SPADE

SPADE是由加拿大皇家军事学院创建的多模态仿真数据集，专为智能网联汽车中信号相位与定时（SPaT）消息的攻击检测而设计。该数据集包含约1,890,000条带标签的时间步记录，每条记录融合SPaT消息字段、车载摄像头置信度分数及V2V协同数据，共40维特征，覆盖六种攻击类型与一种良性类别。数据集通过Eclipse MOSAIC仿真环境运行时注入攻击生成，结合四种交叉口几何形状、六种操作条件及五种随机种子重复，共180个场景配置。其旨在解决车载视角下SPaT消息完整性攻击的检测难题，为深度学习入侵检测系统提供跨模态数据支撑。SPADE is a multimodal simulation dataset developed by the Royal Military College of Canada, specifically designed for attack detection of Signal Phase and Timing (SPaT) messages in intelligent connected vehicles (ICVs). This dataset contains approximately 1,890,000 labeled time-step records, each integrating SPaT message fields, on-board camera confidence scores, and vehicle-to-vehicle (V2V) cooperative data, resulting in a total of 40-dimensional features covering six types of attacks and one benign class. The dataset is generated via runtime attack injection in the Eclipse MOSAIC simulation environment, with 180 total scenario configurations combining four intersection geometries, six operating conditions, and five replicated random seeds. It aims to address the detection challenge of SPaT message integrity attacks from the on-board vehicle perspective, providing cross-modal data support for deep learning-based intrusion detection systems.

原始信息汇总

SPADE 数据集详情

基本信息

• 数据集名称：SPADE
• 来源地址：https://github.com/jdinovo/SPADE

内容概述

该数据集详情页面仅提供了项目名称“SPADE”，未包含任何关于数据集的具体描述、构成、用途、标注信息、数据规模、格式或下载方式等实质性内容。页面中的 README 文件仅有标题，无详细说明。

补充说明

由于该页面提供的有效信息极为有限，目前无法提取数据集的具体领域、任务类型或数据特点。如需了解该数据集的详细情况，建议进一步访问其官方 GitHub 仓库或相关发布文档。

搜集汇总

数据集介绍

构建方式

在车联网（C-V2X）安全研究领域，信号相位与配时（SPaT）消息的完整性直接关乎自动驾驶车辆的运行安全。SPADE数据集基于Eclipse MOSAIC协同仿真平台构建，通过在SAE J2735应用层实施运行时攻击注入，模拟了六类典型攻击（如虚假状态、重放、时间篡改、女巫、拒绝服务、冒充）及良性场景。数据集涵盖了四种交叉路口几何结构、六种运行条件（含交通密度与能见度变化）和五个独立随机种子重复，共产生180个独特基线路段，经七次标签类执行后累计约189万条时间步记录，每条记录融合SPaT消息、车载摄像头置信度及V2V协同数据等40维特征。

特点

SPADE数据集的核心优势在于其多模态特征融合与场景级多样性。记录融合了SPaT消息字段、车载感知（如摄像头置信度，受距离、角度和环境能见度影响）以及V2V协同感知数据，能够有效捕捉恶意攻击与环境退化之间的细微差异。数据集由七个类别均衡构成（每类约27万条记录），规模较大，足以支撑深度学习模型训练。防御措施层面，数据集按场景运行进行划分，确保训练集、验证集和测试集相互独立，契合模型实际部署场景，有效避免数据泄漏。此外，基于仿真生成的数据与代码，为结果的比较和可复现性提供了坚实基础。

使用方法

SPADE数据集专为连接车辆视角下的SPaT消息攻击检测设计，适用场景为车载入侵检测系统（IDS）的开发与评估。使用时可将其作为多分类问题（七类）的训练与测试基准，通过配套的40维特征向量，研究人员可训练并比较多种深度学习方法，如1D-CNN、LSTM和Transformer等。值得注意的是，该数据集遵循封闭世界假设，适用于对已知攻击类型的检测，评估时需结合场景特性，关注类别不平衡可能带来的影响。数据集配套提供生成代码和详细实验配置，便于用户复现结果或扩展新攻击类型。

背景与挑战

背景概述

SPADE数据集由加拿大皇家军事学院的James Di Novo等人于2026年创建，旨在填补车联网（C-V2X）安全领域中信号相位与定时（SPaT）消息攻击检测数据集的空白。随着智能交通系统（ITS）依赖路侧单元（RSU）广播SPaT消息以支持自动驾驶功能，SPaT消息的完整性成为安全关键。然而，现有研究多聚焦于基础设施侧或V2V基本安全消息（BSM）的异常行为检测，缺乏从联网车辆（CV） onboard视角对SPaT消息完整性进行入侵检测的专用数据集。SPADE通过Eclipse MOSAIC仿真平台，在SAE J2735应用层注入六类攻击（如虚假状态、重放、时间操纵等）和一类良性场景，结合四种交叉口几何形状、六种运行条件和五个随机种子，生成180个独特场景运行，共约189万条多模态记录（每类27万条）。该数据集首次将SPaT消息字段、车载摄像头感知数据和V2V协作数据融合，支持深度学习入侵检测系统的训练与评估，并已公开于GitHub，对C-V2X安全研究具有重要推动作用。

当前挑战

SPADE数据集面临的挑战主要源自其目标领域和构建过程。领域层面，针对SPaT消息的应用层攻击（如通过被攻破的RSU注入虚假相位状态、重放过期消息或操纵倒计时器）可以绕过传统认证，而现有方法多从基础设施视角防御，未能从车载角度有效检测这些攻击。构建过程中，SPADE需确保多模态数据流（SPaT、摄像头置信度、V2V消息）在攻击注入下保持一致，这要求仿真环境能精确模拟攻击对车辆感知和行为的影响。此外，由于SUMO仿真限制，车辆无法基于恶意消息做出反应（否则会引发碰撞），导致自车数据在攻击与良性场景间无差异，降低了其训练价值。数据集还面临类平衡、场景多样性以及防止数据泄漏的挑战，另外，当前SPaT消息基于固定定时而非动态调整，限制了模型应对真实动态交通状况的能力。这些挑战在论文中均有详细讨论，并提示了未来需要借助CARLA等更高级仿真工具以增强数据集的真实性和鲁棒性。

常用场景

经典使用场景

SPADE数据集的核心应用场景在于为车联网环境下的信号相位与配时（SPaT）消息攻击检测提供标准化的深度学习训练与评估基准。该数据集从网联车辆（CV）的视角出发，捕获了包含SPaT消息、车载相机感知、V2V协作感知等多模态数据流的完整信息，涵盖了六种典型SPaT攻击类别及一种良性类别。研究者利用该数据集可训练和验证用于实时入侵检测的深度学习模型，如卷积神经网络（CNN）、长短期记忆网络（LSTM）以及基于Transformer的架构。数据集提供了场景级别的数据划分策略，有效避免了数据泄漏问题，确保了模型性能评估的公正性与可信度，从而在车联网安全研究中树立了可复现、可比较的评测标尺。

解决学术问题

在SPADE问世之前，车联网入侵检测研究主要聚焦于基础设施侧或V2V基本安全消息（BSM）的异常行为，缺乏从车载网联车辆视角对SPaT消息完整性进行深入探究的公开数据集。这一空缺严重制约了针对SPaT攻击的机器学习检测模型的研发与验证。SPADE数据集的发布填补了这一学术空白，其精心设计的威胁模型覆盖了伪造状态、重放、时间操控、女巫攻击、拒绝服务及 impersonation 等六类攻击，并创新性地引入跨模态一致性特征，为解决“如何在车载端利用SPaT、相机感知和V2V协作数据联合识别恶意SPaT消息”这一关键学术问题提供了宝贵的数据支撑。该数据集的出现有力推动了车载SPaT入侵检测领域的进步，并为后续研究奠定了坚实的实验基础。

衍生相关工作

SPADE数据集的发布催生了一系列衍生性的学术探索。其设计理念与发布方式（包括生成代码和场景配置）为其他研究者提供了可扩展的仿真框架，激励了后续针对不同V2X通信协议（如DSRC vs C-V2X）或更多样化攻击模型的数据集构建工作。具体而言，基于SPADE，研究者已开展对深度学习架构（如1D-CNN、Stacked LSTM、Transformer）在SPaT攻击检测任务上性能的比较研究，并探索了类不平衡环境下的模型校准策略。此外，该数据集也促进了关于车载跨模态数据融合技术的研究，例如如何有效结合相机感知置信度与V2V协作信息来提升检测鲁棒性。同时，SPADE的局限性（如固定配时参数、缺乏真实环境验证）也引发了将模拟数据与实际路测数据结合、利用硬件在环进行sim-to-real迁移的研究方向，持续推动车联网安全检测技术向实用化迈进。