Las iniciativas relacionadas con Vehículos Conectados y Autónomos (CAV) se han convertido en algunas de las de más rápido crecimiento en los últimos años, y han comenzado a afectar la vida diaria de las personas. Cada vez más empresas y organizaciones de investigación han anunciado sus iniciativas, y algunas han iniciado pruebas en carretera de CAV. Los gobiernos de todo el mundo también han introducido políticas para apoyar y acelerar la implementación de CAVs. Junto a esto, temas como la ciberseguridad de CAV se han vuelto predominantes, formando una parte esencial de las complicaciones de la implementación de CAV. Sin embargo, no existe un marco universalmente acordado o reconocido para la ciberseguridad de CAV. En este documento, siguiendo los principios de ciberseguridad de CAV del Reino Unido, proponemos un marco de ciberseguridad de CAV basado en UML (Lenguaje de Modelado Unificado), y en base a eso clasificamos las posibles vulnerabilidades de los sistemas de CAV. Con este marco, se genera un nuevo conjunto de datos de ataques cibernéticos de comunicación de CAV (llamado CAV-KDD) basado en el conjunto de datos de referencia ampliamente probado KDD99. Este conjunto de datos se centra en los ataques cibernéticos de comunicación de CAV. Se desarrollan dos modelos de clasificación, utilizando dos algoritmos de aprendizaje automático, a saber, Árbol de Decisión y Naive Bayes, basados en el conjunto de datos de entrenamiento CAV-KDD. Se comparan y analizan la precisión, precisión y tiempo de ejecución de estos dos modelos al identificar cada tipo de ataques de comunicación basados en CAV. Se descubre que el modelo de Árbol de Decisión requiere un tiempo de ejecución más corto y es más apropiado para la detección de ataques de comunicación de CAV.