Las redes vehiculares ad hoc (VANETs) permiten la comunicación entre vehículos y entre vehículos e infraestructuras para proporcionar seguridad y comodidad a los usuarios. Los nodos maliciosos en VANETs pueden difundir información falsa para crear la impresión de un evento falso o congestión en la carretera. Además, varios nodos maliciosos pueden colaborar para lanzar colectivamente un ataque de información falsa y aumentar la credibilidad del ataque. La detección de estos ataques es crucial para mitigar los riesgos potenciales que traen a la seguridad de los usuarios. Las técnicas existentes para detectar ataques de información falsa en VANETs utilizan diferentes enfoques como el aprendizaje automático, blockchain, puntuaciones de confianza, métodos estadísticos, etc. Estas técnicas se basan en información histórica sobre vehículos, datos artificiales utilizados para entrenar la técnica o coordinación entre vehículos. Para abordar estas limitaciones, proponemos una técnica de detección de ataques de información falsa para VANETs utilizando un enfoque de detección de anomalías no supervisado. El objetivo de la técnica propuesta es detectar ataques de información falsa basados únicamente en las características en tiempo real de la red, logrando una alta precisión y baja demora de procesamiento. Los resultados de la evaluación de rendimiento muestran que nuestra técnica propuesta ofrece un 30% menos de demora en el procesamiento de datos y una tasa de falsos positivos un 17% menor en comparación con enfoques existentes en escenarios con altas proporciones de nodos maliciosos.