NS3-SimData

本数据集包含用于AI模型训练的5G/LTE网络数据，涵盖了基于NS3的仿真数据以及在日本大阪大学丰中校区采集的实际测量数据。数据集主要用于训练和微调RSRP（参考信号接收功率）生成算法和网络负载建模。数据集分为三个主要部分：1) Layer1_offeredload，包含从公开数据集5G-SliciNdd提取的流量侧辅助数据，用于确保NS3模拟器反映真实世界的上下行负载统计；2) Layer2_rsrp_only，包含NS3模拟器生成的核心数据，用于训练RSRP生成方法，包括每用户设备(UE)的KPI跟踪数据(ue_kpi.csv)和基站位置信息(gnb_positions.csv)；3) Layer2_rsrp_only_finetune，包含在大阪大学丰中校区使用Android智能手机测量的真实世界数据，专门用于模型微调，包括基站位置信息(base_stations.json)和原始测量日志(raw/*.txt)。

This dataset contains 5G/LTE network data for AI model training, including simulation data based on NS3 and actual measurement data collected at Toyonaka Campus of Osaka University in Japan. The dataset is primarily used for training and fine-tuning RSRP (Reference Signal Received Power) generation algorithms and network load modeling. The dataset is divided into three main parts: 1) Layer1_offeredload, which contains traffic-side auxiliary data extracted from the public dataset 5G-SliciNdd, used to ensure that the NS3 simulator reflects real-world uplink and downlink load statistics; 2) Layer2_rsrp_only, which contains core data generated by the NS3 simulator for training RSRP generation methods, including per-user equipment (UE) KPI tracking data (ue_kpi.csv) and base station location information (gnb_positions.csv); 3) Layer2_rsrp_only_finetune, which contains real-world data measured using Android smartphones at Toyonaka Campus of Osaka University, specifically for model fine-tuning, including base station location information (base_stations.json) and raw measurement logs (raw/*.txt).

原始信息汇总

好的，这是对您提供的NS3-5G/LTE仿真与真实世界RSRP数据集详情页的总结。

数据集概述

该数据集主要用于人工智能模型训练，特别是针对RSRP（参考信号接收功率）生成算法和网络负载建模的培训与微调。它包含了基于NS3的仿真数据以及在日本大阪大学丰中校区收集的真实世界测量数据。

核心内容与结构

数据集由三个主要部分组成：

1. Layer1_offeredload (流量侧辅助数据)

   • 来源: 基于公开数据集 5G-SliciNdd 提取的流量侧信息。
   • 作用: 将原始数据中与负载相关的部分转换为离散分布（如JSON格式文件），确保NS3模拟器能够反映真实世界测量的上下行负载统计。

2. Layer2_rsrp_only (NS3仿真数据)

   • 用途: 核心数据集，用于训练RSRP生成方法及其他相关算法。
   • 包含文件:
     • ue_kpi.csv: 用户设备（UE）的关键绩效指标（KPI）跟踪数据，包含时间戳、IMSI、位置坐标、切片ID、RSRP和服务小区ID。
     • gnb_positions.csv: 基站（gNB）的物理布局信息，包含基站索引和位置坐标。

3. Layer2_rsrp_only_finetune (真实世界微调数据)

   • 来源: 在日本大阪大学丰中校区使用安卓智能手机实地测量。
   • 用途: 专门用于模型的微调。
   • 包含文件:
     • base_stations.json: 基站记录数组，包含eNodeB ID、经纬度坐标以及相关服务小区标识列表，用于下游映射和预处理。
     • raw/*.txt: 原始测量日志文件，采用换行符分隔的JSON格式。每条记录包含ISO-8601格式的时间戳、信号信息（类型、RSSI、RSRP、RSRQ、SNR、小区ID）和GPS位置信息。

使用方式

该数据集的具体使用方法，请参考其关联的GitHub代码仓库：kernel-diff。

许可信息

该数据集采用 MIT 许可证。

搜集汇总

数据集介绍

构建方式

该数据集融合了仿真与实测双重渠道，构建过程兼具理论建模与实地验证。其一，基于NS3模拟器生成核心仿真数据，通过引入来自公开数据集5G-SliciNdd的流量侧信息，将已提供负载相关数据转换为离散分布，确保模拟环境能反映真实世界的上下行负载统计特性，而非依赖任意恒定速率。其二，在日本大阪大学丰中校区通过安卓智能手机实地采集，获得包含基站锚点信息与原始测量日志的真实世界数据，日志中每行JSON对象记录了一个采样点的信号强度、时间戳及GPS坐标。

使用方法

使用时需遵循特定流程。仿真数据部分，需运行预处理脚本解析`ue_kpi.csv`与`gnb_positions.csv`，提取用户设备的时空轨迹及信号强度，用于训练RSRP生成算法。真实世界数据部分，需结合`base_stations.json`中的基站锚点信息与`raw/`目录下的原始测量日志，通过匹配服务小区标识，将时间戳、RSRP与GPS坐标联合重组，以重建物理空间中的信号分布图谱。具体操作可参考配套的GitHub仓库Kernel-based-Diffusion中的详细指导。

背景与挑战

背景概述

NS3-SimData数据集由日本大阪大学丰中校区的研究团队创建，旨在解决5G/LTE网络中参考信号接收功率（RSRP）的精确建模与生成问题。该数据集融合了基于NS3模拟器的仿真数据和真实世界测量数据，核心研究问题在于如何利用人工智能模型高效生成RSRP，并准确模拟网络负载。通过提供从公共数据集5G-SliciNdd提取的流量侧辅助信息、仿真生成的用户设备KPI轨迹以及真实环境下的智能手机测量日志，该数据集为网络优化与部署提供了关键资源，对推动5G网络智能化管理具有重要影响力。

当前挑战

数据集所解决的领域问题在于5G/LTE网络中RSRP预测面临的环境复杂性，如多径衰落、干扰变化和用户移动性，传统模型难以在动态场景下保持精度。构建过程中，遭遇了仿真与真实数据对齐的挑战，包括如何将NS3模拟的负载分布准确映射到现实流量模式，以及从真实测量日志中提取的稀疏GPS信号与基站锚点信息的精确匹配，同时需处理跨时空尺度的数据一致性，确保训练出的算法具备泛化能力。

常用场景

经典使用场景

在移动通信与无线网络研究领域，NS3-SimData数据集凭借其融合了NS3仿真数据与真实世界测量的独特架构，成为训练和调优RSRP（参考信号接收功率）生成算法与网络负载建模的经典资源。该数据集尤其适用于开发基于AI的无线信道预测模型，通过利用仿真环境与实测数据间的协同效应，研究者能够构建更为精准且具有泛化能力的信号传播分析框架。

解决学术问题

该数据集有效解决了学术界在5G/LTE网络仿真与真实环境表征之间的鸿沟问题。传统研究往往受限于仿真数据的理想化或实测数据的稀疏性，而NS3-SimData通过将仿真生成的精确时空轨迹与大阪大学丰中校区实地采集的RSRP测量值相结合，首次为跨领域信号分布重建提供了可比较的基准。其支持研究者探索从仿真到真实世界的迁移学习策略，显著推进了网络流量建模、覆盖优化以及非理想条件下信道估计方法的发展。

实际应用

在实际应用层面，该数据集为运营商网络规划、智能基站部署以及动态频谱资源共享系统提供了关键支撑。移动网络运营商可利用其中针对不同负载条件的离散流量分布子集（Layer1），优化基站资源分配策略；而Layer3的真实世界细粒度RSRP日志则服务于城市级信号覆盖盲区识别、用户终端定位增强以及自适应波束成形算法的调优，最终赋能超可靠低延迟通信（URLLC）场景下的网络自治能力。

数据集最近研究

最新研究方向

在移动通信网络智能化演进的前沿浪潮中，NS3-SimData数据集为5G/LTE网络中基于参考信号接收功率（RSRP）的生成式算法与负载建模研究提供了关键支撑。该数据集巧妙融合了基于NS3仿真平台生成的高保真控制面数据，以及在日本大阪大学丰中校区实测的真实世界信号指纹，构建了从仿真到现实的闭环优化框架。当前，面向网络数字孪生与AI原生空口设计的趋势，该数据集可驱动基于扩散模型等生成式AI的RSRP预测方法创新，并赋能网络切片场景下动态负载均衡策略的细粒度验证。其对于弥合仿真场景与真实无线环境间的语义鸿沟具有重要范式意义，为6G时代认知智能网络的零接触运维提供了可复用的数据基座。