Artificial Intelligence-based intrusion detection methods for smart vehicular network (VANETs): A Comparative Study

Abstract

The rapid growth of vehicular networks has introduced new opportunities for safer and more efficient transportation systems. Smart Vehicular Networks (VANETs) play a central role in Intelligent Transportation Systems (ITS), enabling real-time communication between vehicles and infrastructure to enhance road safety, reduce congestion, and improve overall traffic management. However, the open and dynamic nature of VANETs makes them highly vulnerable to a wide range of cyber threats, such as Denial of Service (DoS/DDoS), spoofing, Sybil attacks, and message tampering. These threats can compromise communication reliability, disrupt traffic flow, or even lead to severe accidents. To address these challenges, Intrusion Detection Systems (IDS) have become essential components of VANET security. While traditional IDS approaches rely on predefined attack signatures or static rules, they often fail to detect novel or evolving attack patterns in complex vehicular environments. Artificial Intelligence (AI), particularly Machine Learning (ML) and Deep Learning (DL), offers adaptive and data-driven solutions capable of learning hidden patterns from network traffic and identifying anomalies in real time. These techniques enhance detection accuracy, scalability, and resilience against diverse and sophisticated cyberattacks. This thesis provides a comprehensive study of VANETs and their security challenges, with a particular focus on intrusion detection and cyber threat mitigation. It reviews the architecture and applications of VANETs, analyzes common attack vectors, and examines existing IDS techniques. Furthermore, it surveys state-of-the-art AI-driven approaches for intrusion detection in VANETs, highlighting their strengths and limitations. The work concludes with a comparative analysis of offline and real-time detection methods.***

La croissance rapide des réseaux véhiculaires a introduit de nouvelles opportunités pour des systèmes de transport plus sûrs et plus efficaces. Les réseaux véhiculaires intelligents (VANETs) jouent un rôle central dans les systèmes de transport intelligents (ITS), en permettant une communication en temps réel entre les véhicules et les infrastructures afin d’améliorer la sécurité routière, de réduire la congestion et d’optimiser la gestion globale du trafic. Cependant, la nature ouverte et dynamique des VANETs les rend particulièrement vulnérables à un large éventail de menaces informatiques, telles que les attaques par déni de service (DoS/DDoS), l’usurpation d’identité, les attaques de type Sybil et la falsification de messages. Ces menaces peuvent compromettre la fiabilité des communications, perturber la circulation ou même provoquer de graves accidents. Pour relever ces défis, les systèmes de détection d’intrusion (IDS) sont devenus des composants essentiels de la sécurité des VANETs. Alors que les approches traditionnelles d’IDS reposent sur des signatures d’attaque prédéfinies ou des règles statiques, elles échouent souvent à détecter des modèles d’attaques nouveaux ou évolutifs dans des environnements véhiculaires complexes. L’intelligence artificielle (IA), en particulier l’apprentissage automatique (ML) et l’apprentissage profond (DL), propose des solutions adaptatives et basées sur les données, capables d’apprendre des schémas cachés à partir du trafic réseau et d’identifier les anomalies en temps réel. Ces techniques renforcent la précision de la détection, l’évolutivité et la résilience face à des cyberattaques diverses et sophistiquées. Ce mémoire propose une étude approfondie des VANETs et de leurs défis en matière de sécurité, avec un accent particulier sur la détection d’intrusion et l’atténuation des menaces informatiques. Il présente l’architecture et les applications des VANETs, analyse les vecteurs d’attaque les plus courants et examine les techniques d’IDS existantes. De plus, il passe en revue les approches récentes basées sur l’IA pour la détection d’intrusion dans les VANETs, en soulignant leurs forces et leurs limites. Le travail se conclut par une analyse comparative des méthodes de détection hors ligne et en temps réel.