Tuni2025 GNSS欺骗数据集：高采样率伽利略与GPS信号认证新基准

《IEEE Data Descriptions》：Descriptor: Tuni2025 GNSS - Galileo and GPS Spoofing Datasets (TG-GGSD)

本文针对GNSS欺骗攻击检测中缺乏高保真公开数据集的瓶颈，介绍了由坦佩雷大学团队开发的Tuni2025数据集。该研究通过实验室精密测量生成17个静态欺骗场景，包含伽利略E1和GPS L1频段的原始I/Q数据，采用50 MHz高采样率和32位复合量化，创新性地实现欺骗PRN与真实PRN的区分标注，为射频指纹识别（RFFI）研究提供关键数据支撑。数据集已通过开源FGI-GSRx接收机验证，显著推进了欺骗检测算法可复现性研究。

　　

随着全球导航卫星系统（GNSS）在关键基础设施中的广泛应用，欺骗攻击已成为重大安全威胁。恶意攻击者通过伪造GNSS信号诱导接收机产生错误定位信息，近年来此类攻击事件呈现显著增长趋势。然而，当前研究面临一个核心瓶颈：缺乏能够模拟真实场景的高质量开源数据集。现有数据集如TEXBAT和OAKBAT存在采样率低、同步欺骗所有PRN（伪随机噪声码）且缺乏多路径环境模拟等局限，尤其OAKBAT数据集自2025年7月起已限制公开访问。这种数据匮乏严重制约了基于机器学习统计信号处理和射频指纹识别等先进欺骗检测技术的发展。

为解决这一挑战，芬兰坦佩雷大学研究团队在《IEEE Data Descriptions》发表了题为"Descriptor: Tuni2025 GNSS- Galileo and GPS Spoofing Datasets"的数据描述论文，正式发布Tuni2025 GNSS欺骗数据集。该数据集通过实验室精密控制的测量设置，生成包含17个独立场景的原始信号数据（8个伽利略E1场景和9个GPS L1场景），每个场景持续150秒，采样率高达50 MHz，采用32位复合量化（16位I通道+16位Q通道）。研究团队创新性地采用异步欺骗策略，使欺骗信号与真实信号的PRN代码截然不同，从而为每个PRN提供清晰的身份标签（欺骗或真实），这一特性为射频指纹识别研究创造了理想条件。

关键技术方法包括：1）使用USRP NI-2954软件定义无线电配合NovAtel GNSS-703天线采集真实天空信号；2）通过Spectracom GSG-6信号发生器生成受控欺骗信号，并采用20 dB衰减器平衡信号功率；3）利用RF合路器混合真实与欺骗信号；4）基于开源FGI-GSRx软件接收机进行数据验证和特征分析。

数据采集与验证方法

研究团队建立了完整的实验室测量系统，通过屋顶天线接收真实GNSS信号的同时，由Spectracom信号发生器产生欺骗信号。关键创新在于对欺骗PRN的精心设计——除SS-33场景外，所有欺骗PRN均与天空中的真实PRN不同，这种设计使得每个PRN都具有明确的身份标签。为验证数据质量，团队使用FGI-GSRx开源接收机处理约30 GB的原始I/Q文件，成功完成信号获取、跟踪和载噪比分析。

信号质量分析

频谱分析显示欺骗信号与真实信号存在明显特征差异。如图3所示，真实伽利略信号频谱平滑对称，而欺骗信号出现轻微不规则性和幅度波动，反映了模拟信号特有的数字生成特征。载噪比分析进一步证实了数据集的可靠性：在欺骗场景中，欺骗PRN的C/N₀值通常更高且更稳定，而真实PRN则受环境影响波动明显。

多场景设计特色

数据集包含单路径和多路径条件，欺骗PRN数量从1个到5个不等，还包括一个延迟激活的全PRN欺骗场景。多路径模拟为每个PRN设置不同的参数（距离偏移200-500米，功率偏移-2至-5 dB），增强了场景的多样性。这种设计使数据集特别适合开发基于统计信号建模的欺骗检测方法。

技术局限与未来方向

研究承认当前数据集存在两方面局限：一是缺乏精确的时间同步机制，二是信号发生器引入的固定延迟可能影响信号动态特性。团队已计划通过新购的I/Q采集器扩展动态户外测量，增加空间和时间多样性。

Tuni2025数据集的发布为GNSS安全研究提供了重要基础设施，其高采样率、PRN级标签系统和多路径环境模拟等特性，使其在欺骗检测算法开发、射频指纹识别和统计特征分析方面具有独特价值。数据集已通过Zenodo平台公开（伽利略场景：10.5281/zenodo.15470142；GPS场景：10.5281/zenodo.15572975），配套的说明文档和配置文件确保了研究的可复现性。这一工作不仅为当前研究提供基准数据，更为未来欺骗检测技术的发展奠定了坚实基础，特别是在关键基础设施保护等静态应用场景中具有重要实践意义。