Flipper Zero RF DataSet

一个精心策划的Flipper Zero RF数据库，覆盖9个国家280-1100 MHz Sub-GHz频谱，包含经过事实核查的监管元数据、用于LLM微调的问答语料库（Hugging Face JSONL格式）以及GPU加速的验证流程。

A curated Flipper Zero RF database covering the 280–1100 MHz Sub-GHz spectrum across 9 countries, including fact-checked regulatory metadata, a question-answering corpus for LLM fine-tuning in Hugging Face JSONL format, and a GPU-accelerated validation workflow.

原始信息汇总

数据集概述

该数据集是一个专为大型语言模型（LLM）训练设计的Flipper Zero Sub-GHz射频数据库，旨在支持RF研究、LLM微调和SDR机器学习项目。

核心信息

• 数据集用途：为LLM提供Flipper Zero和Sub-GHz射频知识，支持构建Flipper感知的辅助工具、SDR/频谱机器学习研究、合规性查询和OSINT设备指纹识别。
• 频率范围：覆盖280–1100 MHz的Sub-GHz/UHF频谱。
• 地理覆盖：包含9个国家（法国、美国、英国、中国、德国、俄罗斯、西班牙、意大利、瑞士）。
• 数据规模（种子版本）：
  • 频率分配条目：500条（目标扩展至约105,000条，提升210倍）。
  • 问答对：1,500个（目标扩展至约315,000个，提升210倍）。
  • 事实核查：当前进行逐文件手动核查，已完成16项关键修正。

数据结构

• enriched_data/：5个JSON文件，按Sub-GHz子频段划分（280-400, 400-470, 470-700, 700-870, 870-1100 MHz）。
• merged_dataset/：合并的500条条目JSON和CSV文件。
• qa_dataset/：1,500个问答对（JSONL和JSON格式），可直接用于LLM微调。
• factcheck_reports/：5个子频段的事实核查报告及综合审计文件。
• baseline/：原始ITU/CEPT/FCC基线CSV文件。
• Data_Process/：包含8步自动化验证管线的代码和脚本。

数据字段

每条记录包含：频率范围、国家代码、ITU区域、服务名称、应用描述、分配状态、协议匹配（Flipper Zero / rtl_433）、真实设备示例、调制类型、信道间隔、功率限制、监管参考、修正说明、verified标记、内部质量评分（0-13）、外部置信度百分比（0-100%）。

验证流程

一个包含8步的GPU加速自动化管线，用于数据质量保证：

1. 数据摄取：从GitHub、Hugging Face数据集和Flipper .sub文件中提取数据。
2. 去重：使用MD5哈希和语义相似度进行去重。
3. RF验证与多源交叉验证：校验频率/调制/时序规则，并进行多源（HF数据集、Wikipedia、监管机构论坛）三角互证，为每条记录生成置信度百分比。
4. 协议匹配：使用rtl_433和Flipper SubGHz协议数据库进行模糊匹配。
5. LLM幻觉检查：使用Qwen 2.5 32B模型（跨6块RTX 3070 GPU进行分片）检查事实性错误。
6. 事实核实：使用DeBERTa-v3 NLI模型进行自然语言推理（蕴含关系）判断。
7. 评分：基于内部规则和模型输出，计算0-13分的综合质量评分。
8. 导出：生成JSONL分割文件、审计样本和包含双重评分的清单。

双重评分系统

每条记录包含两个独立分数：

• 质量评分（0-13）：基于内部规则、LLM和NLI模型，反映条目是否通过内部检查。
• 置信度百分比（0-100%）：基于外部多源三角互证的结果，反映独立来源的一致性程度。权重分配：官方监管机构（0.35）、HF数据集（0.25）、可信标准（0.20）、Wikipedia（0.20）、社区论坛（0.10）。

标准与引用

数据集主要引用ITU无线电规则、FCC 47 CFR 2.106、CEPT ERC/REC 70-03、ETSI EN 300 220、ICAO Annex 10、3GPP频段规范以及9个国家监管机构的资料。

状态与贡献

• 状态：预生产阶段，正在进行逐文件的事实核查和精化。
• 路线图目标：扩展到约105,000条分配条目和315,000个问答对，实现100%针对3个及以上独立来源的交叉验证，置信度从二值变为0-100%连续评分。
• 贡献：欢迎进行事实核查、修正、添加国家特定知识、设备示例和监管参考。贡献流程包括通过Issues讨论和Pull Requests提交包含来源引用的修改。

许可

数据集基于公开的监管来源编纂。管线代码按现状提供。

搜集汇总

数据集介绍

构建方式

该数据集旨在赋能低频频谱知识与大型语言模型的融合，其构建过程严谨而系统。研究团队首先从国际电信联盟、美国联邦通信委员会、法国国家频率管理局等国际及多国监管机构获取原始频谱分配数据，并整合了开源社区如rtl_433和Flipper SubGHz的相关信息。在此基础上，团队对每条记录进行了人工逐项核查与交叉验证，不仅校验了频率范围、国家代码、服务类型等核心字段，还补充了设备实例、调制方式、功率限制及监管参考文献等细节。最终，通过一个包含八步骤的GPU加速验证流水线，涵盖去重、语义相似度检查、协议匹配、大模型幻觉检测及自然语言推理事实验证，生成了高质量的JSON和CSV格式数据集。当前种子版本包含500条频谱分配条目及1500对问答对，计划扩展至约10万5千条分配条目和31万5千对问答对，以覆盖更精细的子频段和多国变体。

使用方法

本数据集为多场景应用提供了灵活接口。对于语言模型微调，可直接使用‘qa_dataset’目录下的JSONL格式问答对，其每条问答均附有监管来源引用，适合训练具有射频领域知识的对话模型或智能助手。构建检索增强生成系统时，可将‘enriched_data’中的结构化JSON数据作为向量数据库的源文档，通过国家代码、频率范围或服务类型进行高效检索，支撑软件定义无线电、业余无线电或渗透测试工具中的合规性查询。此外，‘Data_Process’目录下提供了完整的验证流水线脚本，用户可在多GPU环境中复用，对自定义数据进行同样的质量检查与置信度评分。数据集的标准化字段设计使得开发者能够轻松将其集成到现有的机器学习工作流中，无论是用于协议识别、设备指纹分析还是频谱监管研究。

背景与挑战

背景概述

数据集Flipper Zero RF DataSet由匿名贡献者于2024年创建，致力于构建一个面向Sub-GHz频段射频研究的高质量数据集。该数据集聚焦280–1100 MHz频谱范围，覆盖法国、美国、中国等9个国家的监管信息，核心研究问题在于为Flipper Zero设备及软件无线电机器学习项目提供精准的频率分配数据，并支持大型语言模型的微调。通过整合ITU、FCC、ANFR等官方监管源与社区知识，数据集不仅包含频率范围、调制方式、功率限制等结构化字段，还设计了双评分系统以量化数据质量与可信度。作为开源基准，其种子版本包含500条记录，目标规模将扩展至105,000条，对射频安全、频谱监管合规及AI驱动射频分析领域具有基础性影响。

当前挑战

当前数据集面临多重挑战。首要挑战是领域问题的复杂性：Sub-GHz频谱在全球范围内存在碎片化监管，各国分配表与协议变体差异显著，需在280–1100 MHz宽频段内精准映射各类服务（如ISM、广播、遥测）的合法参数。构建过程中，手动事实核查每条记录与三个以上独立源（如监管文档、社区报告）的精度要求极高，种子版本已发现16项关键修正。此外，数据集需处理多源冲突（如官方规定与社区实测间的矛盾）、实现跨9国法规的一致性，并利用GPU加速管线（含Qwen 32B、DeBERTa-v3等模型）自动化校验，这对计算资源与领域知识储备构成显著瓶颈。

常用场景

经典使用场景

在射频安全与无线通信研究领域，Flipper Zero RF DataSet 基础性地构建了一个覆盖 280–1100 MHz Sub-GHz 频谱、横跨九国监管体系的精细化频率分配数据库。该数据集最经典的使用场景在于为大型语言模型（LLM）提供高质量、可验证的射频知识微调语料，通过其包含的 1500 对问答对（Q&A pairs）及每一条记录附带的置信度评分与多源交叉验证信息，研究者能够训练出具备射频法规认知能力的智能体。此外，该数据集天然适配于软件定义无线电（SDR）与机器学习结合的研究，例如用于协议识别模型的训练数据构建，以及进行基于检索增强生成（RAG）的合规查询系统开发。

解决学术问题

该数据集核心解决了射频领域长期存在的知识碎片化与可验证性缺失这一学术研究瓶颈。传统上，Sub-GHz 频谱分配信息分散于各国监管机构（如 FCC、ANFR、Ofcom）的法规文件中，研究者需耗费大量精力进行人工整理与核对，且难以确保一致性。此数据集通过引入双重评分系统（内部质量分 0-13 与外部置信度 0-100%），结合自动化事实核查管线（包括 Qwen 32B 多 GPU 推理与 DeBERTa-v3 NLI 模型），系统性地将异构、非结构化的法规文本转化为结构化的、带置信度标注的数值化知识库。这不仅为跨国家、跨波段的高通量比较研究提供了可能，更重要的是，为构建可信、可复现的射频机器学习模型建立了数据质量和置信度的基准，显著降低了由于训练数据错误导致的模型幻觉风险。

实际应用

在实际应用层面，该数据集已展现出多维度的赋能价值。安全研究人员可借助其构建面向 Flipper Zero 设备的智能射频助手，实现基于地理位置的协议匹配与频率合规性检查，从而指导无线电渗透测试与安全审计中的射频操作。对于物联网（IoT）与智能家居开发者，数据集提供了设备指纹识别的基础——通过频率与调制方式的组合信息，可以反向推测未知射频信号的具体设备型号及其通信协议。在业余无线电与 SDR 爱好者社区中，该数据集作为一个权威的在线法规速查手册，允许用户在探索未知信号时快速判断其合法性，并获取相关的功率限制与信道间隔参数，显著提升了频谱探索的效率和准确性。

数据集最近研究

最新研究方向

在无线频谱数据与大型语言模型交叉融合的前沿浪潮中，Flipper Zero RF DataSet开辟了将射频监管知识与LLM微调深度绑定的全新范式。当前研究重点聚焦于利用多源事实核查流水线与GPU加速验证框架，构建高置信度的Sub-GHz频段知识图谱——通过Qwen 32B的6卡张量并行推理与DeBERTa-v3的自然语言推理引擎，对来自9个国家的500条种子数据进行精细化的频段分解、协议匹配与置信度三角测量。这一方向直接回应了软件定义无线电（SDR）安全研究中对可溯源、低幻觉知识库的迫切需求，其演进目标是将条目规模扩展至十万级，使RF领域的LLM助手能够精确回答诸如“在美国470-512 MHz频段哪些Flipper Zero协议是合法的”这类跨国家、跨法规的复杂查询。该数据集的独特价值在于其双重评分机制（内部质量分与外部置信度百分位），为学术界提供了首个可量化验证的射频领域大模型训练基准，对推动物联网安全测试、频谱合规自动化分析以及无线电威胁情报的知识图谱构建具有里程碑式的意义。