Una red ad hoc vehicular (VANET) ha mejorado significativamente la eficiencia del transporte con una gestión eficiente del tráfico, seguridad en la conducción y entrega de mensajes de emergencia. Sin embargo, las VANET existentes basadas en IP enfrentan numerosos desafíos, como la seguridad, movilidad, almacenamiento en caché y enrutamiento. Para hacer frente a estas limitaciones, la red de datos nombrada (NDN) ha ganado una atención significativa como una solución alternativa a TCP/IP en VANET. NDN ofrece características prometedoras, como soporte de conectividad intermitente, enrutamiento basado en nombres y almacenamiento en caché de contenido en la red. Sin embargo, NDN en VANET es vulnerable a una variedad de ataques. Además de los ataques, un ataque de inundación de interés (IFA) es uno de los ataques más críticos. El IFA apunta a nodos intermedios con una tormenta de solicitudes de interés insatisfactorias y satura los recursos de red como la Tabla de Intereses Pendientes (PIT). A diferencia de los enfoques estadísticos basados en reglas tradicionales, este estudio detecta y previene vehículos atacantes explotando un sistema de clasificación binaria de aprendizaje automático (ML) en unidades de carretera (RSUs). En este sentido, empleamos y comparamos la precisión de cinco (5) clasificadores de ML: regresión logística (LR), árbol de decisiones (DT), vecino más cercano (KNN), bosque aleatorio (RF) y Bayes ingenuo gaussiano (GNB) en un conjunto de datos disponible públicamente implementado en el simulador ndnSIM. Los resultados experimentales demuestran que el clasificador RF logró la mayor precisión (94%) en la detección de vehículos IFA. Por otro lado, evaluamos un sistema de prevención de ataques en Python que permite a los vehículos intermedios aceptar o rechazar solicitudes de interés basadas en la legitimidad de los vehículos. Por lo tanto, nuestra técnica propuesta de detección de IFA contribuye a detectar y prevenir que los vehículos atacantes comprometan los recursos de red.