The advent of Intelligent Transport Systems (ITS) has led to the appearance of vehicles increasingly connected to their environment on global road networks. Due to the strict requirements for low latency and secure interactions in a vehicular environment, the proposal of new architectures is a crucial topic for discussion. This paper aims to develop a vehicular network using several access technologies based on SDN (Software Defined Network) paradigm, to take advantage of the capacities of the various access networks and provide flexibility in their control and management. Confidentiality, integrity, and authentication are essential services to prevent an adversary from compromising the security of vehicular networks. Therefore, good security and privacy management system is necessary to ensure this protection. We represent then a hybrid SDN-VANET architecture that can address all of the challenges we mentioned earlier. We are in the process of implementing a dynamic approach to optimize the positioning of controllers according to changes in network topology due to fluctuations in road traffic. We will also detail the topology estimation service based on machine learning techniques to provide network control functions with potential insight into the future state of the network, unlocking proactive and intelligent network control. We also provide a scheme that prevents and informs about basic and compound attacks and reacts to the privacy and security conditions of the vehicular network, managing the requirements of security management systems. The simulation results showed the effectiveness of the proposed schemes in terms of message loss rates, packet delivery rates (PDR), Round Trip Time (RTT), and delays. With used our scheme, the performance of the network is improved when SDN triggers the change of the RSU entity. Such as, we notice that the average RTT is lowered by 68 ms and that the PDR remains around 94%. We also notice with the integration of the security and privacy scheme (SPS) that the performance of the network is improved, the average RTT is reduced by 51 ms and the PDR persists around 99%.

C-ITS (Cooperative Intelligent Transport Systems) est une nouvelle technologie qui contribue à la réduction des accidents de la circulation et à l'amélioration de la sécurité routière. VANET ( V ehicular A d hoc Networks) sont un système STI basé sur la communication inter-véhicules par la transmission de messages de sécurité de base (BSM), qui sont vulnérables à une variété de comportements inappropriés. Pour résoudre ce défi, nous avons développé dans cet article un système de détection de mauvais comportement (MDS) basé sur une approche d'apprentissage automatisé pour identifier et catégoriser les messages de mauvais comportement délivrés par un véhicule sur les VANET à l'aide de la base de données d'extension VeReMi. Cette étude examine différents types de classification : dans la classification binaire, toutes sortes d'inconduites ont été regroupées en une seule catégorie « inconduite » ; cependant, dans la classification multi-classes pour trois classes, la mauvaise conduite a été divisée en deux classes : les attaques et les fautes. Le classificateur a des problèmes substantiels lors de l'apprentissage à partir de données déséquilibrées wLorsque vous travaillez avec des problèmes multi-classes, cela devient considérablement plus complexe. Les relations entre les catégories ne sont plus bien définies et il est facile de perdre en efficacité dans une classe tout en s'améliorant dans une autre. En conséquence, les résultats ne sont pas cohérents dans l'approche d'apprentissage classique pour la classification multi-classes lors de la classification des comportements répréhensibles dans différents types de classes de comportements répréhensibles. Pour résoudre ce problème, nous avons développé une approche nouvelle et puissante appelée "Approche d'apprentissage guidé pour la classification multi-classes" pour réduire le nombre de classes en combinant des comportements inappropriés comparables en un seul. Selon les résultats, le classificateur Random Forest surpasse les autres classificateurs.