… exploitant les messages CAM (Cooperative Awareness Message), utilisés par les véhicules pour partager leur position et leur vitesse. Nous proposons une approche pour un système de détection d’intrusions (IDS) distribué, conçu pour atténuer les attaques DDoS dans un environnement de véhicules connectés. Dans un premier temps, Nous avons évalué l’impact des attaques CAM-DDoS sur les véhicules connectés à travers divers scénarios de simulation. Ces scénarios ont révélé une diminution du taux de diffusion des CAMs par les véhicules légitimes et une accumulation de données invalides. Par la suite, nous avons proposé une architecture distribuée pour un IDS et évalué l’efficacité de trois algorithmes supervisés d’apprentissage ensembliste contre ces attaques. Face au défi de la généralisabilité des modèles d’apprentissage automatique, nous avons également étudié la robustesse de notre approche de détection contre d’autres types d’attaques DDoS, comme le JamDDoS. Les résultats montrent que tous les messages DDoS sont traités de manière uniforme, ce qui explique la robustesse des modèles contre les attaques étudiées. En outre, nous avons démontré comment une attaque DDoS peut être transformée en une attaque Sybil DDoS, capable d’échapper aux détecteurs DDoS dans un environnement de véhicules connectés où la sécurité est critique. Pour y remédier, nous avons développé et évalué une approche optimisée de gestion des données, servant de base à notre modèle de détection ensembliste par vote majoritaire. Les résultats obtenus démontrent une détection efficace des attaques, avec une réduction des faux positifs dans le cas des attaques Sybil DDoS.