信号相位和定时（SPaT）消息是联网汽车（CV）安全的关键组件，通过车辆到基础设施（V2I）和车辆到车辆（V2V）通信，使车辆能够感知和响应交叉路口状态。然而，当路侧单元或对等车辆被入侵时，应用层攻击可以绕过传统认证机制，威胁 SPaT 消息的完整性。现有入侵检测研究要么侧重于保护基础设施侧，要么针对 V2V 基本安全消息（BSM）/协作感知消息（CAM）的异常行为，缺乏从车载单元视角对 SPaT 完整性的检测研究。为填补这一空白，作者提出了 SPADE——SPaT 攻击检测与评估数据集，这是一个带标签的多模态仿真数据集，专为深度学习入侵检测系统研究设计。SPADE 通过 Eclipse MOSAIC 仿真器生成，在 SAE J2735 应用层执行运行时攻击注入，涵盖六个攻击类别和一个良性类别。通过结合四种交叉路口几何结构、六种运行条件和五个独立随机种子重复，SPADE 包含 180 个独特的基础场景运行，共产生约 1,890,000 条带标签的时间步记录（每类约 270,000 条）。每条记录融合了 SPaT 消息字段、车载摄像头置信度分数和协作式 V2V 对等数据，共 40 个特征，反映了区分故意攻击与环境退化所需的多模态信号空间。该数据集、生成代码和场景配置已在 GitHub 上公开发布，以支持 C-V2X 领域可重复和可比较的入侵检测研究。该工作首次聚焦于车载端对 SPaT 消息的攻击检测，为后续基于多模态特征的深度异常检测模型提供了大规模基准，对智能交通系统安全研究具有重要意义。