Etudiant : SELLOUM OTHMANE

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. BOUHOUTE AFAF

Annèe : 2025

Résumé : L’émergence des véhicules autonomes, rendue possible par les avancées technologiques en systèmes embarqués et en intelligence artificielle, repose fortement sur la capacité des véhicules à communiquer entre eux et avec leur environnement via des réseaux véhiculaires (VANETs). Cependant, ces réseaux dynamiques et décentralisés sont particulièrement vulnérables aux attaques malveillantes (faux messages, usurpation d’identité, attaques Sybil, etc.), mettant en péril la sécurité et la fiabilité de la circulation autonome. La détection rapide et précise des anomalies dans ces réseaux devient donc une priorité critique. Face aux limites des approches supervisées traditionnelles, ce travail propose une solution basée sur l’apprentissage auto-supervisé par contraste, une technique qui apprend à distinguer des comportements normaux et anormaux sans nécessiter de grandes quantités de données annotées. Nous avons étudié et appliqué deux méthodes contrastives reconnues : SimCLR et SCARF. Après un prétraitement rigoureux du jeu de données VeReMi (nettoyage, normalisation, exploration), nous avons évalué ces représentations via des modèles de classification supervisée (XGBoost, Random Forest) et de clustering non supervisé (K-Means). Les résultats montrent que : • SimCLR couplé à XGBoost offre la meilleure performance globale en classification, avec une précision de 89.3% et un F1-score de 84.9%. • SCARF excelle dans les tâches de clustering, en particulier avec 1000 clusters, atteignant un F1-score de 60.73% en binaire et 61.47% en multiclasse. • Le nombre de clusters a un impact significatif sur les performances en clustering, bien qu’il présente un effet de saturation au-delà d’un certain seuil. En conclusion, ce projet démontre que l’apprentissage contrastif est une approche puissante et adaptée pour détecter les anomalies dans les VANETs, en améliorant à la fois la précision, la généralisation, et l’autonomie des systèmes de détection. Ces résultats ouvrent des perspectives prometteuses pour renforcer la sécurité des véhicules intelligents dans un environnement urbain de plus en plus connecté. Mot clés : véhicules autonome, VANETs, détection des anomalies, Contrastive Learning, apprentissage auto-supervisé, SimCLR, SCARF, Communication des véhicules