LoRa RF指纹数据集

LoRa RF指纹数据集是由俄勒冈州立大学电气工程与计算机科学学院创建的大型RF指纹识别数据集，包含从25个LoRa设备收集的大量信号数据。数据集涵盖多种实验场景，包括室内外环境和不同的网络部署配置，旨在评估深度学习模型在无线网络技术中的应用，特别是RF/设备指纹识别。数据集的创建涉及使用USRP B210接收器记录时间域I/Q样本及其相应的FFT样本，存储为SigMF兼容的二进制文件。此数据集的应用领域包括无线网络设备认证和非法网络访问监控，旨在通过物理层安全增强系统的安全性和鲁棒性。

The LoRa RF fingerprint dataset is a large-scale RF fingerprinting dataset developed by the School of Electrical Engineering and Computer Science at Oregon State University. It contains a substantial volume of signal data collected from 25 LoRa devices. The dataset covers diverse experimental scenarios including indoor and outdoor environments as well as various network deployment configurations, aiming to evaluate the application of deep learning models in wireless network technologies, especially in the field of RF/device fingerprinting. The creation of this dataset involved using the USRP B210 receiver to record time-domain I/Q samples and their corresponding FFT samples, which are stored as SigMF-compatible binary files. The application scenarios of this dataset include wireless network device authentication and unauthorized network access monitoring, with the goal of enhancing the security and robustness of systems through physical layer security technologies.

搜集汇总

数据集介绍

构建方式

该数据集采用25个不同的LoRa物联网传输设备，使用USRP B210接收器收集RF指纹数据。数据集包括大量的SigMF兼容的二进制文件，这些文件代表I/Q时域样本及其对应的基于FFT的LoRa传输文件。数据集构建考虑了室内和室外环境以及各种网络部署和配置，如发射器和接收器之间的距离、LoRa调制的配置、实验的物理位置以及用于训练和测试神经网络模型的接收器硬件。

使用方法

使用该数据集时，研究者可以根据自己的需求选择不同的实验场景进行数据分析和模型训练。例如，研究者可以使用室内环境下的数据进行室内设备的指纹识别，也可以使用室外环境下的数据进行室外设备的指纹识别。此外，研究者还可以使用不同距离、不同配置、不同位置和不同接收器下的数据进行模型泛化能力的评估。数据集的下载和使用可以参考论文中的相关描述。

背景与挑战

背景概述

随着物联网(IoT)的兴起，对无线网络应用的需求日益增长，如频谱接入政策执行、自动网络设备认证以及未经授权的网络访问监控和控制。基于深度学习的射频(RF)指纹识别技术被公认为能够满足这些新兴应用需求的潜在解决方案。为了研究和验证这些新技术，迫切需要真实的、全面的RF数据集。本文中，我们介绍并发布了一个大规模的RF指纹识别数据集，该数据集由25个不同的LoRa启用物联网传输设备使用USRP B210接收器收集。该数据集包括大量符合SigMF标准的二进制文件，这些文件代表LoRa传输的I/Q时域样本及其相应的基于FFT的文件。该数据集提供了一个全面的实验场景集，考虑了室内和室外环境以及各种网络部署和配置，例如发射器和接收器之间的距离、所考虑的LoRa调制的配置、进行实验的物理位置以及用于训练和测试神经网络模型的接收器硬件。随着研究社区从基于模型的解决方案转向基于数据的解决方案，许多最近提出的设备/RF指纹识别框架也从基于模型的分类方法转向了基于深度学习的方法。尽管最近提出的基于深度学习的方法已经显示出有希望的结果，但有些方法仍然依赖于合成数据进行评估和验证，而大多数依赖真实数据集的方法则是在通用的室内和室外设置上进行评估，这留下了一些问题，需要回答才能声称这些技术在现实世界环境中的可行性和优越性。其他对评估深度学习指纹识别技术的性能和鲁棒性非常重要的实验场景尚未被研究。这些关键场景允许研究这些技术在各种部署参数的影响下所能实现的性能，例如发射器和接收器之间的距离、所使用协议的配置、进行测量的物理位置以及训练和推理阶段中使用的接收器的硬件损害。另一个重要的场景是研究当RF信号在并发传输期间捕获时深度学习模型的性能，其中一些传入数据包的部分重叠。无线研究社区面临的一个主要挑战是缺乏全面的、公开可用的数据集，这些数据集可以作为设备/RF分类和指纹识别技术的基准。拥有公开且易于访问的数据集基准确实是促进相关领域（如图像识别和自然语言处理）创新和思想成熟的主要驱动力之一，同时也为研究人员创造了合作机会。因此，无线社区必须效仿这些努力，才能促进该领域的创新。

当前挑战

在创建RF指纹数据集的过程中，研究人员面临了几个挑战。首先，保持所有设备在同一信道条件下的时间间隔可能不足以保证所有传输都在相同条件下进行。这使得研究在相同信道条件下进行训练和测试的模型性能变得具有挑战性。其次，保持所有设备相同的功率水平对于屏蔽功率影响很重要。在实验中，研究人员通过每次使用完全充电的电池来缓解这个问题，但这仍然不能保证所有设备的功率水平都相同。第三，收集多个设备同时传输的数据是一个有趣的场景，但很难实现，因为这通常发生在无线基站随机接入过程中。在这一场景中取得优异成绩将为将基于深度学习的指纹识别技术纳入下一代蜂窝网络开辟道路。第四，增加测试床中发射器的数量是另一项待办事项，这将增加评估的可信度，并允许评估所提出模型的可扩展性性能。最后，利用测试床的多承载能力，可以使用其他技术（如LoRaWAN、SigFox、蓝牙、WiFi和NB-IoT技术）收集调制识别数据集。另一个用途是创建用于研究室内设备定位问题的数据集。

常用场景

经典使用场景

LoRa RF指纹数据集主要用于深度学习在无线网络技术中的应用研究，特别是射频/设备指纹识别。该数据集为研究人员提供了独特的实验场景，包括室内外环境、多种网络部署和配置，以及不同的发射器和接收器硬件。通过这些实验场景，研究人员可以评估深度学习模型在不同条件下的有效性和鲁棒性，例如发射器和接收器之间的距离、协议配置、测量物理位置和接收器硬件的缺陷。此外，数据集还涵盖了在并发传输期间捕获射频信号的场景，其中一些数据包部分重叠。LoRa RF指纹数据集为研究社区提供了一个宝贵的资源，用于验证和评估新的射频指纹识别方法，并推动该领域的技术创新。

解决学术问题

LoRa RF指纹数据集解决了无线研究社区长期以来面临的一个主要挑战，即缺乏全面、公开可用的数据集，这些数据集可以作为设备/射频分类和指纹识别技术的基准。该数据集填补了LoRa设备指纹识别领域数据集的空白，并提供了多样化的实验场景，以评估深度学习模型在不同条件下的性能。这对于研究射频指纹识别技术的可行性、优越性和鲁棒性至关重要。此外，数据集还包括了并发传输的场景，这对于评估深度学习模型在现实世界设置中的性能至关重要。

实际应用

LoRa RF指纹数据集在物联网（IoT）领域具有广泛的应用前景。物联网设备的安全性对于保障数据传输的机密性和完整性至关重要。LoRa RF指纹数据集可以帮助研究人员开发更安全的物联网设备，通过利用射频指纹技术来识别和验证设备，从而提高系统的安全性。此外，该数据集还可以用于研究物联网设备的定位问题，例如室内设备定位。通过分析射频指纹，可以确定设备的位置，这对于实现更精确的定位服务至关重要。

数据集最近研究

最新研究方向

基于深度学习的射频指纹识别技术在新兴无线网络应用中的潜力已被广泛认可，如频谱接入政策执行、自动化网络设备认证以及未经授权的网络访问监控和控制。为了促进对这些新兴技术的深入研究、评估和验证，LoRa射频指纹数据集的发布提供了丰富的实验场景，涵盖了室内外环境和各种网络部署与配置。该数据集的多样性允许研究人员探索不同部署参数对深度学习模型性能的影响，如发射器和接收器之间的距离、所使用的协议配置、实验测量的物理位置以及接收器硬件的影响。此外，该数据集还提供了并发传输场景下的数据，其中部分接收到的数据包发生重叠，这对于评估深度学习模型在实际应用中的鲁棒性至关重要。LoRa射频指纹数据集的发布为无线研究社区提供了一个全面的、可公开获取的数据集，这将成为设备/射频分类和指纹识别技术的基准，并推动该领域的创新。

相关研究论文

• Comprehensive RF Dataset Collection and Release: A Deep Learning-Based Device Fingerprinting Use Case

  俄勒冈州立大学电气工程与计算机科学学院 · 2022年