La implementación de la tecnología 5G ha llamado la atención en diferentes escenarios informáticos. Es útil en el contexto de las Ciudades Inteligentes, el Internet de las Cosas (IoT) y la Computación en el Borde, entre otros sistemas. Con el alto número de vehículos conectados, proporcionar soluciones de seguridad de red para el Internet de los Vehículos (IoV) no es un proceso trivial debido a su estructura de gestión descentralizada y características heterogéneas (por ejemplo, tiempo de conexión y cambios de alta frecuencia en la topología de red debido a la alta movilidad, entre otros). Los algoritmos de aprendizaje automático (ML) tienen el potencial de extraer patrones para cubrir mejor los requisitos de seguridad y detectar/clasificar comportamientos maliciosos en una red. Basándonos en esto, en este trabajo proponemos un Sistema de Detección de Intrusiones (IDS) para detectar ataques de inundación en escenarios vehiculares. También simulamos escenarios vehiculares habilitados para 5G utilizando el Simulador de Red 3 (NS-3). Generamos cuatro conjuntos de datos considerando diferentes números de nodos, atacantes y patrones de movilidad extraídos de la Simulación de Movilidad Urbana (SUMO). Además, nuestros tests realizados muestran que el IDS propuesto logró puntajes F1 de 1.00 y 0.98 utilizando árboles de decisión y bosques aleatorios, respectivamente. Esto significa que fue capaz de clasificar correctamente el ataque de inundación en el entorno vehicular 5G considerado.