2. 卫星链路RSSI与丢包率的时序关联分析

为什么要把 RSSI 与丢包率放在同一时间轴上

浮标端通信日志里，RSSI 是逐秒（或逐包）记录的瞬时量，丢包率则是按卫星过顶窗口统计的比率量。两者采样粒度不同、时间基准也可能有偏差（浮标本地时钟 vs 过顶窗口起始时刻）。直接拿"过顶期间平均 RSSI"和"过顶丢包率"做一次相关，会掩盖 RSSI 在窗口内的骤降过程——而骤降恰恰是丢包突增最直接的诱因。因此本例的核心动作是：统一时间基准 → 重采样对齐 → 滑动窗口相关 → 定位骤降-突增配对。

数据准备与对齐口径

假设浮标日志导出为两张表（示例数据，非实测）：

• rssi_log.csv：字段 utc_time, rssi_dbm，采样间隔 1 s，RSSI 典型范围 −120 ~ −85 dBm。
• pkt_log.csv：字段 utc_time, seq, acked，每包一条记录，acked=0 表示未收到确认（丢包）。

对齐口径约定：以 UTC 整秒为公共时间栅格；丢包率按 10 s 窗口统计（窗口内 acked=0 的包数 / 总包数）；RSSI 在同一 10 s 窗口内取均值与最小值两个特征。这样每个时间点得到三元组 (t, rssi_mean, rssi_min, loss_rate)。

滑动窗口相关系数的计算逻辑

对对齐后的序列，取窗口长度 W=60 个 10 s 点（即 10 分钟），步长 1 点，逐窗计算 Pearson 相关系数：

r_k = Σ[(x_i - x̄)(y_i - ȳ)] / sqrt(Σ(x_i - x̄)² · Σ(y_i - ȳ)²)
其中 x = rssi_mean（或 rssi_min），y = loss_rate，i ∈ [k, k+W)

预期符号为负：RSSI 越低，丢包率越高。若某窗口 r_k 接近 0 甚至为正，说明该时段丢包并非由信号强度主导（可能是协议重传、遮挡或调度问题），需要单独标记。

关键实现（Python，可直接运行）

import numpy as np
import pandas as pd

# 1) 读取并统一到 UTC 整秒
rssi = pd.read_csv("rssi_log.csv", parse_dates=["utc_time"])
pkt  = pd.read_csv("pkt_log.csv",  parse_dates=["utc_time"])
rssi["sec"] = rssi["utc_time"].dt.floor("s")
pkt["sec"]  = pkt["utc_time"].dt.floor("s")

# 2) 10 s 窗口聚合
rssi["win"] = rssi["sec"].dt.floor("10s")
pkt["win"]  = pkt["sec"].dt.floor("10s")

rssi_w = rssi.groupby("win")["rssi_dbm"].agg(rssi_mean="mean", rssi_min="min")
pkt_w  = pkt.groupby("win")["acked"].agg(loss_rate=lambda s: 1 - s.mean())

df = rssi_w.join(pkt_w, how="inner").sort_index().reset_index()
df = df.dropna(subset=["rssi_mean", "loss_rate"])

# 3) 滑动窗口 Pearson 相关（W=60 点，步长 1）
W = 60
def rolling_corr(x, y, w):
    out = np.full(len(x), np.nan)
    for k in range(len(x) - w + 1):
        xs, ys = x[k:k+w], y[k:k+w]
        if xs.std() == 0 or ys.std() == 0:
            continue
        out[k + w - 1] = np.corrcoef(xs, ys)[0, 1]
    return out

df["corr_mean"] = rolling_corr(df["rssi_mean"].values, df["loss_rate"].values, W)
df["corr_min"]  = rolling_corr(df["rssi_min"].values,  df["loss_rate"].values, W)

# 4) 识别 RSSI 骤降 + 丢包突增的配对事件
df["d_rssi"] = df["rssi_mean"].diff()
df["d_loss"] = df["loss_rate"].diff()
events = df[(df["d_rssi"] < -3.0) & (df["d_loss"] > 0.15)]
print(events[["win", "rssi_mean", "loss_rate", "d_rssi", "d_loss", "corr_mean"]])

阈值 −3 dB 与 +15% 是示例判据，需按实际链路噪声水平调整：先看 d_rssi 与 d_loss 的分布分位数，取约 90% 分位作为"骤降/突增"的门限，避免阈值过松导致事件泛滥。

时序关联的判读结构

下图把"原始 RSSI 序列 → 窗口聚合 → 滑动相关 → 事件配对"的判读关系画在一起，重点看 RSSI 骤降点与丢包突增点在时间轴上的相对位置，以及相关系数曲线在事件附近的负向凹陷。

结果判读与验证要点

• 符号一致性：正常链路的 corr_mean 应稳定为负；若某窗口转正，优先检查该窗口内是否有大量重传包（seq 重复）或调度异常，而非直接归因于信号。
• 时间滞后：RSSI 骤降与丢包突增之间可能存在 1~2 个 10 s 窗口的滞后（链路层重传缓冲）。可对 loss_rate 做 ±3 点平移后再算相关，取绝对值最大的滞后量作为实际响应延迟。
• 事件配对验证：对每个 events 行，回查原始 pkt_log 中该窗口的 seq 连续性，确认丢包是连续段丢失还是随机散失——连续段丢失更符合 RSSI 骤降导致的链路中断特征。
• 阈值敏感性：把 −3 dB / +15% 分别放宽到 −2 dB / +10% 与收紧到 −5 dB / +20%，观察事件数量变化；若事件数对阈值极敏感，说明判据不稳，应改用分位数门限。