1. 项目背景与摘要 (Project Abstract)
随着 Web 3.0 与 Apple Vision Pro 的普及，构建高保真的**沉浸式元宇宙（Immersive Metaverse）已成为工业界焦点。同时，针对虚拟环境下的 开源情报搜集（OSINT, Open Source Intelligence）与桌面行为取证（Desktop Forensics）**也面临着数据源匮乏的挑战。
为了验证 XR 设备在高带宽低延迟环境下的渲染性能，以及 AI 模型对**屏幕录制内容（Screen-Capture）**的信息提取能力，我们构建了这套 "Metaverse-Sec-Benchmark-2018" 测试集。
本数据集涵盖了VR人机交互 、社会工程学攻击 、GUI界面自动化分析 及群体行为模拟等十大核心场景。
2. 数据集技术指标与下载 (Dataset Specifications)
数据集分为四大模块，封装为无损容器，重点测试 HCI（人机交互） 与 Cybersecurity（网络安全） 算法。
🟢 Module A: 元宇宙架构与VR/AR渲染测试
针对虚幻引擎5 (UE5) 与高并发虚拟世界构建。
[Dataset-04] 超大规模虚拟世界(OASIS)渲染压测
-
样本源：《头号玩家》 (Ready Player One)
-
技术特性：元宇宙概念的教科书级样本。包含海量3D资产的高并发渲染、**触觉反馈（Haptic Feedback）**机制演示及跨IP角色的动作捕捉，是测试VR设备延迟（Latency）的标准素材。
📥 核心数据拉取地址：
https://pan.quark.cn/s/d9042926d20b
[Dataset-07] 桌面GUI自动化与屏幕取证分析
-
样本源：《网络谜踪》 (Searching) | 双部合集
-
技术特性 ：全片基于电脑桌面UI 视角。极度适合训练OCR（文字识别） 、鼠标轨迹追踪以及基于屏幕内容的**用户行为分析（UBA）**模型。
📥 核心数据拉取地址：
🔵 Module B: 信息安全与社会工程学 (InfoSec)
针对情报分析与加密通信解码。
[Dataset-01] 冷战背景下的HUMINT（人力情报）博弈
-
样本源：《特工》 (The Spy Gone North)
-
技术特性：展示了高强度的心理博弈与非对称加密通信流程。适合作为**社会工程学（Social Engineering）**防御训练的案例库。
📥 核心数据拉取地址：
[Dataset-09] 纸媒时代的信息泄露与传播拓扑
-
样本源：《华盛顿邮报》 (The Post)
-
技术特性 ：模拟了机密文档在物理介质上的泄露路径。适合进行信息传播动力学建模，分析舆情在不同媒介下的扩散阈值。
📥 核心数据拉取地址：
🟠 Module C: 复杂社会关系建模与异常检测
针对社会学计算与边缘群体行为分析。
[Dataset-03] 低资源环境下的群体生存策略
-
样本源：《小偷家族》 (Shoplifters)
-
技术特性 ：高密度的狭小空间多人交互。适合测试安防监控在遮挡严重环境下的姿态估计（Pose Estimation）与异常行为检测。
📥 核心数据拉取地址：
[Dataset-10] 纵火现场勘查与模糊逻辑推理
-
样本源：《燃烧》 (Burning)
-
技术特性 ：包含大量隐喻性的视觉线索与不确定性信息。是训练AI模型处理**模糊逻辑（Fuzzy Logic）**与犯罪现场重建（Crime Scene Reconstruction）的高难度样本。
📥 核心数据拉取地址：
[Dataset-06] 封闭时空下的社会结构停滞模拟
-
样本源：《幸福的拉扎罗》 (Happy as Lazzaro)
-
技术特性：展示了一个时间停滞的封闭社区拓扑。适合用于**多智能体系统（Multi-Agent System）**的封闭环境演化模拟。
📥 核心数据拉取地址：
🟣 Module D: 情感计算与人脸鲁棒性测试
针对面部识别与NLP情感分析。
[Dataset-05] 面部畸变下的Feature ID识别鲁棒性
-
样本源：《奇迹男孩》 (Wonder)
-
技术特性 ：主角具有特殊的面部拓扑结构。这是测试Face ID算法在先天性面部差异（Craniofacial Differences）人群中是否具有**公平性（Fairness）**的核心样本。
📥 核心数据拉取地址：
[Dataset-02] 公共舆论情绪分析与文本挖掘
-
样本源：《三块广告牌》 (Three Billboards)
-
技术特性 ：包含强烈的愤怒情绪与对抗性对话。适合训练NLP情感分析模型识别文本中的讽刺、愤怒与绝望等高唤醒度情绪。
📥 核心数据拉取地址：
[Dataset-08] 匿名社交网络中的隐私保护
-
样本源：《爱你，西蒙》 (Love, Simon)
-
技术特性：基于Email的匿名社交图谱。适合研究**差分隐私（Differential Privacy）**技术在社交网络元数据保护中的应用。
📥 核心数据拉取地址：
3. 部署与测试建议 (Deployment)
建议使用 Unity 3D 或 Kali Linux (用于取证工具) 进行环境搭建。
Python
# 示例：使用OpenCV分析网络谜踪的桌面布局
import cv2
import pytesseract
def analyze_desktop_gui(frame):
# 提取屏幕中的文本信息 (OSINT)
text = pytesseract.image_to_string(frame)
if "Login" in text:
print("Detected Authentication Event")4. 完整资源库索引 (Full Repository)
为了方便安全研究人员与VR开发者进行数据回溯，我们将所有样本的Hash值、元数据及备用下载节点托管在 FlowUs 云文档中。
🚀 完整数据集索引 / Full Source Code List：
📄 文档地址 (Doc Link)：
https://flowus.cn/1995k/share/9ce4a49f-3187-4412-9f2e-867374ececb6?code=12CPFY
附录：数据合规与使用协议 (Appendix & License)
⚠️ 仿真数据合规声明 (Compliance Disclaimer)
本文提供的所有视频序列（Video Sequences）均截取自公开出版的影视作品。所有场景仅作为VR渲染压力测试 、开源情报(OSINT)教学 及情感计算算法的 Ground Truth（地面真值）参考。
本数据集仅供学术研究与算法调优使用，请勿用于商业分发。测试完成后请及时清理缓存。