Abstract:
Les reseaux véhiculaires ad hoc (VANETs) jouent un role central dans les Systémes de
Transport Intelligents (STI) en facilitant la communication entre vehicules (V2V) et entre véhicules
et infrastructures (V2I). Toutefois, leur nature ouverte et dynamique les rend vulnerables a di-
verses cybermenaces, notamment les attaques de type Blackhole. Pour renforcer la detection
d'intrusions (IDS) dans ces environnements, nous proposons une approche hybride combinant
le Machine Learning (ML), le Deep Learning (DL) et la theorie des jeux. Cette approche re-
pose sur l'utilisation de deux architectures genératives : un Conditional Generative Adversa-
rial Network (cGAN) et un Quantum GAN (QGAN), ce dernier exploitant les principes de
l'informatique quantique tels que la superposition et l'intrication. Les donnees synthétiques
générées permettent d' équilibrer le jeu de données et d'entrainer un Multi-Layer Perceptron
(MLP) performant. En modelisant l'interaction entre l'attaquant ( en érateur) et le d fenseur
(MLP) comme un jeu a somme non nulle, notre solution améliore la robustesse et l'adaptabilitée
des systèmes IDS face aux attaques évolutives dans les VANETs.
