本论文研究联邦学习（FL）在车联网边缘场景中的隐私泄露问题。尽管联邦学习被宣传为一种无需暴露原始数据即可训练共享模型的隐私保护范式，但客户端上传的梯度更新仍可能泄露客户端身份，从而破坏 V2X 等安全关键应用所依赖的匿名性，并加剧模型投毒、后门攻击等对抗风险。作者聚焦于服务器端攻击：一个诚实但好奇的服务器能否根据客户端提交的权重增量推断其身份？作者选用惯性测量单元（IMU）数据，以 UCI 人类活动识别数据集（HAR）作为车载传感器数据的可及代理，设计了五个攻击分类器，并在五种非独立同分布（non-IID）数据划分上评估。实验结果表明，在无防御机制时，攻击准确率近乎完美（约 1.000），证实存在具体且严重的身份可识别风险。为缓解该问题，作者量化了轻量级“裁剪后加噪”防御的隐私-效用权衡：在固定裁剪阈值 C=1.0 下，调节高斯噪声 σ 在 0.00~1.00 范围内，利用 Rényi 差分隐私计算形式化 (epsilon, delta) 预算。结果显示，当 σ 位于 [0.1, 0.2] 这一实用区间时，攻击准确率可降至接近随机猜测，同时联邦学习的主任务相对准确率损失低于 5%。此外，作者提出集成联邦学习（Ensemble FL）作为一种补充性的结构隐私机制，可提供 1/K 匿名集大小的保证，且不引入噪声代价。作者还使用 SHA-256 哈希断言训练集与评估集梯度不相交，并采用三个随机种子和计数归一化的攻击者优势指标确保实验结果可靠。论文明确将 HAR 视为代理数据，讨论了真实车辆遥测验证所需的条件。该工作为车联网联邦学习中的身份隐私威胁提供了系统性的度量与防御思路，对设计隐私保护型 V2X 边缘智能系统具有参考价值。