由于V2G网络的特点和通信资源有限，很容易受到潜在的网络威胁。DDoS攻击是V2G网络的重要威胁之一，它可以在短时间内耗尽服务器的通信资源。此外，此前的方法以集中式模型为主，将数据从边缘设备传输到中央服务器进行训练，这可能会将数据暴露给各种攻击。因此研究了一种基于联邦学习的入侵检测系统。首先，考虑到V2G网络数据的高维性和数据间的时间依赖性，将采集的数据通过改进的特征选择算法进行降维，减少冗余特征，再将处理后的数据传入到融合了卷积神经网络和双向长短时记忆网络的混合模型中，捕获数据中的时间依赖性，并引入批标准化防止神经网络训练过程中出现梯度消失问题。其次，为了防止隐私泄漏，结合联邦学习的固有特性，允许数据留在本地用于神经网络模型的训练。此外，为了解决联邦学习通信造成网络负载压力过大的问题，设计了一种通过设置动态通信阈值筛选参与更新最优边缘设备的方案，减轻网络负载压力。实验结果表明，该方法的准确率可以高达99.95%，单轮通信时间减少了1.7秒。