NDT vehicular network dataset

该数据集由瑞典皇家理工学院与爱立信研究院联合开发，是基于网络数字孪生框架生成的车辆网络仿真数据。数据集包含约9万条样本，覆盖500×500米慕尼黑城市场景，整合了射线追踪信道建模、车辆移动轨迹和网络流量负载等多维特征，采样粒度达1秒。数据通过ns-3和Sionna仿真平台生成，包含信号强度、端到端时延、吞吐量等跨层指标，并模拟了24小时动态流量变化。主要应用于车联网通信质量预测、资源管理算法验证等机器学习研究领域，为智能交通系统提供高保真仿真基准。

This dataset was co-developed by KTH Royal Institute of Technology and Ericsson Research. It is vehicle network simulation data generated based on the network digital twin framework. The dataset contains approximately 90,000 samples, covering a 500×500 meter urban scenario in Munich. It integrates multi-dimensional features including ray-tracing channel modeling, vehicle movement trajectories, and network traffic loads, with a sampling granularity of 1 second. The data was generated using the ns-3 and Sionna simulation platforms, and includes cross-layer metrics such as signal strength, end-to-end latency, and throughput, while simulating 24-hour dynamic traffic variations. It is primarily applied in machine learning research fields such as Internet of Vehicles (IoV) communication quality prediction and resource management algorithm verification, providing a high-fidelity simulation benchmark for intelligent transportation systems (ITS).

原始信息汇总

数据集概述

数据集名称

RT-enabled ns-3 with NVIDIA Sionna and Advanced Vehicular Mobility

核心描述

本数据集是一个仿真框架，它扩展了原始的“RT-enabled ns-3 with NVIDIA Sionna”框架。该框架将基于射线追踪的无线信道仿真与一个用户友好且逼真的车辆移动框架相结合，旨在为基于机器学习的预测性服务质量分析生成高保真数据集。

技术基础与扩展

• 技术基础：基于将NVIDIA Sionna RT集成到ns-3中的原始工作，实现了在复杂环境中进行GPU加速的确定性射线追踪无线信道仿真。
• 主要扩展：
  1. 引入了专为车辆场景设计的用户友好移动框架。
  2. 实现了逼真的车辆运动、轨迹和异构行为。
  3. 提供了适用于机器学习数据集生成的详细且异构的仿真场景，重点关注预测性服务质量。

适用场景

• 车辆与城市网络仿真。
• 数字孪生启发的无线系统研究。
• 为机器学习驱动的网络优化生成数据。

框架构成与安装

框架由两个交互组件构成：ns-3 和 Sionna，两者通过UDP套接字通信。

1. 安装 ns3-rt (本仓库)

bash git clone https://github.com/osst3224/ns3-rt-mobility.git cd ns3-rt ./ns3 configure --disable-python --enable-examples ./ns3 build

2. 安装 Sionna RT

• Sionna RT v1.0.1及更高版本的要求与Mitsuba 3相同（要求页面位于：https://mitsuba.readthedocs.io/en/stable/）。建议使用Ubuntu 22.04。
• 在GPU上运行Sionna RT：需安装相应GPU驱动，然后安装TensorFlow GPU包并进行验证。
• 在CPU上运行Sionna RT：需安装LLVM和TensorFlow并进行验证。
• 安装Sionna RT： bash pip install sionna-rt

运行示例

1. 首先启动Sionna RT服务器（建议在GPU上远程运行）： bash python3 sionna_server_script.py --frequency=2.1e9

2. 并行运行ns-3仿真： bash ./ns3 run simple-sionna-example ADDRESS HOUR

   需将“ADDRESS”替换为运行Sionna的本地IP地址，“HOUR”替换为仿真运行的小时数（两位数字）。

本地仿真

框架支持在本地（与ns-3同一台机器）运行Sionna RT。本地运行时，需使用--local-machine标志启动Sionna，并在ns-3示例代码中将local_machine标志设置为True。

搜集汇总

数据集介绍

构建方式

在车联网研究领域，高保真仿真数据的生成对于推动开放、虚拟化及智能通信系统的发展至关重要。NDT vehicular network dataset的构建依托于一个创新的网络数字孪生框架，该框架深度融合了可控的车辆移动模型、基于特定场景的射线追踪器Sionna以及离散事件网络模拟器ns-3。具体而言，研究团队在Sionna中预定义了一个500×500米的慕尼黑城市场景，利用射线追踪技术生成精细的信道传播数据，包括路径损耗、阴影衰落和多径效应，以替代传统的随机信道模型。车辆移动性通过模拟连接汽车在道路网络中的行驶来建模，其轨迹生成结合了区域人口密度概率，并施加了符合真实交通状况的速度限制。网络背景流量则采用24小时昼夜负载剖面进行模拟，以反映真实的网络动态。通过整合ns-3中的完整网络协议栈和应用层流量，并利用FlowMonitor以每秒一次的采样频率记录跨层指标，最终生成了涵盖空间、时间和网络多维度的大规模数据集。

特点

该数据集的核心特点在于其高度的真实性与异构性，精准捕捉了动态车联网环境中的复杂时空变异性。数据集不仅集成了站点特定的射线追踪信道信息，确保了无线电传播条件的高保真度，还引入了基于真实城市路网和交通模式的异构车辆移动性。网络负载遵循昼夜变化规律，模拟了从凌晨低负载到高峰时段拥塞的真实流量动态，从而在受控的仿真环境中再现了概念漂移现象。数据内容极为丰富，涵盖了从无线电层（如SINR、RSRP、视距状态）、网络层（如小区负载、端到端时延、吞吐量、抖动）到应用层（如数据包大小、误包率）的全栈跨层度量。这种多层次、高粒度的数据集成，为研究车联网中时空异质性的影响以及开发数据驱动的网络管理算法提供了前所未有的坚实基础。

使用方法

该数据集为车联网与下一代无线网络的研究提供了一个可重复、可配置的基准测试平台。研究人员可利用该数据集训练和评估各类机器学习模型，特别是在服务质量预测、网络优化和智能资源管理等领域。例如，可以基于历史的空间、移动性和网络层特征，构建预测模型来前瞻性地估计特定小区的时延分布或链路可靠性，数据集中的时空异质性有助于检验模型应对概念漂移的鲁棒性。此外，该数据集支持对异常检测算法进行基准测试，以识别网络拥塞或性能劣化的时空模式，也可用于评估自适应资源分配策略在动态负载和移动性条件下的有效性。通过访问开源的NDT框架和配套数据集，研究者能够灵活调整仿真参数，生成符合特定实验需求的定制化数据，从而极大地降低了在复杂车联网场景中进行可控、可重复人工智能研究的门槛。

背景与挑战

背景概述

随着第六代无线通信技术的演进，智能交通系统与协同自动驾驶对网络可靠性与低延迟提出了严苛要求。为应对动态车载网络环境中数据驱动的网络设计与优化挑战，网络数字孪生作为一种可扩展的虚拟化实验平台应运而生。由KTH皇家理工学院与纽约大学坦登工程学院等机构研究人员于2026年提出的NDT车载网络数据集，通过整合可控车辆移动模型、射线追踪信道仿真与离散事件网络模拟，构建了跨无线电层、网络层与应用层的端到端虚拟化网络模型。该数据集为机器学习驱动的服务质量预测、网络优化及智能管理算法提供了可复现的基准测试环境，显著降低了开放式无线网络系统研究的门槛，推动了车载通信与城市部署场景下的数据驱动研究方法发展。

当前挑战

该数据集致力于解决动态车载网络环境中服务质量预测与资源优化等核心问题，其构建面临多重挑战。在领域层面，车载网络的高度动态性导致信道条件、流量模式与用户行为随时间剧烈变化，传统静态模型难以捕捉时空异质性带来的概念漂移现象。构建过程中需实现射线追踪信道仿真、全协议栈网络模拟与高保真移动模型的深度融合，既要保证跨层数据采集的时序同步与完整性，又需在计算复杂度与仿真保真度之间取得平衡。此外，模拟环境需反映真实城市部署中的基站分布、交通流量与无线传播特性，同时保持框架的可配置性与可扩展性，以支持大规模异构网络场景下的机器学习模型训练与验证。

常用场景

经典使用场景

在第六代无线通信技术蓬勃发展的背景下，NDT vehicular network dataset为动态车联网与城市部署场景提供了高度逼真的仿真环境。该数据集通过整合可控车辆移动性、站点特异性射线追踪与离散事件网络模拟，实现了跨无线电、网络和应用层的端到端虚拟化建模。其经典使用场景聚焦于机器学习驱动的服务质量预测、网络优化与智能网络管理算法的可重复实验与基准测试，为研究人员提供了一个可控且可扩展的测试平台，以探索异构交通与多变部署情境下的通信性能。

解决学术问题

该数据集有效应对了车联网研究中因真实测量成本高昂且难以复现而带来的挑战。通过提供精细化的空间、时间与网络层数据，它支持对概念漂移、时空异质性及跨层指标交互等复杂学术问题的深入探究。数据集解决了在动态无线环境中训练与验证机器学习模型时缺乏非平稳条件数据的问题，为服务质量预测、异常检测与自适应资源管理等数据驱动网络设计任务奠定了坚实基础，显著降低了虚拟与开放无线网络服务研究的入门门槛。

衍生相关工作

该数据集的发布促进了多项经典研究工作的衍生与发展。基于其整合射线追踪与全协议栈仿真的框架，研究者们可进一步探索数字孪生在网络性能预测、资源优化及服务保障中的应用。相关工作包括利用数据集训练细粒度服务质量预测模型以缓解概念漂移，开发面向异构车联网环境的自适应通信策略，以及构建用于开放无线接入网的数字孪生测试平台。这些衍生工作共同推动了虚拟化、智能化通信系统的研究进程，为6G网络的可控实验与数据驱动设计提供了重要参考。