Artificial Intelligence-based intrusion detection and cyber threats mitigation system within smart vehicular network (VANETs

Abstract

Road safety is crucial as it directly impacts citizens’ quality of life. To achieve safer and more efficient transport networks, Intelligent Transportation Systems (ITS) leverage vehicleto- everything (V2X) communications, enabling seamless interaction between vehicles and infrastructure for improved traffic flow and safety. However, the high mobility and dynamic topology of vehicular networks make them vulnerable to cyber attacks. Conventional intrusion detection systems (IDS) struggle to detect novel or sophisticated threats in real time. Attacks such as Denial-of-Service (DoS), replay, and Sybil attacks can disrupt communication and compromise road safety, underscoring the need for advanced detection methods suited to such environments. This research introduces a hierarchical IDS for VANETs, combining a lightweight Cat- Boost classifier at Roadside Units (RSUs) for fast anomaly detection with a centralized deep learning model—integrating Bi-LSTM, CNN, and attention mechanisms—for precise multiclass attack classification. The system was trained on an extended VeReMi dataset and fine-tuned with data generated using NS-3 and SUMO. Evaluated in a real-time VANET simulation, the proposed two-tier IDS achieved high detection accuracy with low latency. Compared to state-of-the-art methods, it outperforms standalone machine and deep learning IDS, demonstrating the effectiveness of combining multiple techniques to strengthen cybersecurity in ITS and mitigate diverse cyber threats.***

La sécurité routière est cruciale car elle impacte directement la qualité de vie des citoyens. Pour rendre les réseaux de transport plus sûrs et plus efficaces, les Systèmes de Transport Intelligents (ITS) s’appuient sur les communications véhicule-à-tout (V2X), permettant une interaction fluide entre les véhicules et les infrastructures afin d’améliorer la circulation et la sécurité routière. Cependant, la forte mobilité et la topologie dynamique des réseaux véhiculaires les rendent vulnérables aux cyberattaques. Les systèmes classiques de détection d’intrusion (IDS) peinent à identifier en temps réel des menaces nouvelles ou sophistiquées. Des attaques telles que le Déni de Service (DoS), la relecture et l’attaque Sybil peuvent perturber les communications et compromettre la sécurité routière, soulignant la nécessité de méthodes de détection avancées adaptées à ces environnements. Cette recherche propose un IDS hiérarchique pour les VANETs, combinant un classifieur CatBoost léger déployé dans les unités routières (RSU) pour une détection rapide des anomalies, et un modèle centralisé de deep learning intégrant Bi-LSTM, CNN et des mécanismes d’attention pour une classification précise des attaques multi-classes. Le système a été entraîné sur une version étendue du jeu de données VeReMi et affiné avec des données générées via NS-3 et SUMO. Évalué dans une simulation VANET en temps réel, l’IDS proposé à deux niveaux a atteint une grande précision de détection avec une faible latence. Comparé aux méthodes de pointe existantes, il surpasse les IDS basés uniquement sur l’apprentissage automatique ou profond, démontrant l’efficacité de la combinaison de plusieurs techniques pour renforcer la cybersécurité des ITS et contrer une large gamme de menaces.