Multi-Frequency GNSS Spoofing Raw Dataset

该数据集包含从各种Android智能手机和智能手表在不同欺骗攻击场景下收集的GNSS原始测量数据，重点关注L1、L5和L1+L5（L15）频段。日志使用Android GNSS Logger捕获，并经过预处理以保留必要的`Raw`测量字段和设备头信息，使其轻量且适用于GNSS欺骗检测、多频完整性分析和Android原始测量分析等研究。

This dataset contains raw Global Navigation Satellite System (GNSS) measurement data collected from various Android smartphones and smartwatches under different spoofing attack scenarios, with a focus on the L1, L5, and L1+L5 (L15) frequency bands. The logs were captured using Android GNSS Logger, and preprocessed to retain the necessary `Raw` measurement fields and device header information, making them lightweight and suitable for research such as GNSS spoofing detection, multi-frequency integrity analysis, and Android raw measurement analysis.

原始信息汇总

Multi-Frequency GNSS Spoofing Raw Dataset 概述

数据集简介

本数据集包含从多款Android智能手机和智能手表在不同欺骗攻击场景下收集的GNSS原始测量数据。数据聚焦于L1、L5以及L1+L5（L15）频段。数据日志使用Android GNSS Logger捕获，并经过预处理，仅保留了必要的Raw测量字段和设备头信息，使其轻量且适用于以下研究：

• GNSS欺骗检测（信号质量监测、一致性检查）。
• 多频完整性分析。
• Android原始测量数据分析。

数据集详情

• 数据大小：约115 MB（压缩包格式）。
• 下载地址：https://github.com/S7AM1NA/GNSS-Spoofing-Dataset/releases/latest
• 数据格式：标准Android GNSS Logger文本格式。
• 许可证：MIT License。

欺骗场景与时间线

所有在同一场景文件夹内的设备均受到同步的欺骗信号攻击。以下时间线基于参考日期2025-07-30。

场景文件夹	攻击类型	GPS TOW 区间 (秒)	UTC 时间区间 (YYYY-MM-DD)	持续时间
st_L_15	L1 + L5 同时欺骗	258028 - 258653	2025-07-29 23:40:10 - 23:50:35	约10分钟
st_L1	仅L1欺骗	262228 - 262860	2025-07-30 00:50:10 - 01:00:42	约10分钟
st_L5	仅L5欺骗 (阶段1)	265395 - 265490	2025-07-30 01:42:57 - 01:44:32	约1.5分钟
st_L5	仅L5欺骗 (阶段2)	266310 - 267054	2025-07-30 01:58:12 - 02:10:36	约12分钟
normal	干净数据（无攻击）	不适用	无欺骗信号注入	-

目录结构

数据集遵循层级结构：场景 -> 会话时间戳 -> 设备型号 -> 日志文件。

GNSS_Spoofing_Dataset/ ├── st_L1/ # 场景：L1欺骗 │ └── 2025.07.30.08.40_2025.07.30.09.12/ │ ├── Google_pix6/ # 设备：Google Pixel 6 │ │ └── gnss_log_2025_07_30_08_40_28.txt │ ├── Huawei_Mate40/ # 设备：Huawei Mate 40 │ │ └── gnss_log_2025_07_30_08_40_xx.txt │ └── ... ├── st_L5/ # 场景：L5欺骗 ├── st_L_15/ # 场景：L1 + L5欺骗 └── normal/ # 干净数据（无攻击）

数据采集设备

数据集包含以下消费级Android设备的数据：

• 智能手机：
  • Google Pixel 6
  • Huawei Mate 40
  • XiaoMi MI8
  • RedMi K60
• 可穿戴设备：
  • Google Pixel Watch
  • Google Pixel Watch 2

数据内容与处理

为减小文件大小并聚焦信号分析，原始日志已做处理。 保留的信息包括：

1. 头注释 (# ...)：包含关键设备信息（硬件型号、平台版本）和列定义（# Raw,...）。
2. 原始测量值 (Raw)：包含码相位、载波相位、多普勒、载噪比（CN0）等。

引用说明

该数据集是尚在审阅的研究论文的一部分。如需使用本数据集，请关注该仓库以获取更新的引用信息。

搜集汇总

数据集介绍

构建方式

在卫星导航安全研究领域，构建高质量的数据集对于评估欺骗攻击检测算法至关重要。该数据集通过精心设计的实验场景采集而成，研究人员利用多款主流安卓智能手机与智能穿戴设备，在受控环境中模拟了针对L1、L5以及L1+L5频段的同步欺骗攻击。数据采集借助安卓GNSS Logger工具完成，并对原始日志进行了预处理，仅保留关键的Raw测量字段与设备头信息，从而在确保数据轻量化的同时，聚焦于多频点原始观测量的完整性。每个欺骗场景均配有精确的GPS周内秒与UTC时间戳作为地面真值，为后续分析提供了可靠的时间基准。

特点

本数据集的核心特征在于其多频段与多设备的协同设计。它不仅涵盖了L1、L5及双频联合欺骗等多种攻击模式，还包含了来自不同制造商、不同硬件平台的消费级设备数据，这为研究欺骗信号在不同接收机上的表现差异提供了丰富素材。数据经过精简处理，文件结构清晰，按攻击场景、会话时间与设备型号分层组织，便于研究者快速定位与分析。此外，数据集提供了精确的欺骗攻击起止时间线，使得信号在受攻击前后的状态对比成为可能，极大地支持了基于时序一致性的检测方法开发。

使用方法

为有效利用该数据集进行研究，用户需首先从发布页面下载压缩包并解压。数据采用标准的安卓GNSS Logger文本格式，研究者可直接使用配套的解析工具或自行编写脚本读取Raw测量行，重点关注码相位、载波相位、多普勒频移与载噪比等关键字段。分析时，应依据提供的UTC地面真值时间表，将数据流划分为欺骗区间与正常区间，进而开展信号质量监测、多频一致性校验等算法验证。数据集的分层目录结构天然支持按设备或按场景进行对比实验，是开发与评估鲁棒性欺骗检测模型的理想基准资源。

背景与挑战

背景概述

全球导航卫星系统（GNSS）作为现代定位、导航与授时的核心基础设施，其信号安全性与抗干扰能力日益成为学术界与工业界关注的焦点。随着多频段GNSS接收技术在消费级智能设备中的普及，针对L1、L5等频段的欺骗攻击呈现出复杂化与隐蔽化趋势，对关键基础设施与民用应用构成潜在威胁。在此背景下，Multi-Frequency GNSS Spoofing Raw Dataset应运而生，该数据集由研究团队于2025年创建，旨在通过采集多种安卓智能手机与智能手表在受控欺骗攻击场景下的原始测量数据，为多频段GNSS欺骗检测、信号完整性分析与终端设备脆弱性评估提供高质量的基准资源。数据集聚焦L1、L5及L1+L5同步攻击模式，涵盖了从纯净信号到多种欺骗注入的完整时序记录，有力推动了导航安全领域从理论模型向实证研究的深化。

当前挑战

在导航安全领域，多频段GNSS欺骗检测面临信号特征提取困难、低功耗设备测量噪声显著以及跨频段攻击协同识别等核心挑战。该数据集针对这些难题，通过构建同步攻击的时间基准与多设备并行采集策略，为开发鲁棒性检测算法提供了关键数据支撑。然而，在数据集构建过程中，研究团队需克服诸多技术障碍：确保多品牌消费级设备在欺骗信号注入下的时间同步性与测量一致性；处理安卓系统原始日志的异构格式与冗余信息，以提取轻量化的有效信号字段；同时，在受控环境中模拟真实世界攻击场景时，还需精确校准欺骗信号功率与时空参数，以平衡攻击的可探测性与隐蔽性，这些挑战共同塑造了数据集的科学价值与应用边界。

常用场景

经典使用场景

在卫星导航安全研究领域，多频全球导航卫星系统欺骗攻击已成为关键威胁。该数据集通过提供L1、L5及L1+L5频段的原始测量数据，为开发先进的欺骗检测算法奠定了实验基础。研究人员可基于此数据集，模拟真实环境下的信号注入攻击，评估不同频段信号在受干扰条件下的特性变化，进而验证多频一致性检验、信号质量监测等方法的有效性。

解决学术问题

该数据集直接回应了学术界在消费级设备GNSS安全方面的核心关切，即如何利用多频原始测量数据提升欺骗攻击的识别精度与鲁棒性。它为解决信号源认证困难、跨频段攻击检测复杂等难题提供了标准化基准，推动了基于机器学习的异常检测模型与物理层信号处理技术的融合研究，显著增强了导航系统在对抗环境下的完整性分析能力。

衍生相关工作

围绕该数据集，已衍生出多项聚焦于多频GNSS安全的前沿研究。经典工作包括基于L1/L5信号差异的深度学习欺骗分类器、利用载波相位与码相位不一致性的实时检测框架，以及针对Android平台原始测量数据的轻量级完整性监控协议。这些研究不仅拓展了数据集的分析维度，也为构建下一代抗干扰导航系统提供了理论工具与工程实践。