LwHBench

LwHBench是一个针对单板计算机的低级硬件组件基准测试和数据集，由西班牙穆尔西亚大学信息与通信工程系创建。该数据集包含从45个不同型号的树莓派设备在100天内收集的超过238万条数据，总计4GB。数据集通过执行CPU、GPU、内存和存储的性能测量来创建，旨在支持基于设备和组件性能的网络、系统和服务的边缘AI解决方案。数据集的应用领域包括设备识别和性能分析，旨在解决物联网和边缘计算环境中的设备管理和性能优化问题。LwHBench is a low-level hardware component benchmarking and dataset for single-board computers, created by the Department of Information and Communications Engineering, University of Murcia, Spain. This dataset contains over 2.38 million data points collected over 100 days across 45 distinct Raspberry Pi device models, with a total size of 4 GB. It is constructed by performing performance measurements on CPU, GPU, memory and storage, aiming to support edge AI solutions for networks, systems and services based on device and component performance. Its application areas include device identification and performance analysis, which targets to address device management and performance optimization issues in IoT and edge computing environments.

搜集汇总

数据集介绍

构建方式

在当今人工智能与边缘计算向物联网领域深度渗透的背景下，单板计算机的性能基准测试成为评估其适用性的关键任务。LwHBench数据集基于一项针对单板计算机的低层级硬件基准测试应用构建而成，该应用专门用于测量CPU、GPU、内存和存储的性能。研究团队在45台涵盖Raspberry Pi多种型号的设备上部署了该基准测试，持续运行100天，通过设置固定组件频率、隔离CPU核心、禁用地址空间随机化等严格措施确保测量稳定性，最终采集了超过238万条数据向量，总量达4GB。

特点

该数据集最显著的特点在于其低层级硬件测量视角，通过使用一个组件（如GPU）的周期计数器来测量另一组件（如CPU）的性能，避免了自测偏差，能够精准捕捉芯片制造差异与性能波动。数据集包含丰富的特征维度，涵盖不同时长的CPU休眠测试、哈希计算、伪随机数生成、GPU矩阵运算、内存操作以及100次存储读写时间等。此外，所有设备均部署于相同物理环境并运行统一软件镜像，最大限度降低了外部噪声干扰。

使用方法

LwHBench数据集为机器学习与深度学习驱动的设备管理场景提供了理想的数据基础。研究者可利用该数据集进行设备型号识别与个体指纹鉴定，通过聚类或分类算法从性能特征中区分不同设备。同时，数据集支持温度对性能影响的关联分析，以及同型号设备间性能差异的对比研究。数据集中的MAC地址可作为监督学习标签，每个设备的数据独立存储为CSV文件，便于直接加载与预处理。

背景与挑战

背景概述

在人工智能与数据处理向物联网及边缘计算范式迁移的当下，对资源受限设备进行性能基准测试成为评估其适用性的关键任务。单板计算机凭借其多功能性与经济性被广泛采用，然而现有研究多聚焦于特定应用场景的高层基准测试，如人工智能或医疗领域，缺乏对硬件组件底层性能的精细化刻画。为填补这一空白，西班牙穆尔西亚大学、苏黎世大学及瑞士联邦军备局的研究人员于2022年共同提出了LwHBench，一个面向单板计算机的低层级硬件组件基准测试框架。该数据集基于45台树莓派设备长达100天的持续运行采集，涵盖CPU、GPU、内存及存储的周期级性能数据，共计超过230万条样本，为基于设备性能的网络管理、个体识别等新兴边缘智能应用提供了前所未有的数据支撑。

当前挑战

该数据集所解决的领域问题核心在于：现有基准测试方案普遍侧重高层应用性能（如AI推理耗时），而缺乏对硬件物理特性的底层刻画，导致无法利用细粒度性能差异实现设备指纹识别或芯片级缺陷检测。构建过程中面临多重挑战：首先，树莓派为降低成本仅保留少量晶体振荡器，各组件频率依赖锁相环倍频生成，使得从设备自身精确测量性能偏差极为困难；其次，需设计跨组件相互测量的机制（如用GPU周期测量CPU执行时间）以规避自测误差；此外，需采取固定频率、核心隔离、禁用地址随机化、固定哈希种子等十余项稳定性措施以抑制系统噪声；最后，还需适配不同GPU架构（如VideoCore IV/VI与Mali T860）以实现跨型号的底层寄存器访问。

常用场景

经典使用场景

在边缘计算与物联网领域，资源受限的单板计算机性能评估至关重要。LwHBench作为一款低层级硬件基准测试工具，专为树莓派等单板计算机设计，通过测量CPU、GPU、内存和存储组件的底层性能（如时钟周期与执行时间），为设备能力刻画提供了精准手段。其最经典的使用场景在于设备指纹识别：利用不同硬件组件的微观性能差异，结合机器学习算法，可实现设备型号乃至个体设备的唯一性鉴别，从而在网络安全与设备管理场景中构建可靠的硬件身份认证机制。

实际应用

在实际部署中，LwHBench已成功适配于农业物联网场景，运行于RockPro64设备之上，实现了对传感器控制节点性能的持续监测与个体识别。该工具可应用于工业自动化、智能家居、智慧城市等需要大规模单板计算机部署的环境，帮助运维人员实时掌握设备健康状态，预警因芯片老化或温度波动导致的性能劣化，并有效抵御设备仿冒攻击，从而保障关键业务系统的稳定运行与安全可信。

衍生相关工作

基于LwHBench数据集，研究者已开展了一系列衍生工作，包括采用XGBoost等算法实现45台设备的个体识别，F1分数达0.97；通过主成分分析与k-means聚类完成设备型号的自动分类；以及探索温度对树莓派3等型号性能的显著相关性。这些工作验证了低层级硬件性能数据在设备指纹识别、性能退化分析等领域的有效性，并为后续结合时间序列建模、联邦学习等先进技术的研究奠定了坚实基础，拓展了硬件基准测试在网络安全与系统管理中的应用边界。