📘 《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 14周: 🧠 AI × MLOps × 太空網路資料管線
131／150單元： Dataset Pipeline（Space × Ground）📦 建立星地資料流架構。
________________________________________
🎯 單元導讀
在 LEO × NTN × 太空網路中，資料是整個 AI-native 網路的核心燃料。
但太空網路的資料流與地面網路大不相同：
❓ 衛星如何把大量遙測資料傳回地球？
❓ Gateway 如何把資料接入雲端 MLOps？
❓ 上億筆 routing、beam、channel data 如何管理？
❓ 星間 ISL 的健康度如何即時回報？
❓ AI 訓練資料如何跨「星地」一致化？
這些問題都指向同一個核心能力：
⭐ 建立完整的 Space × Ground Dataset Pipeline（星地資料管線）
是 AI-native NTN 必備的底層架構。
本章將帶你完成一套：
衛星 → ISL → Gateway → Cloud → MLOps → AI Model
的端對端資料流設計。
________________________________________
🧠 一、為什麼太空網路需要 Dataset Pipeline？
LEO 星座每天會產生 TB 甚至 PB 級別資料：
• 衛星健康監測（telemetry）
• ISL link metrics（延遲、 jitter、 pointing）
• RAN channel state（CSI、beam metrics）
• Routing 地理資訊
• 再加上 UE 上行傳輸統計
• RIC（AI 控制器）的 inference logs
• 星座 OTA 更新狀況
如果沒有一個統一、可控、可追蹤的資料管線：
❌ AI 模型無法有效訓練
❌ Space–Ground 資料無法對齊
❌ OTA 更新會產生巨量 log 混亂
❌ 也無法做「跨星座」的 AI Safety / Drift 檢查
因此：
⭐ 太空網路的核心不是衛星，而是星地資料流本身。
________________________________________
🧠 二、Space × Ground Dataset Pipeline 的五大階段
整個星地資料管理分成 5 層：
________________________________________
① Space Data Acquisition（空間資料採集）
每顆 LEO 衛星產生數十種資料：
• TM/TC（遙測 / 遙控資料）
• ISL link status
• beam tracking logs
• channel state (CSI)
• satellite attitude / orbit data
• routing updates / topology state
• onboard AI module logs
資料必須：
✔ 壓縮（source coding）
✔ 分層分類（health / routing / channel）
✔ 加上 metadata（時間、位置、衛星 ID）
________________________________________
② Space–Ground Data Delivery（星地資料傳輸）
衛星 → Gateway 的資料流需具備：
✔ error correction（LDPC / Polar）
✔ edge filtering（低價值資料先濾掉）
✔ priority scheduling（重要性排序）
✔ intermittent sync（因為衛星過站才有連線）
Gateway 不只是「接收站」
它是 第一層 data pre-processor。
________________________________________
③ Ground Preprocessing（地面預處理）
包含：
• 消除重複樣本
• 資料時間對齊（timestamp alignment）
• 清理 outliers（衛星姿態反常造成的誤值）
• 資料標準化（scaling / units / schema）
並且加入：
✔ 星座拓樸版本（orbit + slot）
✔ 哪一代衛星（v1.0 / v1.5 / v2.0 / Mini）
✔ Gateway ID 與雲端進站時間
這樣才能讓 AI 訓練資料不會亂掉。
________________________________________
④ Cloud Data Lake（雲端資料湖）
大規模資料存入 Data Lake：
• S3 / GCS / Azure Blob
• Delta Lake / Iceberg / Hive
• parquet / ORC 儲存格式
資料類型：
1. Routing Graph
2. Channel State（CSI、Beam logs）
3. ISL Health metrics
4. Telemetry（熱狀態、姿態、電源）
5. RIC xApps / rApps inference logs
6. Network KPI（吞吐、latency、coverage）
Data Lake 是整個 AI-native NTN 的基礎盤。
________________________________________
⑤ MLOps Pipeline（訓練 × 驗證 × 部署）
資料從 Data Lake 進入 MLOps：
✔ ETL / Feature Store
✔ Training Pipeline
✔ Model Registry
✔ Drift Detection
✔ Online Inference Logging
✔ CICD for ML（Model Deployment）
在 NTN 中，AI 應用面包括：
• Beam prediction
• Traffic Forecast
• Routing anomaly detection
• ISL pointing adjustment
• UE mobility prediction
• Link adaptation（MCS / Tbsize）
• RF fingerprinting（防假 UE）
MLOps 必須確保：
⭐ 模型可持續學習、可回滾、可追溯。
________________________________________
🧠 三、Space × Ground Dataset Pipeline（ASCII 架構圖）
🛰🛰🛰 LEO Satellite Layer
┌──────────────────────────────────────
│ Space Data Acquisition │
│ • Telemetry / ISL / CSI / Routing │
│ • Metadata tagging (ID, orbit) │
└──────────────────────────────────────
│
▼
Space–Ground Data Delivery
┌──────────────────────────────────────
│ • Error correction │
│ • Priority scheduling │
│ • Edge filtering │
└──────────────────────────────────────
│
▼
Ground Preprocessing
┌──────────────────────────────────────
│ • Outlier removal │
│ • Time alignment │
│ • Normalization / Deduplication │
└──────────────────────────────────────
│
▼
Cloud Data Lake
┌──────────────────────────────────────
│ • Routing Graph │
│ • ISL Health │
│ • CSI / Beam logs │
│ • Telemetry │
└──────────────────────────────────────
│
▼
MLOps Pipeline
┌──────────────────────────────────────
│ • Feature Store │
│ • Training / Registry │
│ • Drift Detection │
│ • Deployment to Space & Ground │
└──────────────────────────────────────
此示意圖描述一套 LEO 星鏈環境下的端到端資料管線（Space-to-Cloud Data Pipeline）。資料首先於低軌衛星層即時蒐集，涵蓋遙測資訊、星間鏈路（ISL）、通道狀態資訊（CSI）與路由相關資料，並同步進行軌道與節點身分的中繼資料標註。接著，資料經由星地傳輸流程下送，在太空邊緣階段完成錯誤更正、優先級排程與初步過濾，以降低頻寬負擔並確保關鍵資訊即時性。到達地面後，資料進入前處理階段，進行異常值移除、時間對齊與正規化，以建立可供分析的一致資料格式。最終，整理後的資料匯入雲端資料湖，支援路由圖、鏈路健康狀態與波束紀錄等多維度分析，並透過 MLOps 管線完成特徵管理、模型訓練、漂移監測與部署，實現 AI 模型在地面與太空節點間的持續迭代與閉環優化。
________________________________________
🧠 四、AI × 太空資料管線的三大關鍵挑戰
1. 星地同步困難
TELEMETRY → RIC logs → Routing Tables 的時間序列要對齊。
2. LEO 資料不連續（intermittent）
衛星過站才會上傳，資料流不連續，需要 interpolation。
3. AI 需要跨星座一致性
不同軌道、不同世代衛星資料分布不同（data drift）。
這些都必須透過 MLOps 解決。
________________________________________
🧠 五、模擬題
1️⃣ 專業題
為什麼星地資料流需要分成「Space Acquisition → Ground Preprocess → Cloud → MLOps」的多層架構？
📜 答案：
因為 LEO 資料噪聲多、來源分散、傳輸不連續，且需大量時間與軌道 metadata。
多層架構可逐步清理、同步、標準化資料，使其能被 AI 模型有效利用。
________________________________________
2️⃣ 應用題
若某 ISL link metrics 出現異常 spikes（跳動），最先應在哪一層清理？
A. Data Lake
B. Space Acquisition
C. Ground Preprocessing
D. MLOps Registry
📡 答案：C
👉 解析： 地面預處理層負責異常值偵測與過濾（outlier removal），可在資料進入分析與訓練前即消除量測雜訊與突發跳動。
________________________________________
3️⃣ 情境題
某模型訓練後在新軌道平面上表現極差，最可能原因是？
A. 天線太新
B. Data drift（軌道世代差異）
C. PUSCH 太強
D. UE 數太少
📦 答案：B
👉 解析： 不同軌道平面的動態與通道特性改變會導致資料分佈偏移，使模型遇到未見過的特徵組合而效能下降。
________________________________________
🛠 六、實務演練題
1️⃣ 實作「星 → 地」資料時間對齊（timestamp alignment）
2️⃣ 建立 Telemetry + Routing 的 Feature Store
3️⃣ 訓練 Beam Prediction 模型（利用 CSI＋軌道資料）
4️⃣ 建立 Golden Dataset（高品質衛星樣本庫）
5️⃣ 設計 MLOps 模型回滾（rollback）流程
________________________________________
✅ 七、小結與啟示
✔ 太空網路的核心不是衛星，而是資料流
✔ Dataset Pipeline 是 AI-native NTN 的底層基礎
✔ Space × Ground 的資料需處理噪聲、延遲、中斷
✔ Data Lake 與 MLOps 是 AI 控制系統不可或缺的後端
✔ AI 控制星座（beam、路由、ISL）必須倚賴高品質資料
一句話：
⭐ 沒有 Dataset Pipeline，就不可能有 AI-native 太空網路。
