه‎های اقتضایی که برای مسیریابی پروتکل olsr را به کار می‎برند از دو رویکرد کلی استفاده می‎شود: تغییر و توسعه پروتکل، و روش های یادگیری ماشین. در این پژوهش ما مجموعه ای از خصیصه های پروتکل olsr را برای پوشش تمام جنبه های رفتاری آن معرفی، و با استفاده از رویکرد یادگیری ماشین یک سیستم تشخیص ناهنجاری بر اساس جمع‎آوری مفهومی داده‎ها (cdc-ads) ارائه می کنیم. این سیستم خصیصه ها را بر اساس منبع داده‎ها در چهار گروه در نظر گرفته و سپس یک الگو برای داده‎های عادی در هر گروه یادگیری می کند. برای تعیین عادی یا غیرعادی بودن یک رفتار، نظرات الگوهای یادگیری شده در رابطه با آن رفتار (شاخص‎های ناهنجاری) اخذ و تجمیع می گردند. ما برای تجمیع شاخص‎های ناهنجاری یک شیوه مبتنی بر انتخاب و میانگین‎گیری را معرفی می کنیم که بر طبق آن سه عدد از شاخص‎ها به عنوان خوش‎بین، بدبین، و علاقه مندی نمونه (شاخصی که نمونه مورد ارزیابی تمایل دارد با آن سنجیده شود) گزینش و از آن‎ها میانگین‎گیری می شود. آزمایشات نشان می دهد که جمع‎آوری داده ها در چهار گروه و ترکیب نظرات با شیوه مبتنی بر انتخاب و میانگین‎گیری، در مورد حمله‎های گوناگون نرح تشخیص را افزایش و نرخ هشدار نادرست را کاهش می دهد. همچنین ارزیابی‎ها با شرایط گوناگون شبکه ای (سرعت ها و بازه های زمانی مختلف) بیانگر قدرت و جایگاه cdc-ads می باشد.