本文研究车联网边缘智能场景下联邦学习（FL）的隐私泄露问题。虽然FL被普遍视为保护原始传感器数据的隐私方案，但客户端上传的模型更新（梯度/权重增量）仍可能泄露客户端身份，破坏V2X安全关键应用所依赖的匿名性，并增加对抗机器学习、模型中毒和后门攻击的风险。作者提出一种服务端侧攻击视角：一个诚实但好奇的服务器（honest-but-curious server）仅根据客户端发送的权重差异（weight deltas）推断客户端身份，使用惯性测量单元（IMU）数据作为车载传感流的代理，基于UCI人体活动识别（HAR）基准进行实验。研究使用五种攻击分类器和五种非独立同分布（non-IID）数据划分，结果表明在无防御更新下，攻击者几乎总能完美识别客户端（准确率约1.000），证实了具体的可识别性风险。为缓解该风险，作者量化了经裁剪-加噪（clip-then-noise）轻量防御带来的隐私-效用权衡：设置固定裁剪阈值C=1.0，扫描高斯噪声标准差σ ∈ {0.00, 0.05, 0.10, 0.20, 0.50, 1.00}，并通过Rényi差分隐私会计给出形式化的(ε, δ)-DP预算。实验发现实际有效区间（σ∈[0.1, 0.2]）能将攻击准确率降至接近随机猜测，同时联邦学习性能损失小于5%。此外，集成联邦学习（Ensemble FL）提供互补的结构隐私，可实现1/K匿名集边界且不引入噪声代价。所有实验通过SHA-256加密哈希确保训练/评估梯度不重叠、三种随机种子以及计数归一化的攻击者优势指标进行验证。作者将HAR明确作为代理数据集，讨论了在真实车辆遥测数据上验证所需的条件。该研究为车联网场景中的FL隐私风险提供了量化分析，并提出了低成本的实用防御方案。