Integration of Metaheuristic Optimization and AI for Cyber Threat Mitigation in Smart Vehicular Networks

Abstract

Modern intelligent transportation systems depend on smart vehicular networks to enable seamless vehicle-to-vehicle and vehicle-to-infrastructure communication, enhancing both road safety and traffic efficiency. However, this increased connectivity introduces a broad spectrum of cyber threats, posing significant risks to public safety and data integrity. To address these challenges, this work presents a comprehensive cyber threat detection framework for smart vehicular networks, centered on a robust XGBoost-based architecture. The proposed system employs a multi-stage optimization pipeline: metaheuristic feature selection (using Battle Royale Optimization), advanced feature engineering, and global hyperparameter tuning via Differential Evolution. This approach systematically reduces feature dimensionality, improves model interpretability, and maximizes detection performance. A sender-aware validation protocol is implemented to ensure true generalization to unseen vehicular entities, effectively preventing data leakage and overfitting. The optimized XGBoost model demonstrates strong and realistic accuracy and macro-averaged F1-score on the VeReMi Extension dataset. The system also uses class weighting strategies to address severe class imbalance and is designed for real-time deployment, supporting integration with existing vehicular security infrastructures. This dissertation briefly presents the technologies, methodology, and optimization strategies used, along with an evaluation of results and their implications for intelligent transportation security. The findings confirm that combining metaheuristic optimization with advanced machine learning provides a scalable and effective solution for cyber threat detection in smart vehicular networks. ***

Les syst`emes de transport intelligents modernes reposent sur des r´eseaux v´ehiculaires intelligents afin de permettre une communication fluide entre v´ehicules (V2V) et entre v´ehicules et infrastructures (V2I), am´eliorant ainsi la s´ecurit´e routi`ere et l’efficacit´e du trafic. Cependant, cette connectivit´e accrue expose ces r´eseaux `a un large ´eventail de cybermenaces, pr´esentant des risques importants pour la s´ecurit´e publique et l’int´egrit´e des donn´ees. Pour r´epondre `a ces d´efis, ce travail propose un cadre complet de d´etection des cybermenaces pour les r´eseaux v´ehiculaires intelligents, bas´e sur une architecture robuste exploitant XGBoost. Le syst`eme propos´e utilise une chaˆıne d’optimisation en plusieurs ´etapes : s´election de caract´eristiques par m´etaheuristique (via Battle Royale Optimization), ing´enierie avanc´ee des caract´eristiques et r´eglage global des hyperparam`etres par Differential Evolution. Cette approche permet de r´eduire syst´ematiquement la dimensionnalit ´e, d’am´eliorer l’interpr´etabilit´e du mod`ele et de maximiser les performances de d´etection. Un protocole de validation tenant compte de l’exp´editeur est mis en oeuvre afin d’assurer une v´eritable g´en´eralisation `a de nouveaux v´ehicules, ´evitant efficacement la fuite de donn´ees et le surapprentissage. Le mod`ele XGBoost optimis´e affiche une pr´ecision robuste et un score F1 macro-moyenn´e r´ealiste sur le jeu de donn´ees VeReMi Extension. Le syst`eme int`egre ´egalement des strat´egies de pond´eration des classes pour traiter le d´es´equilibre s´ev`ere des classes et est con¸cu pour un d´eploiement en temps r´eel, facilitant l’int´egration avec les infrastructures de s´ecurit´e v´ehiculaires existantes. Ce m´emoire pr´esente bri`evement les technologies, la m´ethodologie et les strat´egies d’optimisation utilis´ees, ainsi qu’une ´evaluation des r´esultats et de leurs implications pour la s´ecurit´e des transports intelligents. Les r´esultats confirment que la combinaison de l’optimisation m´etaheuristique et de l’apprentissage automatique avanc´e offre une solution ´evolutive et efficace pour la d´etection des cybermenaces dans les r´eseaux v´ehiculaires intelligents.