摘要：面向无人机网络安全、恶意软件检测与网络异常识别研究构建的多源结构化数据集。
数据集概述
面向无人机网络安全、恶意软件检测与网络异常识别研究构建的多源结构化数据集。该数据集将传统网络流量信息与无人机飞行传感器、恶意软件检测指标以及环境条件相结合，从多个维度描述无人机运行过程中的网络通信状态与潜在安全威胁。与单纯基于网络流量的入侵检测数据不同，DBMD 同时考虑无人机的位置、飞行状态、通信质量和周围环境，可用于研究无人机系统中恶意网络活动与飞行状态之间的关联，为智能无人机安全监测和网络攻击识别提供数据基础。
数据结构与关键特征
数据集主要由 4 个 CSV 文件组成，分别为 network_traffic_data.csv、drone_data.csv、malware_detection_data.csv 和 environmental_data.csv。其中，网络流量数据包含源 IP、目标 IP、源端口、目标端口、TCP/UDP/ICMP 协议、数据包长度、流量大小、流持续时间、每秒字节数、每秒数据包数、HTTP 方法、HTTP 状态码、DNS 请求与响应数量、SSL/TLS 版本及密码套件等特征，可用于描述无人机通信网络中的流量行为。无人机数据包含纬度、经度、高度、速度、航向、电池电量、飞行时间、信号强度、温度、湿度、气压、风速、风向以及 GPS 精度等飞行和环境感知信息。恶意软件检测数据则提供异常评分、可疑 IP 数量、恶意载荷指示、信誉评分、行为评分、签名匹配、沙箱结果、启发式评分和流量模式等安全指标，同时包含 DDoS、网络钓鱼和恶意软件等攻击类型。环境数据进一步记录城市或乡村位置类型、附近设备数量、信号干扰、噪声水平、时间段、星期和天气状况，为网络异常分析提供外部场景上下文。
应用价值与研究方向
该数据集适用于无人机恶意软件检测、网络入侵检测、异常流量识别、无人机通信安全、多源数据融合以及网络攻击分类等研究方向。传统机器学习方法可以采用 Random Forest、SVM、XGBoost、LightGBM 等模型分析结构化特征，也可以使用 MLP、1D-CNN、LSTM、Transformer 和 Autoencoder 等深度学习模型开展监督分类或异常检测。进一步还可以融合网络流量、无人机飞行状态和环境条件构建多模态安全检测模型，研究 DDoS、网络钓鱼和恶意软件攻击对无人机通信与运行状态的影响，并开展实时威胁评分、异常行为预警和无人机网络安全态势感知等应用。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-802
文件大小：64M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)