Las recientes mejoras en los coches autónomos y conectados prometen mejorar la seguridad vial al reducir riesgos y accidentes. Sin embargo, las preocupaciones de seguridad limitan su aceptación. Estos vehículos, interconectados con la infraestructura y otros coches, son vulnerables a ciberataques, lo que podría llevar a costos severos, incluyendo lesiones físicas o muerte. En este artículo, proponemos un marco para un sistema de detección de intrusiones para proteger las comunicaciones internas del vehículo de posibles ataques y garantizar datos enviados/transferidos de manera segura. En el sistema propuesto, se utilizan conjuntos de datos reales de auto-red con ataques de suplantación, DoS y difusos. Para distinguir con precisión entre mensajes benignos y maliciosos, este estudio empleó siete algoritmos de aprendizaje automático supervisado distintos para la clasificación de datos. Los algoritmos seleccionados abarcaron árboles de decisión, bosques aleatorios, Naive Bayes, regresión logística, XG Boost, LightGBM y perceptrones multicapa. El sistema de detección propuesto funcionó bien en grandes conjuntos de datos de hacking de coches reales. Logramos una alta precisión en la identificación de diversas intrusiones electrónicas a través de las complejas redes internas de vehículos conectados y autónomos. El bosque aleatorio y LightGBM superaron a los otros algoritmos examinados. El bosque aleatorio superó a los otros algoritmos en la prueba del conjunto de datos combinado, con un 99.9% de precisión y el costo computacional más bajo. El algoritmo LightGBM, por otro lado, tuvo un rendimiento admirable en el ámbito de la clasificación binaria, obteniendo la misma notable precisión del 99.9% sin sobrecarga computacional.