WASD: Wireless Anomaly Signal Dataset|无线信号异常检测数据集|深度学习数据集

WASD（无线异常信号数据集）旨在固定城市场景中进行无线信号异常检测。它结合了19个LTE和5G频段的真实世界信号测量数据与模拟异常信号。该数据集适用于训练各种对象检测网络，并开发用于在现实环境中进行准确和高效异常检测的强大深度学习模型。

原始信息汇总

WASD: Wireless Anomaly Signal Dataset

概述

WASD（Wireless Anomaly Signal Dataset）旨在固定城市场景中检测无线信号中的异常信号。该数据集结合了在19个LTE和5G频段上测量的真实世界信号与模拟的异常信号。适用于训练各种对象检测网络，并开发用于在真实环境中进行准确和高效异常检测的鲁棒深度学习模型。

数据集特点

• 真实世界测量数据：包含从19个LTE和5G频段收集的真实信号数据。
• 多样异常信号：包含多种类型的模拟异常信号，包括音调、啁啾和脉冲信号。
• 现实模拟：采用符合3GPP标准的随机参数和配置的衰落信道，模拟真实世界条件。
• 大规模数据集：包含85,500个样本，涵盖19个频段。
• 多功能使用：包括对象检测和正常数据，适用于监督和无监督学习方法。

数据集结构

|-- Dataset/
|  |--IQ data.zip
|  |  |-- Band name/
|  |      |-- bin/
|  |      |  |--IQ_date.bin
|  |      |--IQ_date.json
|  |
|  |--npy data.zip
|   |-- Abnormal/
|     |-- Abnoraml_spectrogram.npy
|   |-- Normal/
|     |-- Normal_spectrogram.npy
|   |-- Label/
|     |-- Spectrum_label.csv

• IQ数据：每个频段的原始IQ数据（.bin和.json文件）。
• 频谱图数据：使用短时傅里叶变换（STFT）生成的频谱图数据（.npy文件）。
• 标签：包含异常信号的边界框坐标和干扰信号比（ISR）信息的标签数据（.csv文件）。
• 数据加载器：用于将IQ数据和频谱图数据加载到Python工作区的示例Jupyter笔记本（.ipynb文件）。
• 异常信号生成示例：生成异常无线信号（音调、啁啾、脉冲）的示例Jupyter笔记本（.ipynb文件），详细过程和信息可在论文中找到。

数据集链接

• Chunk 1
• Chunk 2
• Chunk 3
• Chunk 4
• Chunk 5
• Chunk 6
• Chunk 7
• Chunk 8
• Chunk 9
• Chunk 10
• Chunk 11
• Chunk 12
• Chunk 13
• Chunk 14
• Chunk 15
• Chunk 16

作者

Jinha Kim ([e-mail]), Hyeongwoo Kim ([e-mail]), Byungkwan Kim([e-mail])

致谢

该工作由MSIT/IITP通过ICT R&D计划（RS-2023-00229541）支持。

AI搜集汇总

数据集介绍

构建方式

WASD数据集的构建结合了现实世界中19个LTE和5G频段的实际信号测量数据与模拟的异常信号。通过采用符合3GPP标准的随机参数和配置的衰落信道，模拟了真实的无线环境。这种构建方式不仅确保了数据的真实性和多样性，还通过大规模的数据集（包含85,500个样本）提供了丰富的训练资源，适用于各种对象检测网络的训练和深度学习模型的开发。

特点

WASD数据集的显著特点在于其真实世界测量数据与多样化的模拟异常信号的结合。数据集不仅包含了多种类型的异常信号，如音调、啁啾和脉冲信号，还通过现实可行的随机参数和衰落信道模拟，确保了信号的逼真度。此外，数据集的规模庞大，涵盖了19个频段，适用于监督和非监督学习方法，为无线信号异常检测提供了全面的解决方案。

使用方法

WASD数据集的使用方法多样，既适用于对象检测任务，也可用于正常数据的分析。数据集提供了原始IQ数据（.bin和.json文件）、通过短时傅里叶变换（STFT）生成的频谱图数据（.npy文件）以及包含异常信号边界框坐标和干扰信号比（ISR）信息的标签数据（.csv文件）。此外，数据集还提供了示例Jupyter笔记本（.ipynb文件），用于加载IQ数据和频谱图数据到Python工作空间，以及生成异常无线信号的示例，详细过程可在相关论文中找到。

背景与挑战

背景概述

无线异常信号数据集（WASD）旨在解决固定城市场景中的无线信号异常检测问题。该数据集结合了从19个LTE和5G频段收集的真实世界信号数据与模拟的异常信号，适用于训练多种目标检测网络，并开发稳健的深度学习模型，以在实际环境中实现准确和高效的异常检测。WASD由Jinha Kim、Hyeongwoo Kim和Byungkwan Kim等研究人员创建，得到了MSIT/IITP的ICT R&D项目支持，其核心研究问题在于提高无线信号异常检测的精度和效率，对无线通信领域的研究和应用具有重要影响。

当前挑战

WASD数据集在构建过程中面临多项挑战。首先，整合来自多个频段的真实世界信号数据与模拟异常信号，确保数据的真实性和多样性，是一项复杂任务。其次，模拟异常信号时，需遵循3GPP标准，配置合理的衰落信道，以模拟真实世界条件，这对数据生成技术提出了高要求。此外，数据集的规模庞大，包含85,500个样本，如何高效管理和处理这些数据，确保其在训练和测试中的有效性，也是一大挑战。最后，数据集需支持监督和无监督学习方法，这对数据标注和预处理提出了更高的要求。

常用场景

经典使用场景

在无线通信领域，WASD数据集的经典使用场景主要集中在异常信号检测。该数据集结合了19个LTE和5G频段的实际测量数据与模拟的异常信号，为训练各种目标检测网络提供了丰富的资源。通过利用这些数据，研究人员可以开发出鲁棒的深度学习模型，以在真实环境中实现高效且准确的异常信号检测。

解决学术问题

WASD数据集在学术研究中解决了无线信号异常检测的关键问题。传统的异常检测方法往往依赖于有限的实际数据，难以覆盖多样化的异常信号类型。WASD通过引入模拟的异常信号和真实的测量数据，填补了这一空白，使得研究人员能够更全面地评估和改进异常检测算法。此外，该数据集的大规模和多样性为开发和验证新的深度学习模型提供了坚实的基础，推动了无线通信领域的技术进步。

衍生相关工作

基于WASD数据集，许多相关研究工作得以展开。例如，有研究者利用该数据集开发了新的异常检测算法，显著提高了检测的准确性和效率。此外，一些研究还探索了如何将WASD数据集与其他数据集结合，以进一步提升模型的泛化能力。这些衍生工作不仅丰富了无线通信领域的研究内容，也为实际应用提供了更多可能性，推动了该领域的持续发展。