预训练模型容易受到外部敌手实施的模型微调和模型剪枝等攻击，导致它的完整性被破坏。针对这一问题，提出一种针对黑盒模型的脆弱指纹框架FFWAS （Fragile Fingerprint With Adversarial Samples）。首先，提出一种无先验知识的模型复制框架，而FFWAS为每一位用户创建独立的模型副本；其次，利用黑盒方法在模型边界放置脆弱指纹触发集，若模型发生修改，边界发生变化，触发集将被错误分类；最后，用户借助模型副本上的脆弱指纹触发集对模型的完整性进行验证，若触发集的识别率低于预设阈值，则意味着模型完整性已被破坏。基于2种公开数据集MNIST和CIFAR-10对FFWAS的有效性和脆弱性进行实验分析，结果表明，在模型微调和剪枝攻击下，FFWAS的指纹识别率相较于完整模型均明显下降并低于设定阈值；与基于模型唯一性和脆弱签名的深度神经网络认证框架（DeepAuth）相比，FFWAS的触发集与原始样本在2个数据集上的相似性分别提高了约22%和16%，表明FFWAS具有更好的隐蔽性。

车联网（IoV）路况监测需要对用户隐私数据进行传输、存储与分析等处理，因此保障隐私数据安全尤为重要，然而传统的安全解决方案难以同时保障实时计算与数据安全。针对上述问题，设计了两个初始化协议与一个定期报告协议等安全协议，并构建了基于软件防护扩展（SGX）技术的IoV路况监测安全数据处理框架（SDPF）。SDPF利用可信硬件在路侧单元（RSU）内实现隐私数据的明文计算，并通过安全协议和混合加密方案保证框架的高效运行与隐私保护。安全性分析表明，SDPF可抵御窃听、篡改、重放、假冒、回滚等攻击。实验结果表明，SDPF的各项计算操作均为毫秒级，尤其是单车辆的所有数据处理开销低于1 ms。与基于雾计算的车联网隐私保护框架（PFCF）和基于同态加密的云辅助车载自组织网络（VANET）隐私保护框架（PPVF）相比，SDPF的安全设计更加全面，单会话消息长度减少了90%以上，计算时间至少缩短了16.38%。