📘 《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
132／150單元： CSI / SNR / MCS 標註 🏷️高速 LEO 場景的資料標記________________________________________
🎯 單元導讀
在地面 5G 系統中，CSI、SNR、MCS 的標註流程已經相當成熟；
但在 高速 LEO NTN 裡，這些訊號特徵會快速隨時間改變：
✔ 衛星移動產生巨量 Doppler（+/- 40 kHz）
✔ 波束追蹤（beam tracking）漂移
✔ 星地路徑長度每毫秒都在變
✔ LOS / NLOS 切換頻繁
✔ MCS 決策必須持續重估
✔ CSI 上行回報存在延遲（Propagation + HARQ）
因此：
⭐ LEO 的 CSI / SNR / MCS 標註是 AI-native NTN 的關鍵技術之一。
⭐ 標註品質直接決定 Beam Prediction、Link Adaptation、Routing ML 的準確度。
本單元會建立「高速 LEO 場景專用」的標註方法。
________________________________________
🧠 一、高速 LEO 的 CSI / SNR 特性
________________________________________
1. CSI（Channel State Information）極度時變
LEO 下的 CSI 具有：
✔ 毫秒級變化（fast fading + Doppler shift）
✔ 受衛星高度、角度、軌道平面影響
✔ 波束中心偏移造成 amplitude / phase 快速波動
CSI 標註必須包含：
• time index（或 orbit index）
• Doppler frequency
• UE 與衛星的 AoA / AoD
• beam ID / beam offset
________________________________________
2. SNR 波動劇烈（瞬間跳動）
SNR 在 LEO 中不穩定的原因包括：
• 波束邊緣衰減
• 衛星下行功率調整
• ISL routing 延遲導致 buffer jitter
• UE 移動速度（空地、海上）
• 天氣 / 雲層 Attenuation
因此 SNR 標註不能只有值本身，還必須加：
✔ smoothing window（e.g. 1–5 ms）
✔ 上行回報 timestamp alignment
________________________________________
3. MCS（Modulation and Coding Scheme）依賴 CSI × SNR × HARQ
MCS 選擇依賴：
• CSI（頻域 selectivity）
• SNR（平均能量）
• Rank（MIMO 層數）
• HARQ 記錄（先前 NACK）
• beam 位置（中心 / 邊緣）
因此 MCS 的標註不是「直接標標籤」，
而是 使用 Rule-based + ML-derived 的混合標註（後面會介紹）。
________________________________________
🧠 二、星地通道資料的標註流程（LEO 專用）
整個標註流程分成 4 層：
________________________________________
① Raw CSI / SNR Parsing（解析原始通道資料）
衛星上行 → Gateway → Cloud Data Lake
得到以下資料：
• CSI matrix（多子載波 × 多天線）
• RSSI / RSRP / RSRQ
• Per-subcarrier SNR
• Doppler shift（頻偏估計）
• Beam ID / Cell ID
解析後需加上：
✔ 時間戳（衛星 clock → 地面 clock 對齊）
✔ 衛星位置（orbit slot, latitude, longitude）
✔ UE 位置 / 海拔 / 速度
✔ beam geometry（角度偏移）
________________________________________
② Time Alignment（時序對齊）
LEO 的延遲包括：
• 6–20 ms propagation
• beam 切換延遲
• CSI 回報延遲
• gateway processing delay
資料標註必須對齊「真實通道狀態對應的時間點」。
方法：
✔ timestamp correction
✔ propagation-compensation
✔ reference clock alignment
✔ HARQ timing map
________________________________________
③ Label Generation（標籤生成）
產生三大標籤：
________________________________________
1️⃣ CSI 標註
標註內容包括：
• CSI 振幅（|H|）
• CSI 相位（arg(H)）
• Doppler 頻偏（Δf）
• channel rank（MIMO rank）
• subcarrier selectivity（頻選程度）
也包含：
✔ beam offset feature
✔ 陣列天線 gain map
✔ LEO 波束中心距離（km）
________________________________________
2️⃣ SNR 標註
除了 SNR 值本身，也需標註：
• smoothed SNR（1ms / 2ms / 5ms 窗口）
• instantaneous SNR（無 smoothing）
• pre-DFT / post-DFT SNR
• UE motion-induced SNR drift
• LEO elevation angle → path loss factor
________________________________________
3️⃣ MCS 標註（最關鍵）
MCS 標註建議採：
✔ rule-based baseline（由 SNR mapping）
＋
✔ ML-based 校正（依據 HARQ 真實結果）
流程：
① rule-based：
if SNR > X → MCS 26
if SNR > Y → MCS 20
…（依 5G MCS 表）
② ML-based：
利用 HARQ ACK/NACK 訓練分類器
→ 找到「能成功通過」的 MCS 區間
→ 修正 rule-based 的不準確區域
③ LEO 調整：
因高速 Doppler，需加進：
• Doppler drift
• beam offset
• CSI selectivity
• elevation angle
• UE 速度
最後得到：
⭐ 「LEO專用 MCS label」＝ rule-based（穩定）＋ ML-derived（實際成功率）。
________________________________________
🧠 三、ASCII 圖：LEO 通道資料標註流程
🛰 LEO Downlink / Uplink Measurements
│
▼
┌─────────────────────────────┐
│ ① Raw CSI / SNR Parsing │
│ • CSI matrix │
│ • Per-subcarrier SNR │
│ • Doppler / Beam ID │
└─────────────────────────────┘
│
▼
┌─────────────────────────────┐
│ ② Time Alignment │
│ • Propagation correction │
│ • HARQ timing map │
└─────────────────────────────┘
│
▼
┌─────────────────────────────┐
│ ③ Label Generation │
│ • CSI labels │
│ • SNR labels │
│ • MCS (rule + ML) │
└─────────────────────────────┘
│
▼
┌─────────────────────────────┐
│ ④ Validated LEO Dataset │
│ • Ready for MLOps training │
└─────────────────────────────┘
此示意圖說明 LEO 通訊系統中通道量測資料的標註與整理流程。流程起始於低軌衛星上下行鏈路所蒐集的原始量測資料，包含通道狀態資訊（CSI）、每子載波訊噪比（SNR）、多普勒頻移與波束識別資訊。首先，系統對原始量測進行解析，將非結構化資料轉換為可處理的通道矩陣與統計指標；接著，透過傳播延遲補償與 HARQ 時序對應，完成跨時間尺度的一致化處理，以確保量測資料與實際傳輸事件正確對齊。完成時間校正後，系統依據通道品質指標結合規則式與機器學習方法產生對應的 CSI、SNR 與調變編碼策略（MCS）標籤。最終，經過驗證的資料集即可作為高品質 LEO 通道資料集，直接輸入 MLOps 管線，用於模型訓練、評估與後續部署。
________________________________________
🧠 四、LEO 資料標註三大挑戰（工程痛點）
1. CSI 時變過快
地面 5G 的通道 coherence time 是 ms 級；
LEO 可能下降到 sub-ms，標註難度倍增。
2. MCS 決策延遲與通道不一致
回報延遲可能讓「用到的 CSI 與實際通道不一致」。
3. SNR 噪音極高
特別是 beam edge 與海上通道。
解法：
✔ smoothing
✔ feature normalization
✔ AI-based reconstruction
________________________________________
🧠 五、模擬題
1️⃣ 專業題
為什麼 LEO 的 CSI 標註必須包含 Doppler shift 與 beam offset？
📜 答案：
因為 LEO 高速運動造成頻偏與波束中心偏移，強烈影響 CSI 的 amplitude 與 phase。若無此資訊，AI 訓練的通道模型會嚴重失真，無法捕捉真實 LEO 通道特性。
________________________________________
2️⃣ 應用題
若 SNR 噪音太高，應該在哪一層進行平滑（smoothing）？
A. Data Lake
B. Raw CSI parsing
C. Time Alignment
D. Label Generation
📡 答案：D
👉 解析： SNR 平滑屬於標註階段的統計處理，用於穩定 label 分佈並避免將量測雜訊直接學進模型。
________________________________________
3️⃣ 情境題
某模型在高 Doppler 情況下 MCS 預測很差，最可能原因是？
A. 天線太新
B. 缺少 Doppler label
C. UE 太近
D. gateway 人員不足
📦 答案：B
👉 解析： 若訓練資料未標註 Doppler 特徵，模型無法學習高速移動對通道的影響，導致在高多普勒場景下預測失準。
________________________________________
🛠 六、實務演練題
1️⃣ 從 LEO 模擬器中匯出 CSI，建立 labeled dataset
2️⃣ 對每子載波生成 SNR label（含 smoothing）
3️⃣ 訓練 HARQ-based MCS classifier
4️⃣ 設計 Doppler-aware MCS mapping
5️⃣ 用多軌道平面資料測試 label consistency
________________________________________
✅ 七、小結與啟示
✔ LEO 的通道資料標註比 5G 困難多倍
✔ CSI / SNR / MCS 標註必須結合時序、位置、Doppler
✔ MCS 標註需結合 rule-based + ML-based
✔ 高品質標註是 AI-native NTN 的成功關鍵
✔ 2035 年的 NTN 通道模型，需要「物理 × AI × 標註」三合一
一句話：
⭐ 沒有高品質的 CSI/SNR/MCS 標註，就沒有 6G NTN 的 AI-native 通道模型。
