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。