S-ICDF

Name: S-ICDF
Creator: 弗劳恩霍夫协会·集成电路研究所
Published: 2026-07-03T23:19:09+08:00

arXiv2026-07-03 更新2026-07-07 收录

无线干扰仿真

抗干扰导航

数据链接：

https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/sicdf_dataset 数据链接链接失效反馈

官方服务：

资源简介：

S-ICDF数据集是由弗劳恩霍夫协会集成电路研究所创建的室内无线干扰仿真数据集，旨在解决真实世界干扰数据采集困难的问题。该数据集包含102种干扰配置，通过Sionna GPU加速仿真库生成，覆盖多天线阵列模式、带宽及噪声水平等参数，每条数据包含216,089个样本，总数据量达千万级IQ采样点，模拟了GPS-L1频段的动态多径传播环境。数据集采用射线追踪技术模拟工业场景中的信号传播，通过控制变量法系统生成数据，支持干扰特征分析与波达方向估计。主要应用于无线通信安全领域，为机器学习模型在干扰检测、分类与定位任务中的训练与验证提供标准化基准，推动抗干扰导航技术的发展。

The S-ICDF Dataset is an indoor wireless interference simulation dataset developed by the Fraunhofer Institute for Integrated Circuits (Fraunhofer IIS) to address the challenge of collecting real-world interference data. It encompasses 102 interference configurations, generated using the Sionna GPU-accelerated simulation library, covering parameters including multi-antenna array modes, bandwidth, and noise levels. Each entry contains 216,089 samples, with the total dataset comprising tens of millions of IQ sampling points, and simulates dynamic multipath propagation environments in the GPS-L1 frequency band. The dataset adopts ray-tracing technology to model signal propagation in industrial scenarios, generates data systematically via the control variable method, and supports interference feature analysis and direction-of-arrival estimation. Primarily applied in the field of wireless communication security, it provides standardized benchmarks for training and validating machine learning models in tasks such as interference detection, classification and localization, thereby promoting the development of anti-jamming navigation technologies.

提供机构：

弗劳恩霍夫协会·集成电路研究所

创建时间：

2026-07-03

原始信息汇总

数据集概述：S-ICDF 数据集

基本信息

数据集名称：S-ICDF（Sionna-Simulated Dynamic Interference Characterization and Direction Finding）
项目地址：https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/sicdf_dataset
项目大小：1.3 TB
创建日期：2026年2月10日
许可证：CC BY-NC-SA 4.0

核心目标

S-ICDF 是一个大规模室内干扰数据集，用于射频干扰监测，包括干扰检测、分类、表征和测向（Direction Finding, DF）。数据集通过 NVIDIA Sionna 及其光线追踪引擎生成，旨在支持在真实室内多径条件下，对经典信号处理方法和现代机器学习模型进行可重复的基准测试。

突出特点

大规模模拟室内干扰数据集，基于物理光线追踪生成
包含移动天线阵列和现实时变多径效应
覆盖 110 种干扰配置
基于 102 个真实世界 MXG 生成的信号文件，涵盖 6 个干扰类别
提供基于 MUSIC、ESPRIT、SAGE 和 ML 模型的基准基线

模拟环境

仿真引擎：NVIDIA Sionna / Sionna RT
环境：工业大厅式室内场景（具有金属墙壁、天花板、地板及货架等反射体和散射体）
中心频率：1.57542 GHz（GPS L1 频段）
模拟带宽：100 MHz
接收机运动：是（沿预定轨迹在场景中移动，保持相对发射源固定方向）
单次快照 IQ 长度：每天线单元 1,024 个复数采样
同时信号源数量：1

发射机与接收机设置

信号源：位于固定位置的单个干扰发射机
天线阵列配置：
- 2×2 平面阵列
- 1×8 线性阵列
天线单元间距：可配置（默认 0.09 m，范围 0.05 m 至 0.2 m，对应 0.26λ 至 1.1λ）
天线增益模式：可配置（偶极子、全向、半波偶极子、TR 38.901）

参数变化策略

采用**一次改变一个参数（One-at-a-Time, OAT）**策略。每次实验中，仅变化一个参数，其余固定为默认值。每个参数变化生成包含 216,089 个样本的完整定位数据集，按 80/20 比例划分训练/测试集。

可变参数

参数类别	参数名称	范围	默认值
仿真与天线	信号带宽	1 MHz 至 20 MHz	20 MHz
	信噪比 (SNR)	-20 dB 至 20 dB	20 dB
	天线间距	0.05 m, 0.09 m, 0.095 m, 0.2 m	0.09 m
	反射深度	2, 5, 7	5
	折射	True / False	True
	阵列布局	2×2, 1×8	2×2
	天线增益模式	dipole, isotropic, half-wave dipole, TR 38.901	dipole

干扰波形类别

类别	描述
Chirp	包含线性与抛物线两种扫描轮廓，具有快（0.025 ms）、中（0.25 ms）、慢（2.5 ms）三种扫描时间，带宽 2 MHz 至 20 MHz
FrequencyHopper	载频在离散信道间跳变，主要变化参数为带宽和驻留时间
Noise	频谱平坦发射，包含 BOC 调制和类似 AltBOC 的噪声变体
Multitone	同时发射多个等间隔正弦音调，变化音调数量和总占用带宽
Modulated	变化调制方案、符号率和占用带宽，产生结构化时域和频域模式
Pulsed	信号以固定 1:1 占空比交替发射与静默，变化脉冲重复间隔和带宽

预期任务

干扰分类
干扰表征
测向 / 到达方向估计
信号、信道和天线参数的敏感性分析
经典方法与基于机器学习方法的基准测试

参考文献

引用格式： bibtex @inproceedings{s_icdf_dataset, author = {Christian Wielenberg and Lucas Heublein and Jonathan Ott and Alexander Mattick and Nisha L. Raichur and Jonas Pirkl and Lukas Schelenz and Tobias Feigl and George Yammine and Christopher Mutschler and Felix Ott}, title = {{The S-ICDF Dataset: Sionna-Simulated Dynamic Interference Characterization and Direction Finding}}, booktitle = {to be published soon}, month = ?, year = 2026 }

联系信息

Christian Wielenberg：christian.wielenberg@iis.fraunhofer.de
Felix Ott：felix.ott@iis.fraunhofer.de
机构：Fraunhofer Institute for Integrated Circuits IIS, Nürnberg, Germany
地址：Nordostpark 84, 90411 Nürnberg, Germany

搜集汇总

数据集介绍

构建方式

S-ICDF数据集基于NVIDIA Sionna物理层仿真库构建，模拟室内工业环境中的干扰信号传播。采用射线追踪技术生成多径信道，接收端建模为2×2多贴片阵列或8×1线性阵列，并沿预设轨迹移动以获取时变IQ样本。采用逐参数变化策略，每次仅改变一个参数（如信号类型、带宽、信噪比、反射深度等），其余参数保持默认，从而清晰归因性能变化。共涵盖102种干扰配置，每配置生成216,089个样本，按80/20比例划分训练与测试集。

特点

该数据集具备三大核心特点。其一，覆盖六类干扰调制（噪声、线性/抛物线扫频、跳频、单音、调制、脉冲）及多种参数组合，实现广阔的干扰特征空间。其二，提供相位相干的多天线IQ采样，支持经典测向算法与机器学习方法。其三，引入接收端运动轨迹，产生合成孔径效应，使时变多径与视距/非视距切换得以真实刻画，从而支撑动态场景下的测向与定位研究。

使用方法

数据集以原始IQ样本形式提供，每样本含1,024个时域复数点与4个天线通道。可用于两类任务：干扰表征（分类识别调制类型与带宽）和到达角估计（回归方位角与俯仰角）。用户可直接输入IQ数据训练XceptionTime等深度学习模型，或基于协方差矩阵运行MUSIC、ESPRIT、CAPON等经典算法。数据集公开并附有80/20划分，便于复现与公平对比。

背景与挑战

背景概述

在无线通信与全球导航卫星系统（GNSS）领域，干扰与欺骗信号正日益成为威胁系统可用性与完整性的严峻挑战。针对此类异常射频信号的监测，包括检测、分类、表征与测向，已成为研究热点。然而，传统数据集或受限于真实采集的合法性与成本，或缺乏对干扰参数、阵列运动与多径环境的全面覆盖。在此背景下，2026年，来自德国弗劳恩霍夫集成电路研究所的Christian Wielenberg及其团队发布了S-ICDF数据集。该数据集基于GPU加速仿真库Sionna生成，涵盖102种干扰配置，包含多样天线阵列、带宽、信噪比与反射深度等参数，并提供了经典测向方法（MUSIC、ESPRIT、CAPON）与机器学习方法的基线结果，为干扰表征与测向研究提供了大规模、可控的仿真基准，显著推动了该领域可重复评估与系统性分析的发展。

当前挑战

S-ICDF数据集旨在应对两大核心挑战。首先，在领域问题层面，干扰监测任务（如干扰类型分类、到达角估计）的复杂性要求数据集具备对信号参数、传播环境与硬件特性的广泛覆盖，而现有数据集往往缺失多天线相位信息、动态轨迹或多径变化，限制了模型泛化能力。其次，在数据集构建层面，真实世界采集面临法律限制与高成本，难以获取带精准标注的大规模干扰数据；同时，仿真需在计算效率与真实性间平衡，例如射线追踪的反射深度会影响多径丰富度，而天线间距选择不当会引发空间模糊。S-ICDF通过参数单一变量控制策略与Sionna的GPU加速仿真，系统性地量化了波形、信噪比、阵列几何等参数对测向性能的影响，并以公开基准促进方法对比与迭代发展。

常用场景

经典使用场景

S-ICDF数据集专为无线通信与卫星导航领域的干扰监测研究而设计，其经典使用场景聚焦于干扰信号的特征刻画与波达方向估计。研究者可利用该数据集对六类典型干扰调制波形（如线性调频、跳频、脉冲信号等）进行高精度分类，并借助多天线阵列接收的原始IQ样本，评估不同信噪比、多径环境及天线配置下方位角与俯仰角的估计性能。该数据集特有的运动平台轨迹模拟合成孔径效应，使得时间序列驱动的到达角估计成为可能，从而支撑更复杂的动态干扰源定位分析。

衍生相关工作

S-ICDF数据集催生了一系列前沿学术探索：在方法层面，研究者借鉴XceptionTime架构开发了高效干扰分类器，并对比了MUSIC、ESPRIT等经典子空间方法在不同波形下的测向误差；在应用层面，基于该数据集衍生出融合IQ时频谱与注视机制的双流神经网络，用于动态多径环境中的干扰源定位；此外，该数据集还推动了面向非平衡样本的对比学习与贝叶斯增量学习框架的验证，为应对真实世界干扰数据的领域迁移问题奠定了理论基础。

数据集最近研究