New Synthetic Dataset

新合成数据集是专为无人机网络中的干扰识别设计的，包含483,540个传输块，模拟了无人机接收资源块中的信号。数据集考虑了小衰落和阴影效应，以及信号在频率域的表示。数据集创建过程中，使用了Rician模型描述多路径射线，并通过计算接收功率来模拟信号。该数据集主要用于无人机通信中的干扰检测，旨在通过统计模型和深度学习网络提高干扰识别的准确性。This newly synthesized dataset is specifically designed for interference identification in drone networks, containing 483,540 transport blocks that simulate signals within resource blocks received by drones. The dataset accounts for small-scale fading, shadowing effects, and the frequency-domain representation of signals. During the dataset creation process, the Rician model was employed to characterize multipath rays, and signal simulation was conducted by calculating received power. This dataset is primarily used for interference detection in drone communications, aiming to improve the accuracy of interference identification via statistical models and deep learning networks.

搜集汇总

数据集介绍

构建方式

在无人机通信安全研究领域，New Synthetic Dataset的构建采用了精细的仿真建模方法。该数据集通过模拟无人机与基站之间的空对地通信链路，综合考虑了多径衰落、阴影效应以及瑞利信道模型，生成了包含483,540个传输块的大规模样本。每个样本以频域接收功率为核心特征，并依据信噪比高低与干扰存在与否，将信号精确划分为良好-正常、恶劣-正常、良好-干扰及恶劣-干扰四种类别。仿真过程中，通过动态调整干扰器功率、位置以及与基站的距离等关键参数，确保了数据在多样化攻击场景下的代表性与真实性。

特点

该数据集的核心特点在于其高度仿真的复杂性与精细的类别标注。数据不仅捕获了无线信道中常见的小尺度衰落与阴影效应，还专门模拟了不同功率和距离配置下的针对性干扰攻击，从而全面反映了真实通信环境中的安全威胁。样本以频域序列形式呈现，长度统一为1024点，便于直接应用于时间序列分析或深度学习模型。四分类体系清晰区分了信道质量与攻击状态，为模型训练提供了明确的监督信号。此外，数据集中干扰信号通常功率高于合法信号，这突出了攻击的破坏性特征，有助于算法学习识别强干扰模式。

使用方法

该数据集主要服务于无人机网络抗干扰算法的开发与评估。研究人员可将其用于训练和验证基于统计模型或深度学习的干扰识别分类器。具体而言，时间序列分析方法（如STL分解）可直接对接收功率序列进行趋势、季节性与残差分解，提取特征后结合支持向量机等分类器进行攻击检测。深度学习方法则可将序列数据输入定制化的CNN-LSTM混合网络架构，进行端到端的四分类任务。使用前，建议按70%训练与30%测试的比例划分数据，并可进一步采用交叉验证以优化模型超参数，确保评估结果的稳健性。

背景与挑战

背景概述

随着5G通信系统的部署，无人机网络因其高灵活性和视距通信优势成为关键基础设施，然而空对地无线链路的开放性使其易受恶意干扰攻击。针对此安全挑战，由葡萄牙ISCTE大学、电信研究所等机构的研究团队于近年开发了New Synthetic Dataset，该数据集通过模拟无人机资源块接收信号，融合了多径衰落、阴影效应及干扰攻击参数，旨在为基于统计模型与深度网络的干扰检测算法提供标准化评估基准。其核心研究聚焦于破解传统加密方案在无人机场景中的资源瓶颈，通过信道特征分析实现轻量化攻击识别，为无人机网络安全领域注入了数据驱动的创新方法论。

当前挑战

该数据集致力于解决无人机通信中干扰攻击识别的核心难题，其挑战首先体现在复杂电磁环境下低功率干扰信号的甄别，由于信道衰落与噪声的掩盖效应，传统统计模型在干扰功率接近背景噪声时准确率显著下降。构建过程中的挑战则源于高保真信道仿真的复杂性，需精确建模三维空间中的路径损耗、阴影波动及动态干扰参数，同时确保483,540个样本在‘正常-干扰’‘优质-劣质’四类标签中的平衡分布，以支撑深度学习模型对细微攻击模式的捕捉。

常用场景

经典使用场景

在无人机网络安全领域，该合成数据集主要用于模拟和识别空对地通信链路中的恶意干扰攻击。通过精确建模信道衰落、阴影效应及干扰信号特征，数据集为开发轻量级异常检测算法提供了标准化测试平台。研究人员可基于此评估统计模型与深度学习网络在复杂电磁环境下的干扰识别性能，尤其适用于资源受限的无人机嵌入式系统验证场景。

解决学术问题

该数据集有效解决了无人机通信中干扰攻击检测缺乏公开基准数据的学术困境。通过提供包含多维度信道状态参数的仿真数据，支持研究者突破传统加密防护的局限性，探索基于物理层信号特征的轻量化安全机制。其意义在于推动了无线网络安全范式从被动防御向主动感知的转变，为低功耗边缘计算环境下的实时威胁识别奠定了数据基础。

衍生相关工作

基于该数据集衍生的经典工作包括融合季节性趋势分解的轻量级统计检测框架，以及专为嵌入式平台优化的CNN-LSTM混合神经网络架构。这些研究突破了预训练模型的计算瓶颈，开创了针对时频域联合特征的干扰模式识别新范式。后续学者进一步拓展了多无人机协同检测、跨模态对抗样本生成等方向，形成了无人机物理层安全领域的方法论体系。