随着核心网逐渐下沉的发展,车联网与边缘计算结合的车联网边缘云成为研究热点。由于边缘网络下节点的移动实时性和资源受限特性,传统的网络安全模型和机制难以适用,重塑网络体制以克服现有攻击思维更是难以施行,只有考虑到现有技术的可迁移性和车联网边缘特性结合智能学习方法,建立车联网边缘入侵检测等主动防御模型才能保障车联网服务的安全性;同时,在“智能模型即服务”的模式下,AI隐私领域越来越受关注,对智能模型的攻击模式层出不穷。本文在入侵检测系统基础上应用隐马尔科夫模型（HMM）和入侵检测系统（IDS）,设计了车联网边缘异常检测方案;探索车联网边缘网络结构,提出了描述网络数据分布的模型;使用差分隐私机制改进模型以抵御隐私窃取。主要内容如下:设计了分布式的IDS车联网边缘安全方案,在车辆簇头节点处使用HMM检测未知攻击,同时所有簇头监视节点相互合作负责边缘网络的异常检测。在安全方案基础上,提出一种车联网边缘混合HMM模型描述网络节点数据序列的分布;使用边缘卸载带来的节点安全相似性对混合HMM改进,结合车辆在区域内的移动,得到动态计算卸载混合HMM网络模型。利用并行神经网络求取各VM节点的卸载距离,使用Baum-Welch算法和随机梯度训练HMM网络模型参数以检测异常。在CIC-IDS-2017数据集上测试了两种模型的性能,对于混合攻击模式取得了良好的ROC曲线和AUC值,并衡量了计算卸载等通信业务带来的节点相似性对模型的影响。在计算卸载混合HMM模型的训练过程中进行自适应的隐私预算分配,即提出一种自适应的?零集中差分隐私机制,避免迭代次数过大或者接近极值时引入过多噪声。对于EM式迭代策略,提出几种隐私预算分配机制解决隐私剩余和模型提前收敛的矛盾。仿真结果显示训练过程中梯度既能保持混淆效果,方向也能保持在“主航道”内。