📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 10周: 🌆 從 RAN 到城市：E2E × Digital Twin × RIS × LEO 完整設計
6G 端到端工程全貌
96／150單元： 數據驅動優化 📊 KPI × AI 自動調整
________________________________________
🎯 單元導讀：什麼是 Data-Driven Optimization？
在 4G / 5G：
✔ 工程師看 KPI
✔ 工程師發現問題
✔ 工程師調參（參數滿坑滿谷）
✔ 工程師做 Drive Test
進入 6G：
⭐ 網路不用等人「發現問題」，AI 自己看 KPI、自己找問題、自己修。
這就是：
📊 Data-Driven Optimization（數據驅動最佳化）
靠 KPI → AI 模型 → 自動最佳化 → 回寫 RAN/Core
完全的 Closed-loop（閉環控制）
這項技術將會讓 6G 維運從「人工」轉成「全自動」。
________________________________________
🧠 一、數據驅動最佳化：一句話版
⭐ 系統根據 KPI 自動學習、預測問題並調整參數，不需要人手干預。
簡單粗暴講:
✔ 人工網路 → 「人調」
✔ 5G → 「半自動」
✔ 6G → 「全自動 AI 調參」
這就是 AI-native RAN / Core 的本質。
________________________________________
📈 二、AI 會監看哪些 KPI？（極重要）
📡 RAN / 無線 KPI
• RSRP (Reference Signal Received Power，參考訊號接收功率)
• RSRQ (Reference Signal Received Quality，參考訊號接收品質)
• SINR (Signal to Interference plus Noise Ratio，訊號干擾雜訊比)
• CQI (Channel Quality Indicator，通道品質指標)
• PRB Utilization（實體資源區塊使用率）
• Beamforming Success Rate（波束成形成功率）
• MCS Distribution（調變與編碼配置分佈）
• 5QI Throughput（5QI 等級服務吞吐量）
• HO Failure Rate (Handover Failure Rate，切換失敗率)
________________________________________
🧩 Core KPI（5GC）
• AMF Registration Failure Rate（AMF 註冊失敗率）
• SMF PDU Session Drop Rate（PDU 連線中斷率）
• UPF Forwarding Latency（UPF 轉送延遲）
• Slice SLA Compliance（網路切片服務等級達成率）
________________________________________
🛰 NTN KPI
• LEO Satellite Elevation（低軌衛星仰角）
• Doppler Shift（多普勒頻移）
• RTT Variation / Jitter（往返延遲變化／抖動）
________________________________________
🌆 城市級 KPI（DT Twin）
• 人潮熱區
• 流量突波
• 車流變化
• 雨天、演唱會、大型活動衝擊
AI 用這些 KPI → 學習 → 預測 → 自動調整。
________________________________________
🚀 三、AI 會自動調整哪些網路參數？
⭐ 1. PRB Scheduling
• 分配更多 PRB 給弱訊號用戶
• 動態降低 MCS 避免丟包
• URLLC 保留資源
⭐ 2. Beamforming
• 自動轉方向
• 自動選最佳波束
• 預測性 Beam（人潮往哪走，波束就先轉）
⭐ 3. Handover（切換策略）
• 動態調整 A3 offset
• 預測 HO failure → 提前切
⭐ 4. Slice 動態伸縮
• eMBB / URLLC / mMTC
• 給熱點區域臨時拉大切片
⭐ 5. 核心網路負載平衡
• 多 UPF 分流
• 控制面擁塞預測
________________________________________
🧮 四、AI 使用哪些模型？（超專業）
✔ Time-series（LSTM / Transformer）
RSRP/SINR 預測，找弱覆蓋 → 自動補救
✔ GNN（Graph Neural Network）
用於拓撲最佳化、Routing、RAN 互相干擾推估
✔ RL（Reinforcement Learning）
自動做：「PRB 調度、Beamforming、切換」
像是 gNB 的「AI 小腦」。
✔ Diffusion Model（生成式）
生成未來 15 分鐘或 1 小時的流量熱圖。
✔ Bayesian / Causal ML
找 KPI 間的因果關係（例如 SINR 降低是否來自遮蔽？）
________________________________________
🛰️ 五、Data-Driven Optimization × NTN（衛星）
AI 可以：
✔ 預測多普勒曲線
✔ 提前切到下一顆 LEO
✔ 預測衛星遮蔽（雲、建物、飛機）
✔ 動態調 GSL（Ground-to-Satellite Link）功率
結果：
⭐ LEO 連線斷線率下降 20–40%
________________________________________
🕸️ 六、與 Digital Twin（上一單元）如何互補？
1. Digital Twin：模擬、預測、生成策略
2. Data-Driven Optimization：真正「落地執行」策略
兩者合起來：
⭐ 6G = Twin（大腦） + Data-driven（行動力）
________________________________________
📊 七、ASCII 圖：6G AI 自動最佳化閉環流程
KPIs
│ Real RAN │ ─────────▶ │ AI Engine │
│ gNB / Core │ Twin + ML
└───────▲──────┘ └───────▼──────┘
│ Auto-control parameters │
這張 Real RAN × AI Engine 的示意圖說明的是一個KPI 驅動的自動化閉環控制架構：真實的 RAN／Core（gNB） 持續回傳各類 KPI（如 RSRP、SINR、HO failure、Slice SLA）至 AI Engine，由 Digital Twin 與機器學習模型進行行為建模與預測，找出最佳化策略後，再自動回寫並調整 波束、功率、切換門檻、資源與切片參數，形成「量測 → 推論 → 控制 → 回饋」的閉環運作，讓網路能在負載與環境變化下持續自我最佳化，這正是 6G AI-native RAN 的核心概念。
________________________________________
🧪 八、模擬題
1️⃣ 專業題
在 6G AI-native Network 中，Data-driven Optimization 的核心特色是？
A. 全部人工調參
B. KPI 不重要
✔ C. AI 根據 KPI 自動調整參數
D. 只有 URLLC 需要 AI
✔. AI 以即時 KPI（SINR、CQI、HO、SLA）為依據，形成感知→推論→調控的自動閉環最佳化。
________________________________________
2️⃣ 應用題
AI 根據 SINR/CQI 下降預測干擾，通常會優先調哪項？
A. DNS
✔ B. Beamforming 或 PRB 分配
C. SIM 卡
D. IP 位址
✔ . 當通道品質惡化時，優先透過波束重指向與資源重分配來快速改善鏈路品質。
________________________________________
3️⃣ 情境題
在跨年人潮湧入前 30 分鐘，AI 應該做什麼？
A. 強制低速
B. 關閉 URLLC
✔ C. 預先增加 eMBB 切片與 PRB 伸縮
D. 停用 MIMO
✔ . AI 依人潮預測提前擴展 eMBB 切片與無線資源，避免高峰時即時壅塞。
________________________________________
🛠 九、實務演練題
1️⃣ 用真實 KPI 訓練 RAN Traffic Prediction 模型
2️⃣ 用 RL 設計 AI Scheduler，最佳化吞吐
3️⃣ 生成未來 15 分鐘的 SINR 熱力圖
4️⃣ 模擬 eMBB/URLLC 混合負載下的自動切片
5️⃣ 做 AI-driven Handover（A3 offset 自動調整）試驗
________________________________________
✅ 十、小結：AI 會取代工程師做「日常參數最佳化」
✔ KPI 自動分析
✔ AI 自動調參
✔ 維運變成全自動閉環
✔ RAN / Core / NTN 同步最佳化
✔ 完整邁向 6G AI-native Network
一句話：
⭐ 6G 網路自己會修自己，工程師變成指揮官而不是操作員。
