该论文针对车联网与自动驾驶汽车（CAV）面临的 Sybil 攻击问题展开研究。CAV 依赖假名切换（pseudonym-switching）机制保护车辆隐私，而攻击者恰恰滥用这一机制，在交替使用多个假名身份的同时伪造基本安全消息（BSM），从而制造虚假交通态势。现有方案虽能标记可疑行为，但 Sybil 身份在时间维度上高度碎片化，导致传统单点检测方法和基于序列的深度学习方法难以奏效；更重要的是，仅回答“是否正在发生攻击”无法根除攻击源头，必须把碎片化的假名身份关联回真正的攻击者，即回答“谁应当负责”，而这一任务在极端标签稀缺条件下尤为困难。为此，作者提出 Sybil-TraceGuard——一个面向 Sybil 溯源的动态半监督时空图神经网络框架，由四个紧耦合模块组成：(1) 增量流式攻击检测模块 ISAD，用于高效预筛 Sybil 攻击；(2) 动态拓扑感知构造器 DTC，构建时空动态图以刻画车辆交互演化；(3) 带多头注意力的空间 GAT 编码器 SGEM，用于捕捉空间交互中同一攻击者操控多身份所产生的逻辑冲突；(4) 多尺度时空审计模块 MSTA，分别审计短期与长期的时间不一致性。四个模块在半监督 Mean-Teacher 框架下联合优化，并通过特征-边洗牌扰动在极少标签条件下正则化潜在特征空间。在四类 Sybil 攻击场景上的实验表明，Sybil-TraceGuard 能够有效将碎片化假名链接到源攻击者，在 0.70–0.95 的无标签比例区间内优于当前最优基线，并在极端类别不平衡与不同超参数设置下保持较高稳定性与灵敏度。