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。

现代车载网络面临内部电子控制单元（ECU）和外部车联网（V2X）通信不断扩大的攻击面。联邦学习（FL）作为一种去中心化范式，被用于在不牺牲数据隐私的前提下部署入侵检测系统（IDS）。然而，车载FL-IDS文献存在方法论碎片化和实验设置不切实际的问题。本文呈现了一篇系统化知识（SoK）论文，统一了车载攻击面的分类学，评估了FL拓扑结构，并映射了投毒攻击和推理攻击等对抗性威胁。通过审计60多篇出版物，识别出反复出现的陷阱：人为的独立同分布（IID）数据划分、依赖琐碎的基准测试、对抗性评估薄弱、以及忽略实时CAN总线约束。最后，定义了一个前瞻性研究议程，并概述了将车载FL-IDS从乐观仿真过渡到安全现实部署所需的最低基准测试要求。

该论文针对车载网络中数据共享的隐私和可扩展性问题，提出了一种基于博弈论的新型框架。框架采用混合架构，由提供传感器数据的车辆、通过安全多方计算独立处理数据的服务器、管理数据流的协调节点以及设定经济激励的数据消费者组成。核心创新在于结合Stackelberg竞争博弈论原理，动态平衡隐私保护与经济激励，使车辆能根据感知的隐私风险和经济回报做出参与决策。框架确保只有数据消费者能访问完全聚合的数据，防止原始数据泄露。作者使用真实车载位置数据进行实证验证，通过评估对手仅用部分共享数据重构车辆路径的精度来量化隐私风险。论文还详细描述了在该框架内开发的数据交易平台，构建了一个实用且保护隐私的车辆数据共享市场。实验和模拟评估了系统保护隐私的有效性，并探讨了影响车辆参与度的动态因素。研究结果证明了该框架在保护隐私的同时支持活跃数据市场的鲁棒性。适合车载网络、隐私保护和经济激励设计领域的研究者阅读。