در این پایان نامه، رویکردی ممتیکی مبتنی بر سیستم ایمنی مصنوعی و الگوریتم کلونی زنبورهای مصنوعی، به نام beemanet، برای تشخیص ناهنجاری پویا در شبکه های اقتضایی متحرک با پروتکل مسیریابی aodv پیشنهاد می شود. رویکرد beemanet شامل سه مرحله اصلی یادگیری برون خطی، تشخیص و یادگیری درون خطی است. در رویکرد پیشنهادی، ابتدا مجموعه ای از بردارهای ویژگی از ترافیک عادی شبکه استخراج می شود. هر بردار ویژگی توسط یک فراکره با شعاع ثابت در فضای ویژگی نمایش داده می شود. در مرحله آموزش، با استفاده از الگوریتم ممتیکی nichingmabc مجموعه ای از شناساگرهای کروی برای پوشش حداکثری فضای غیرعادی تولید می شود. در فرآیند تولید شناساگرهای کروی، از یک الگوریتم جستجوی محلی برای بهبود این شناساگرها و از تخمین مونت کارلو برای جلوگیری از تکرارهای غیرضروری استفاده می شود. در مرحله تشخیص، با استفاده از شناساگرهای کروی تولید شده ناهنجاری ها در ترافیک شبکه تشخیص داده می شوند. در مرحله به روزرسانی، با توجه به پویایی همبندی شبکه، این شناساگرها در بازه های زمانی مشخص با استفاده از یکی از دو روش به روزرسانی جزیی یا کلی به روزرسانی می شوند. برای تعیین بازه های زمانی مناسب برای انجام فرآیند به روزرسانی کلی از تخمین مونت کارلو استفاده می شود. نتایج آزمایش های انجام شده برای ارزیابی کارآیی رویکرد beemanet نشان می دهند که این رویکرد قادر است حملات مسیریابی ارسال سیل آسا، سیاه چاله، همسایه، سریع و لانه کرمی را با میانگین نرخ تشخیص 96.11% و میانگین نرخ هشدار نادرست 1.45% تشخیص دهد که در مقایسه با سایر رویکردهای مشابه قادر است توازن بهتری میان نرخ تشخیص و نرخ هشدار نادرست برقرار کند.