Les Surcoûts Des Mécanismes De Sécurité Dans Les Vanets

Résumé: Les voitures connectées augmentent le niveau de sécurité et d’efficacité pour les particuliers, les flottes de véhicules, et les entreprises de transports publics. Cependant, équipé les véhicules avec des technologies de commu nication et d’information soulève également des menaces de sécurité, qui menacent considérablement les données et la vie des utilisateurs. En utilisant un bot malware, un pirate informatique peut compromettre un véhicule et le contrôler à distance, par exemple il peut désactiver les freins ou démarrer le moteur à distance. Dans cette thèse, outre les attaques à bord de véhicules existantes dans la littérature, nous considérons les nouvelles attaques de bot malware de type "zero-day" spécifiques au contexte des véhicules, WSMP Flood et Geo-WSMP Flood. Ensuite, nous proposons AntibotV, un framework de détection des botnets basé sur une détection comportemental à plusieurs niveaux dans les réseaux véhiculaires. Le framework proposé combine deux modules principaux pour la détection des attaques, le premier surveille les activités du véhicule au niveau du réseau, tandis que le second surveille les activités à l’intérieur du véhicule. Les deux modules de détection d’intrusion ont été formés en utilisant les algorithmes d’arbres de décision, à l’aide de deux datasets, la première du trafic réseau que nous avons généré, et la deuxième du trafic in-véhiculaire. Les résultats expérimentaux ont montré que le framework proposé est plus performant que les solutions existantes, il atteint un taux de détection supérieur à 97 % et un taux de faux posi tifs inférieur à 0,14 %. Cependant, pour former et valider notre framework, l’idéal était d’utiliser un ensemble de données réalistes et représentatives contenant des traces réelles de trafic véhiculaires. Et comme aucune base de données réelle des réseaux véhiculaires n’a été publiée jusqu’à aujourd’hui, dans notre deuxième contribution, nous proposons un nouvel ensemble de données, le VDoS-LRS, qui comprend le trafic légitime et simulé des réseaux v véhiculaires, ainsi que différents types de cyber-attaques de déni de service. Nous présentons également un environnement de banc d’essai réaliste au lieu de simulateurs, en prenant en considération différents environnements (urbain, routier et rural). Nous évaluons la fiabilité de l’ensemble de données VDoS-LRS en utilisant différents algorithmes d’apprentissage automatique. Les résultats expérimentaux ont montré qu’il est possible de détecter effi cacement différents types de cyber-attaques de déni de service dans divers environnements.

Publié dans la revue: