MANET-Wormhole-Energy-Routing-Dataset

高质量合成移动自组网数据集，用于蠕虫和恶意节点检测、能效安全路由、不完整多视图聚类、信任感知和服务质量感知路由。High-quality Synthetic Mobile Ad Hoc Network (MANET) Dataset for worm and malicious node detection, energy-efficient secure routing, incomplete multi-view clustering, trust-aware and quality-of-service (QoS) aware routing.

原始信息汇总

数据集概述

该数据集是一个高质量合成移动自组织网络（MANET）数据集，专为以下研究方向设计：

• 虫洞攻击与恶意节点检测
• 节能安全路由
• 不完整多视图聚类
• 信任感知与服务质量感知路由

数据集基于Python + NetworkX模拟框架生成，适用于深度学习和优化算法（如双域门控小波编解码器、量子复值自注意力、花卉优化算法、沙袋鼠优化算法）的研究与验证。

---

基本信息

项目	详情
总样本数	约7500个
节点数量	90个
攻击类型	正常、虫洞攻击
缺失值比例	约14%（为不完整多视图设计）
数据格式	CSV + Excel
生成方式	Python + NetworkX仿真

---

特征字段

• 剩余能量与路径平均能量
• 跳数、邻居数量、距离
• 链路质量、信任值、路径平均信任
• 数据包投递率（PDR）
• 端到端延迟
• 路由开销
• 吞吐量、拥塞程度
• 网络寿命（代理指标）
• 攻击类型与二分类标签

数据集中故意引入了缺失值，以支持高斯回归驱动的张量化不完整多视图聚类（GRTIMVC） 算法的研究与评估。

---

文件构成

文件名	说明
MANET_Excellent_Dataset.csv	主数据集（CSV格式）
MANET_Excellent_Dataset.xlsx	相同数据的Excel格式版
MANET_Full_Simulator.py	生成数据集所用的Python脚本
README.md	数据集说明文档（当前文件）

---

使用示例

python import pandas as pd

df = pd.read_csv("MANET_Excellent_Dataset.csv") print(df.head()) print(df[Label].value_counts())

该数据集提供CSV与Excel两种格式，便于直接加载与处理。所有数据均为合成生成，适合用于学术研究、算法验证与模型训练。

搜集汇总

数据集介绍

构建方式

该数据集基于Python与NetworkX仿真框架精心构建，模拟了包含90个节点的移动自组织网络（MANET）环境，生成约7,500条样本。仿真过程涵盖了正常通信与虫洞攻击两种场景，并刻意引入了约14%的缺失值，以模拟现实数据的不完整性。数据集涵盖了节点能量、链路质量、信任值、路由开销及网络寿命等多项关键指标，确保了数据的高维度与真实性。

特点

数据集的独特之处在于其综合性与针对性。它不仅支持虫洞检测和恶意节点识别，还兼顾了能量高效路由与不完整多视图学习的研究需求。通过引入多种网络性能参数和攻击标签，该数据集为深度学习模型提供了丰富的特征空间。尤其针对不完整多视图聚类（如GRTIMVC）的适应性，使其成为评估鲁棒算法和先进优化框架的理想基准。

使用方法

使用者可直接通过Python的pandas库加载CSV或Excel格式的数据文件，快速获取特征矩阵与标签。数据集设计灵活，可适配多种任务，如分类任务（正常或攻击）、回归任务（预测能量或延迟）以及多视图聚类。同时，附带的仿真脚本允许用户自定义网络参数，生成定制化数据，以满足特定的实验需求。该数据集并为多种先进算法（如量子注意力机制、沙袋鼠优化等）提供了验证平台。

背景与挑战

背景概述

移动自组织网络（MANET）因其无中心化基础设施、动态拓扑与多跳通信特性，在军事应急、灾害救援及物联网场景中具有广阔应用前景，然而其开放性与资源受限性使得安全路由与能效优化成为关键挑战。针对此，MANET-Wormhole-Energy-Routing-Dataset数据集于近年由研究团队基于Python与NetworkX仿真框架精心构建，旨在模拟包含虫洞攻击与能耗约束的复杂MANET环境，涵盖约7500个样本、90个节点及14%的缺失值，以支持虫洞检测、能量高效路由及不完整多视图学习等研究。该数据集融合了残差能量、信任值、链路质量、端到端延迟等多维特征，为深度学习方法（如双域门控小波编解码、量子复值自注意力等）的验证提供了基准，推动了MANET安全与能效领域的实证研究，其开源发布亦促进了学术交流与算法对比。

当前挑战

该数据集在构建与应用中面临多重挑战。领域层面，MANET的拓扑动态性、无线信道干扰及节点能量异构性使得虫洞攻击检测与能量感知路由的联合优化尤为困难，现有方法往往顾此失彼，难以兼顾安全性与网络寿命；同时，实际部署中数据采集常存在不完整视图（如丢失部分节点能量或信任数据），如何利用约14%的缺失值进行鲁棒的多视图聚类与推断，成为方法论上的核心难点。构建过程中，需通过仿真精确模拟虫洞攻击的链路特征与能耗模型，平衡数据真实性与生成效率，并确保特征间的相关性及标签无歧义，此外，缺失值的随机引入需避免产生系统性偏差，保障数据集在不同算法间的泛化性与公平性，这要求严格的仿真校验与统计分析。

常用场景

经典使用场景

该数据集为移动自组网（MANET）安全与路由优化研究提供了高保真度的合成数据支撑。其典型应用场景聚焦于虫洞攻击检测与恶意节点识别，研究者可借助网络节点能量、信任值、链路质量等多维特征，训练监督学习模型（如集成树、深度神经网络）对正常与攻击流量进行精确分类。同时，数据集内置约14%的缺失值，契合不完整多视图学习的特殊设定，可驱动高斯回归张量化聚类（GRTIMVC）等前沿算法在数据缺失条件下完成稳健的模式挖掘，为MANET环境下的鲁棒性研究奠定数据基础。

解决学术问题

该数据集直面MANET领域两大核心学术难题：其一，虫洞攻击的隐蔽性与动态拓扑下的检测困难，传统仿真数据常因参数简化而失真，此数据集通过NetworkX模拟生成高真实度流量特征，使研究者能量化攻击对网络性能（如时延、丢包率）的扰动，从而验证新型检测机制的有效性；其二，能量受限与安全路由的联合优化，数据集中包含节点剩余能量、路径平均能量等指标，支持构建能耗感知的安全路由协议评估框架，弥补了现存公开数据集在能量维度与攻击类型覆盖上的不足，为跨学科研究提供了可复用的基准资源。

衍生相关工作

基于该数据集，研究者已衍生出多项经典进阶工作。其一，结合双域门控小波编解码器（Dual-Domain Gating Wavelet Codec）进行特征提取，显著提升虫洞检测精度，促使小波分析在MANET安全中的应用深化；其二，量子复数自注意力机制（Quantum Complex-Valued Self-Attention）的引入，为多视图数据融合提供了量子启发式新范式，相关成果发表于高水平期刊；其三，花优化器（Florist Optimization）与袋鼠优化（Sand Kangaroo Optimization）等元启发算法被用于能量感知路由参数调优，验证了生物启发优化在动态网络中的优越性，形成了一批交叉创新的技术链条，推动该数据集成为MANET智能安全研究的重要验证平台。