5G UAV攻击合成数据集

本数据集名为‘5G UAV攻击合成数据集’，由里斯本大学学院创建，旨在为无人机在5G网络中的安全通信提供研究基础。数据集包含4800个文件，主要记录了接收信号强度指示器（RSSI）和信号与干扰加噪声比（SINR）等关键网络参数。数据集通过模拟城市环境中的无人机攻击场景创建，考虑了固定和移动的攻击者及地面用户，以增强数据集的复杂性和实用性。该数据集适用于深度学习模型的训练和测试，特别是在无人机攻击识别和通信安全领域。

This dataset is named '5G UAV Attack Synthetic Dataset', which was created by the Instituto Superior Técnico, University of Lisbon. It aims to provide a research foundation for secure communication studies of unmanned aerial vehicles (UAVs) over 5G networks. This dataset contains 4,800 files that mainly record key network parameters such as Received Signal Strength Indicator (RSSI) and Signal-to-Interference-plus-Noise Ratio (SINR). It is constructed by simulating UAV attack scenarios in urban environments, taking into account both static and mobile adversaries as well as ground users to enhance the complexity and practicality of the dataset. This dataset is suitable for training and testing deep learning models, particularly in the fields of UAV attack recognition and communication security.

搜集汇总

数据集介绍

构建方式

5G UAV攻击合成数据集是通过ns-3 5G-LENA模块进行模拟构建的。该模块基于3GPP Release-15标准，实现了5G NR技术的全协议栈模拟，包括对各种带宽部分、时间域和频率域调度、OFDMA和TDMA访问模式以及双极化MIMO等的支持。数据集的构建涉及在1km x 1km的区域内模拟认证无人机、攻击者和地面用户之间的通信，收集了RSSI和SINR两种关键的网络参数。

特点

该数据集的特点在于：一是提供了基于5G网络配置的无人机攻击的合成数据，二是包含了不同数量的攻击者和地面用户在不同距离下的多种场景配置，三是数据集考虑了信号在静态和移动攻击者情况下的变化，四是提供了无人机网络功能在静态或移动攻击者针对城市环境中认证无人机时的洞察。

使用方法

使用该数据集时，研究人员可以读取包含标签的文件，并将它们转换为监督或非监督学习数据文件。在预处理步骤中，可以使用归一化和数据降维等技术。数据集提供了随时间变化的数据，便于研究人员进行深度学习模型的训练和测试。

背景与挑战

背景概述

5G UAV攻击合成数据集是一个重要的研究工具，它由ISCTE – Instituto Universitário de Lisboa、PDMFC、IT – Instituto de Telecomunicações和CTTC - Centre Tecnològic de Telecomunicacions de Catalunya等机构的研究人员共同创建。该数据集的创建旨在解决5G网络中无人机（UAV）通信安全的关键问题，提供了一种基于可观测网络参数（如接收信号强度指示器（RSSI）和信噪比（SINR））的合成数据集。这一数据集的核心研究问题是开发深度网络以识别UAV攻击，并对相关领域产生了重要影响。

当前挑战

在构建5G UAV攻击合成数据集的过程中，研究人员面临着多个挑战。首先，确保数据集能够反映现实世界中的攻击场景，这需要精确的模拟和大量的参数配置。其次，数据集需要包含足够多的场景和配置，以解决领域问题，如图像分类中的攻击识别。此外，构建过程中还需考虑数据集的平衡性、避免过拟合，并确保数据的质量和数量能够满足深度学习模型训练的需求。

常用场景

经典使用场景

5G UAV攻击合成数据集是首个基于可观测网络参数构建的合成数据集，其经典使用场景在于为无人机通信安全领域的深度学习算法提供训练和测试数据。该数据集通过模拟无人机在5G网络环境下的攻击行为，为算法开发或时间序列数据分析在无人机攻击识别中的应用提供了实验基础。

解决学术问题

该数据集解决了无人机通信安全领域缺乏现代网络配置攻击数据集的问题，填补了公开攻击数据集的空白。它还解决了深度学习研究者在电信领域知识不足，以及电信研究者对深度学习算法开发了解有限的知识鸿沟。此外，该数据集避免了数据不平衡问题，减少了过拟合，并能在训练时使用合成数据，测试时使用真实数据。

衍生相关工作

基于该数据集，已有相关研究工作衍生，如提出了一种基于小型多头注意力的深度网络解决方案，用于在衰落信道和干扰环境下识别5G无人机网络攻击。这些衍生工作进一步扩展了数据集的应用范围，为无人机通信安全领域的研究提供了新的方法和工具。