高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

DroneRFa:用于侦测低空无人机的大规模无人机射频信号数据集

俞宁宁 毛盛健 周成伟 孙国威 史治国 陈积明

俞宁宁, 毛盛健, 周成伟, 孙国威, 史治国, 陈积明. DroneRFa:用于侦测低空无人机的大规模无人机射频信号数据集[J]. 电子与信息学报, 2024, 46(4): 1147-1156. doi: 10.11999/JEIT230570
引用本文: 俞宁宁, 毛盛健, 周成伟, 孙国威, 史治国, 陈积明. DroneRFa:用于侦测低空无人机的大规模无人机射频信号数据集[J]. 电子与信息学报, 2024, 46(4): 1147-1156. doi: 10.11999/JEIT230570
YU Ningning, MAO Shengjian, ZHOU Chengwei, SUN Guowei, SHI Zhiguo, CHEN Jiming. DroneRFa: A Large-scale Dataset of Drone Radio Frequency Signals for Detecting Low-altitude Drones[J]. Journal of Electronics & Information Technology, 2024, 46(4): 1147-1156. doi: 10.11999/JEIT230570
Citation: YU Ningning, MAO Shengjian, ZHOU Chengwei, SUN Guowei, SHI Zhiguo, CHEN Jiming. DroneRFa: A Large-scale Dataset of Drone Radio Frequency Signals for Detecting Low-altitude Drones[J]. Journal of Electronics & Information Technology, 2024, 46(4): 1147-1156. doi: 10.11999/JEIT230570

DroneRFa:用于侦测低空无人机的大规模无人机射频信号数据集

doi: 10.11999/JEIT230570
基金项目: 国家自然科学基金(U21A20456, 62271444, 61901413),浙江省自然科学基金(LZ23F010007),浙江大学教育基金会启真人才基金,杭州未来科技城5G开放实验室,中央高校基本科研业务费(226-2022-00107)
详细信息
    作者简介:

    俞宁宁:男,博士生,研究方向为反无人机检测、电磁频谱认知、信号识别等

    毛盛健:男,硕士生,研究方向为无人机信号识别、电磁频谱学习等

    周成伟:男,博士,研究员,研究方向为阵列信号处理、张量信号处理、无人机智能监测技术

    孙国威:男,一级警长,研究方向为无人机应用与防控

    史治国:男,博士,教授,研究方向为信号处理及其定位应用、物联网等

    陈积明:男,博士,教授,研究方向为网络优化与控制、网络系统安全、工业大数据与物联网等

    通讯作者:

    史治国 shizg@zju.edu.cn

  • 1注:数据集下载网址为https://jeit.ac.cn/web/data/getData?dataType=Dataset3,若在论文、学术报告中使用该数据集,请务必引用本文。
  • 中图分类号: TN975

DroneRFa: A Large-scale Dataset of Drone Radio Frequency Signals for Detecting Low-altitude Drones

Funds: The National Natural Science Foundation of China (U21A20456, 62271444, 61901413), The Zhejiang Provincial Natural Science Foundation of China (LZ23F010007), Zhejiang University Education Foundation Qizhen Scholar Foundation, 5G Open Laboratory of Hangzhou Future Sci-Tech City, The Fundamental Research Funds for the Central Universities (226-2022-00107)
  • 摘要: 为研究与发展反无人机检测识别技术,该文公开了一个名为DroneRFa的大规模无人机射频信号数据集。该数据集使用软件无线电设备探测无人机与遥控器相互通信的射频信号,包含城市户外场景下运动无人机信号9类、城市室内场景下信号15类以及背景参照信号1类。每类数据有不少于12个片段,每个片段包含1亿个以上的采样点。数据采集覆盖了3个ISM无线电频段,记录无人机多频通信的真实活动。该数据集具有详细的无人机户外飞行距离和工作频段标注,以前缀字符结合二进制编码的形式方便用户灵活访问所需数据。此外,该文提供了基于频谱可视统计特征和基于深度学习表征的两种无人机识别方案,以验证数据集的可靠和有效性。
  • 图  1  Phantom 4 Pro近距离(D00)采样数据时域分布图

    图  2  数据采集场景与设备示意图

    图  3  数据读取(Python脚本)

    图  4  本数据库中6类无人机信号时频谱示意图

    图  5  跳频信号时频图

    图  6  图传信号时频图

    图  7  跳频信号统计特征定义

    图  8  DJI Air 2S (T0101) 在近中远距离下的时频图变化

    图  9  基于ResNet-18模型的本数据集无人机信号识别混淆矩阵

    表  1  近年全球无人机事件

    时间国家(地区)行业/性质事件
    2021年10月7日美国(加利福尼亚)走私一架微型大疆(DJI)无人机通过美国边境墙走私其自身重量的毒品
    2022年4月19日法国(马赛)执法无人机飞手因在法国总统马克龙讲话的禁区内驾驶无人机被捕
    2022年4月23日意大利(罗马)公共安全游客操作无人机不当导致无人机撞向罗马和比萨的意大利地标
    2022年7月27日中国(海口)公共安全摄影师在铁路线上擅自操作DJI Mini 2无人机被海口铁路公安逮捕并罚款
    2022年9月2日美国(加利福尼亚)个人隐私无人机非法入侵住宅窥探女子隐私
    2022年9月28日美国(华盛顿)政府无人机进入禁区造成白宫紧急疏散
    2022年10月2日中国(武汉)个人隐私一名妇女指控无人机多次侵犯她的隐私并拍摄她住宅信息
    2023年2月21日爱尔兰(都柏林)机场无人机入侵导致都柏林机场的航班暂时停止
    下载: 导出CSV

    表  2  反无人机探测基本手段优劣势比较

    探测手段探测距离优势劣势
    视觉适中(1~2 km)成本适中,属于被动探测隐蔽性好,
    结果直观,对环境无影响
    易受遮挡物影响,对光线强度变化敏感,红外传感器成本高,光电传感器无法在夜间工作
    声音近(<150 m)成本低,属于被动探测隐蔽性好,对环境无影响城市环境受噪声影响大
    雷达较远(3~8 km)覆盖范围广,可测目标运动速度受杂波干扰大,低空低速目标探测难,设备成本高,瞬时辐射强不适用于城市环境
    射频(被动)远(1~5 km)电磁特性不易隐藏可靠性好,属于被动探测隐蔽性好,对环境无影响受同频杂波干扰大,设备成本较高
    下载: 导出CSV

    表  3  二进制编码与标签对应关系

    前缀字符二进制编码含义说明(T型号/D探测距离/S信号片段)
    T0000背景(含蓝牙、WiFi)
    T0001DJI Phantom 3
    T0010DJI Phantom 4 Pro
    T0011DJI MATRICE 200
    T0100DJI MATRICE 100
    T0101DJI Air 2S
    T0110DJI Mini 3 Pro
    T0111DJI Inspire 2
    T1000DJI Mavic Pro
    T1001DJI Mini 2
    T1010DJI Mavic 3
    T1011DJI MATRICE 300
    T1100DJI Phantom 4 Pro RTK
    T1101DJI MATRICE 30T
    T1110DJI AVATA
    T1111DJI通信模块自组机
    T10000DJI MATRICE 600 Pro
    T10001VBar 飞控器
    T10010FrSky X20 飞控器
    T10011Futaba T6IZ 飞控器
    T10100Taranis Plus 飞控器
    T10101RadioLink AT9S 飞控器
    T10110Futaba T14SG 飞控器
    T10111云卓 T12 飞控器
    T11000云卓 T10 飞控器
    D0020~40 m
    D0140~80 m
    D1080~150 m
    S0000~0111设置初始通信在915 MHz或2.4 GHz
    S1000~1111若设备支持则切换至2.4 GHz或5.8 GHz
    下载: 导出CSV

    表  4  无人机射频信号统计特征表

    机型跳频
    信号
    带宽
    (MHz)
    跳频
    信号
    时长
    (ms)
    最邻跳
    频块时
    间间
    隔(ms)
    最邻跳
    频块带
    宽间
    隔(MHz)
    图传
    信号
    周期
    (ms)
    图传
    信号
    占空
    比(%)
    Phantom 31.81.85.228//
    Phantom 4 Pro1.22.2120.451468
    MATRICE 2001.22.212211468
    MATRICE 1001.22.2126.8//
    Air 2S2.20.52////
    Mini 3 Pro2.20.52////
    Inspire 21.22.212211468
    Mavic Pro1.10.52////
    Mini 21.10.52////
    Mavic 32.20.52////
    MATRICE 3002.20.52////
    Phantom 4 Pro RTK1.10.525.58.2//
    MATRICE 30T2.20.52////
    AVATA1.10.52//1012
    大疆通信模块自组机1.10.52////
    MATRICE 600 Pro1.22.212401468
    VBar 飞控器0.721.8////
    FrSky X20 飞控器0.422.84.04.2//
    Futaba T6IZ 飞控器2.01.4////
    Taranis Plus飞控器0.757.9121.0//
    RadioLink AT9S飞控器5.02.1////
    Futaba T14SG 飞控器2.02.05.020//
    云卓 T12 飞控器1.74.6////
    云卓 T10 飞控器1.80.3////
    下载: 导出CSV

    表  5  深度神经网络模型在不同输入信号下的识别性能比较

    组号信号长度($T$)分辨率($N$)准确率精确率召回率F值fps
    1(基准)102410240.97730.97760.97740.977353
    276810240.95770.95780.95630.956666
    351210240.90300.90510.90160.901693
    425610240.72710.73730.72780.7301154
    510245120.96860.97040.96890.969392
    610242560.91450.91880.91460.9154154
    710241280.87850.88590.87990.8810217
    下载: 导出CSV
  • [1] BIKOV T, MIHAYLOV G, ILIEV T, et al. Drone surveillance in the modern agriculture[C]. Proceedings of the 8th International Conference on Energy Efficiency and Agricultural Engineering, Ruse, Bulgaria, 2022: 1–4.
    [2] QUBAA A R, THANNOUN R G, and MOHAMMED R M. UAVs/drones for photogrammetry and remote sensing: Nineveh archaeological region as a case study[J]. World Journal of Advanced Research and Reviews, 2022, 14(3): 358–368. doi: 10.30574/wjarr.2022.14.3.0539.
    [3] QU Chengyi, SORBELLI F B, SINGH R, et al. Environmentally-aware and energy-efficient multi-drone coordination and networking for disaster response[J]. IEEE Transactions on Network and Service Management, 2023, 20(2): 1093–1109. doi: 10.1109/TNSM.2023.3243543.
    [4] Team DRONEII. com. Global drone market report 2022–2030[EB/OL]. https://droneii.com/product/drone-market-report, 2023.
    [5] Dedrone. Worldwide drone incidents[EB/OL]. https://www.dedrone.com/resources/incidents-new/all, 2023.
    [6] 宋晨, 周良将, 吴一戎, 等. 基于自相关-倒谱联合分析的无人机旋翼转动频率估计方法[J]. 电子与信息学报, 2019, 41(2): 255–261. doi: 10.11999/JEIT180399.

    SONG Chen, ZHOU Liangjiang, WU Yirong, et al. An estimation method of rotation frequency of unmanned aerial vehicle based on auto-correlation and cepstrum[J]. Journal of Electronics &Information Technology, 2019, 41(2): 255–261. doi: 10.11999/JEIT180399.
    [7] 杨勇, 王雪松, 张斌. 基于时频检测与极化匹配的雷达无人机检测方法[J]. 电子与信息学报, 2021, 43(3): 509–515. doi: 10.11999/JEIT200768.

    YANG Yong, WANG Xuesong, and ZHANG Bin. Radar detection of unmanned aerial vehicles based on time-frequency detection and polarization matching[J]. Journal of Electronics &Information Technology, 2021, 43(3): 509–515. doi: 10.11999/JEIT200768.
    [8] 张霞, 余道杰, 刘广怡, 等. 一种无人机蜂群飞行同步检测和抑制方案[J]. 电子与信息学报, 2023, 45(12): 4317–4326.

    ZHANG Xia, YU Daojie, LIU Guangyi, et al. Countermeasures against UAV swarm through detection and suppression of fly synchronization[J]. Journal of Electronics & Information Technology, 2023, 45(12): 4317–4326.
    [9] SHI Xiufang, YANG Chaoqun, XIE Weige, et al. Anti-drone system with multiple surveillance technologies: Architecture, implementation, and challenges[J]. IEEE Communications Magazine, 2018, 56(4): 68–74. doi: 10.1109/MCOM.2018.1700430.
    [10] SHI Zhiguo, CHANG Xianyu, YANG Chaoqun, et al. An acoustic-based surveillance system for amateur drones detection and localization[J]. IEEE Transactions on Vehicular Technology, 2020, 69(3): 2731–2739. doi: 10.1109/TVT.2020.2964110.
    [11] ZHANG Zongyu, SHI Zhiguo, and GU Yujie. Ziv-Zakai bound for DOAs estimation[J]. IEEE Transactions on Signal Processing, 2023, 71: 136–149. doi: 10.1109/TSP.2022.3229946.
    [12] GUVENC I, KOOHIFAR F, SINGH S, et al. Detection, tracking, and interdiction for amateur drones[J]. IEEE Communications Magazine, 2018, 56(4): 75–81. doi: 10.1109/MCOM.2018.1700455.
    [13] KHAN M A, MENOUAR H, ELDEEB A, et al. On the detection of unauthorized drones-techniques and future perspectives: A review[J]. IEEE Sensors Journal, 2022, 22(12): 11439–11455. doi: 10.1109/JSEN.2022.3171293.
    [14] ALLAHHAM M H D S, AL-SA'D M F, AL-ALI A, et al. DroneRF dataset: A dataset of drones for RF-based detection, classification and identification[J]. Data in Brief, 2019, 26: 104313. doi: 10.1016/j.dib.2019.104313.
    [15] BISIO I, GARIBOTTO C, LAVAGETTO F, et al. Blind detection: Advanced techniques for WiFi-based drone surveillance[J]. IEEE Transactions on Vehicular Technology, 2019, 68(1): 938–946. doi: 10.1109/TVT.2018.2884767.
    [16] XIE Yuelei, JIANG Ping, GU Yi, et al. Dual-source detection and identification system based on UAV radio frequency signal[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 2006215. doi: 10.1109/TIM.2021.3103565.
    [17] EZUMA M, ERDEN F, ANJINAPPA C K, et al. Detection and classification of UAVs using RF fingerprints in the presence of Wi-Fi and Bluetooth interference[J]. IEEE Open Journal of the Communications Society, 2020, 1: 60–76. doi: 10.1109/OJCOMS.2019.2955889.
    [18] FU Hua, ABEYWICKRAMA S, ZHANG Lihao, et al. Low-complexity portable passive drone surveillance via SDR-based signal processing[J]. IEEE Communications Magazine, 2018, 56(4): 112–118. doi: 10.1109/MCOM.2018.1700424.
    [19] ALSOLIMAN A, RIGONI G, LEVORATO M, et al. COTS drone detection using video streaming characteristics[C]. Proceedings of the 22nd International Conference on Distributed Computing and Networking, Nara, Japan, 2021: 166–175.
    [20] ALIPOUR-FANID A, DABAGHCHIAN M, WANG Ning, et al. Machine learning-based delay-aware UAV detection and operation mode identification over encrypted Wi-Fi traffic[J]. IEEE Transactions on Information Forensics and Security, 2020, 15: 2346–2360. doi: 10.1109/TIFS.2019.2959899.
    [21] AL-SA’D M F, AL-ALI A, MOHAMED A, et al. RF-based drone detection and identification using deep learning approaches: An initiative towards a large open source drone database[J]. Future Generation Computer Systems, 2019, 100: 86–97. doi: 10.1016/j.future.2019.05.007.
    [22] BASAK S, RAJENDRAN S, POLLIN S, et al. Combined RF-based drone detection and classification[J]. IEEE Transactions on Cognitive Communications and Networking, 2022, 8(1): 111–120. doi: 10.1109/TCCN.2021.3099114.
    [23] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 770–778.
  • 加载中
图(9) / 表(5)
计量
  • 文章访问数:  6762
  • HTML全文浏览量:  1617
  • PDF下载量:  1278
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-06-08
  • 修回日期:  2023-07-24
  • 网络出版日期:  2023-07-27
  • 刊出日期:  2024-04-24

目录

    /

    返回文章
    返回