UWB RFF Dataset|射频指纹数据集|物理层安全数据集

该数据集由柏林自由大学和PhySec GmbH的研究团队创建，旨在探索超宽带（UWB）信号的射频指纹（RFF）提取技术。数据集包含超过150万条测量数据，使用Qorvo的DWM3001CDK开发板在受控环境下生成，涵盖了设备位置和环境的多种变化。数据通过3D打印的固定装置和TurtleBot机器人进行精确控制，确保测量的一致性和可重复性。数据集的应用领域主要集中在物理层安全，旨在通过设备硬件特征增强网络认证，防止恶意设备的跟踪和重放攻击。

AI搜集汇总

数据集介绍

构建方式

UWB RFF数据集的构建基于对超宽带（UWB）设备的射频指纹（RFF）提取研究。研究团队使用现成的UWB开发板，通过控制设备位置的变化，采集了超过150万条信号数据。实验设置中，14个相同的UWB开发板被用于信号发射和接收，设备位置通过3D打印支架和可编程机器人TurtleBot精确控制，确保数据采集的准确性和一致性。信号数据通过短时傅里叶变换（STFT）进行预处理，以消除信号功率和延迟带来的偏差，最终生成了一个包含设备ID和位置标签的复杂数据集。

特点

UWB RFF数据集的特点在于其高精度和多样性。数据集涵盖了设备在不同位置和环境下的信号变化，反映了UWB技术对位置的高度敏感性。每个数据点由250个复数值组成，能够捕捉到设备的硬件特征。数据集还通过开放集方法支持设备重识别，能够在未知环境中进行设备指纹的提取和匹配。此外，数据集的构建考虑了环境变化对信号的影响，提供了在不同距离和位置下的信号测量，增强了数据集的泛化能力。

使用方法

UWB RFF数据集的使用方法主要包括设备指纹的提取和匹配。研究人员可以通过深度学习模型（如卷积神经网络CNN或视觉Transformer ViT）对信号数据进行特征提取，生成设备的射频指纹。数据集支持多种评估场景，包括固定设备间的指纹认证、移动设备的指纹识别以及未知设备的开放集识别。通过训练集和测试集的划分，研究人员可以评估模型在不同环境下的泛化能力。此外，数据集还支持多样本输入，通过信号样本的拼接或投票机制，进一步提升设备识别的准确性。

背景与挑战

背景概述

UWB RFF Dataset是由柏林自由大学网络安全与人工智能实验室的研究团队于2025年创建的，旨在探索超宽带（UWB）技术中的射频指纹识别（RFF）的可行性。UWB技术因其厘米级精确定位能力，广泛应用于智能城市和室内定位等领域。然而，随着UWB设备的普及，其安全性和隐私问题逐渐凸显。该数据集通过使用现成的UWB设备，在控制设备位置变化的情况下收集信号数据，并结合深度学习技术提取硬件特征，为物理层安全提供了新的研究方向。该研究不仅推动了UWB技术在安全领域的应用，也为设备认证和隐私保护提供了新的解决方案。

当前挑战

UWB RFF Dataset在构建和应用过程中面临多重挑战。首先，UWB信号的短脉冲特性使得从信号中提取射频指纹的特征较为困难，尤其是在设备位置或环境变化时，信号特征会发生显著变化，导致模型在未训练环境中的泛化能力下降。其次，数据集的构建需要严格控制变量，以确保模型能够准确区分设备硬件特征而非环境噪声。此外，尽管在稳定环境下模型识别准确率高达99%，但在动态环境中，准确率显著下降至76%，表明模型对环境的依赖性较强。如何提高模型在复杂环境中的鲁棒性，是未来研究的重要方向。

常用场景

经典使用场景

UWB RFF Dataset 主要用于研究超宽带（UWB）设备的射频指纹（RFF）提取与识别。该数据集通过控制设备位置的变化，提供了丰富的信号数据，使得研究人员能够在不同环境下验证射频指纹的稳定性和可区分性。经典的使用场景包括在固定位置和动态环境中对设备进行身份验证和跟踪，尤其是在智能城市、室内定位和网络安全等领域。

实际应用

在实际应用中，UWB RFF Dataset 可用于增强智能设备的物理层安全性，例如在智能家居、工业物联网和医疗设备中实现设备身份认证。通过射频指纹技术，设备可以在无需解密数据的情况下进行身份验证，从而防止恶意设备的入侵。此外，该技术还可用于室内定位系统，帮助医院、仓库等场所实现高精度的设备跟踪与管理。

衍生相关工作

基于UWB RFF Dataset，许多经典工作得以衍生。例如，研究人员开发了基于卷积神经网络（CNN）和视觉Transformer（ViT）的深度学习模型，用于射频指纹的提取与分类。这些模型在固定环境和动态环境中均表现出较高的准确率。此外，该数据集还推动了开放集问题的研究，使得设备在未知环境中的身份识别成为可能，为未来的射频指纹技术发展奠定了基础。