La integración de la tecnología de inteligencia artificial (IA) en Internet de los Vehículos (IoV) ha proporcionado servicios inteligentes para vehículos conectados inteligentes (ICVs). Sin embargo, debido a la actualización gradual a ICVs, un número creciente de interfaces de comunicación externas expone las redes en vehículos (IVNs) a intrusiones maliciosas en la red. Los intrusos maliciosos pueden tomar el control de los ICVs comprometidos e intrusarse inmediatamente en los ICVs conectados a través de IoV. Por lo tanto, es urgente desarrollar métodos de detección de intrusos en IVN para la protección de la seguridad en IoV. En este documento, se desarrolla un método de detección de intrusos en IVN basado en ConvLSTM aprovechando la periodicidad del ID del mensaje de red. Para entrenar el modelo ConvLSTM, se propone un marco de aprendizaje federado (FL) con selección de clientes. El marco fundamental de FL funciona en modo cliente-servidor. Los ICVs son los clientes locales, y los servidores de computación en el borde móvil (MEC) conectados a estaciones base (BSs) funcionan como servidores de parámetros. Basándose en el marco, se desarrolla un esquema de selección de cliente federado (FCS) basado en la optimización de políticas proximales (PPO) para optimizar la precisión del modelo y la sobrecarga del sistema del entrenamiento del modelo ConvLSTM federado. Se realizan simulaciones mediante la explotación de configuraciones de escenarios de IoV del mundo real y conjuntos de datos de IVN. Los resultados indican que al explotar el ConvLSTM, el tamaño del modelo y el tiempo de convergencia se reducen drásticamente, y se mantiene una precisión de detección del 95% o más. Los resultados también revelan que el esquema de FCS basado en PPO supera a los puntos de referencia en la tasa de convergencia, precisión del modelo y sobrecarga del sistema.