车联网作为智能交通系统中的重要组成部分,在交通管理、安全驾驶以及网络服务等方面均得到了广泛的应用,为提供安全的交通环境发挥重要作用。另一方面,由于车联网具有网络拓扑变化快、通信稳定性差等特点导致车辆节点容易遭受到多种网络攻击,这些网络攻击又为智能交通增加了很大的安全隐患。节点异常检测是实现网络安全的一道重要防线,当网络遭受攻击时,高效的异常检测机制可快速检测出异常节点,并将其隔离网络之外,避免影响其它正常节点的工作。本文针对以上问题设计了两种不同的异常检测机制,具体研究内容及贡献如下:车联网环境多变,攻击类型具有不确定性,传统的异常检测机制不能对数据进行实时响应。考虑到上述特点,设计了一种基于变分自编码器的无监督异常检测机制,车辆节点可对网络中多种攻击进行检测。其次,考虑到车联网通信资源受限,将通信信息实时准确的发送给中央处理器对网络通信能力要求过高,因此,选择采用分布式联邦学习技术,可在节省通信资源的同时,保护数据隐私并解决数据孤岛问题。然而,联邦学习存在固有的投毒攻击问题,为保证模型训练过程安全可靠,基于联盟享乐博弈技术提出了一种联邦学习检测架构,从而保证恶意节点的投毒攻击对全局模型训练过程不造成威胁。仿真验证了所提机制异常检测的准确率,并且在有多个投毒节点时仍能保证检测系统的有效性。其次,考虑到某些特殊场景中基础设施部署不完善,存在中央服务器无法覆盖的区域,提出了一种完全分布式的异常检测机制,主要包括以下阶段:1)节点进行信誉度评估以及通信稳定性评估,并生成通信质量矩阵;2)节点独立完成局部模型的训练;3)节点间通信交互局部模型,并根据通信质量矩阵更新自身的局部模型;4)全局模型聚合,最终生成适用于各个节点的异常检测模型。完全分布式的异常检测机制可以较少依赖中央服务器,在中央服务器可用性低的情况下保证异常检测系统的正常运行。仿真验证了所提机制的可行性,并且证明其具有较好的开放性,当节点个数越多时,模型的收敛速度越快。