你有没有想过一个问题：基站把一串"0"和"1"变成电磁波发射出去，穿过雨雪、楼宇反射、邻区干扰，到达你手机天线时已经面目全非——可你刷视频、打游戏，几乎从不丢包。是谁在噪声的洪流里，把这些濒临湮灭的比特一个不差地捞回来？

答案就藏在物理层一个低调却极其强大的模块里：信道编码（Channel Coding）。而 5G 数据信道用的，是一种叫做 LDPC（Low-Density Parity-Check，低密度奇偶校验码） 的编码方案。它和上行的 SC-FDMA、底层的 OFDM 一起，撑起了 5G 物理层"高速率、低时延"的承诺。

今天这篇，我们不讲规范条文，只讲一件事：LDPC 到底凭什么能逼近香农极限？它的"迭代译码"为什么像一群人在黑屋子里互相传话，最后竟然猜对了所有答案？

一、先搞懂要解决什么问题：噪声世界里的比特保卫战

把一次无线传输想象成这样一个流水线：

flowchart LR
    A["原始信息比特<br/>(你发的微信)"] --> B["信道编码器<br/>(加冗余)"]
    B --> C["调制<br/>(QAM 星星座)"]
    C --> D["无线信道<br/>(噪声/干扰/衰落)"]
    D --> E["解调"]
    E --> F["信道译码器<br/>(纠错)"]
    F --> G["恢复比特"]
    style B fill:#bfe3ff
    style F fill:#bfe3ff

中间那个"无线信道"是真正的绞肉机。热噪声、多径衰落、邻区干扰会随机地把"0"翻成"1"、把"1"翻成"0"。如果直接发原始比特，错一个就是一个，没法补救。

信道编码的思路简单粗暴却有效：发之前，往原始比特里"掺水"——加入一些按照特定规则计算出来的冗余比特（校验位）。 收到之后，用这些冗余比特反推哪些地方被翻错了，再纠正回来。

这就好比你寄快递时，给每个包裹都贴一张清单，写着"本箱共 100 件，重量应为 5kg"。收货时一称，4.8kg——少了，赶紧查。冗余比特就是那张"清单"，它本身不携带你要的信息，但携带了"信息应该长什么样"的约束。

这里有个根本的矛盾：冗余加得越多，越能纠错，但有效信息占比（码率 R）就越低，速率上不去。 那么到底能加多少的冗余、用多高的码率，还能保证可靠传输？这个问题，被一个人在 1948 年给出了理论上的天花板。

二、香农极限：那堵推不倒的墙

贝尔实验室的 克劳德·香农（Claude Shannon） 在 1948 年证明了一个惊人的结论：只要传输速率 R 不超过一个叫"信道容量 C"的阈值，就一定存在某种编码方式，能让错误概率任意小。

对于加性高斯白噪声（AWGN）信道，信道容量为：

$$C = B \cdot \log_2(1 + \mathrm{SNR})$$

其中 B 是带宽，SNR 是信噪比。这就是著名的香农定理。

它的潜台词震撼了整个通信界：可靠通信不是靠"喊得更响"（提高功率），而是靠"更聪明的编码"。 只要你编码够好，你就能以速率 C 逼近"零错误"——这个理论极限，后人称为香农极限（Shannon Limit）。

于是，一场长达 70 多年的"寻码之旅"开始了：全世界的编码学家都在找那种既能逼近香农极限、又能实际工程实现的好码。LDPC，就是这条路上最成功的选手之一。

注意 LDPC 那行——它距离香农极限只有 0.1~0.3 dB，几乎是"贴着天花板飞行"。它是怎么做到的？故事得从一个被埋没了 35 年的天才说起。

三、LDPC 的身世：被时代埋没 35 年的天才

1960 年，麻省理工的 罗伯特·加拉格尔（Robert Gallager） 在博士论文里提出了 LDPC 码。他在数学上证明了：只要校验矩阵足够"稀疏"、码长足够长，这种码就能逼近香农极限。

这个想法太超前了。1960 年的计算机连一个 1000 位的矩阵都算得费劲，更别提 Gallager 设想的、动辄上万位的超长码。算力跟不上理论——于是 LDPC 被束之高阁，沉睡了 35 年。

直到 1996 年，David MacKay 等人重新发现了它。这时算力早已翻天覆地，人们惊讶地发现：这个 30 多年前提出的码，性能竟然和当时最火的 Turbo 码不相上下，甚至在很多场景下更好。

LDPC 的核心特征，就藏在它的名字里——"低密度（Low-Density）"。

四、核心原理一：稀疏的校验矩阵 H

LDPC 是一种线性分组码。它的全部规则，浓缩在一个校验矩阵 H 里。规则只有一条：合法的码字 c，必须满足

$$H \cdot c^T = 0$$

意思是，码字的每一位组合起来，都要让所有校验方程"成立"（模 2 加等于 0）。举个微型例子，假设 H 是这样：

$$ H = \begin{bmatrix} 1 & 1 & 0 & 1 & 0 & 0 \ 0 & 1 & 1 & 0 & 1 & 0 \ 1 & 0 & 1 & 0 & 0 & 1 \end{bmatrix} $$

它定义了 3 个校验方程（每一行一个），监督着 6 个码字位。"低密度"的意思是：这个矩阵里绝大多数是 0，只有少量是 1。 每一行只有几个 1（行重小），每一列也只有几个 1（列重小）。

为什么"稀疏"如此关键？ 因为稀疏意味着：每个校验方程只管少数几个比特，每个比特只被少数几个方程监督。这种"局部约束、整体稀疏"的结构，让两个东西成为可能：

1. 译码可以并行、迭代地做（后面详述）；
2. 存储和计算量正比于码长的线性级别，而不是平方级别——这正是 5G 动辄 8448 位码块能实时算出来的根本原因。

如果矩阵是"稠密"的，每个比特和所有方程纠缠在一起，那就没法局部推断，译码复杂度爆炸。稀疏，是 LDPC 一切的基石。

五、核心原理二：Tanner 图——把矩阵"画"成图

光看矩阵不够直观。1981 年，Michael Tanner 提出用一张二分图（Bipartite Graph）来表示校验矩阵，这就是著名的 Tanner 图。它把抽象的矩阵，变成了可以"看"的网络：

graph LR
    subgraph VN["变量节点 (Variable Nodes) = 码字比特"]
        v1((c1))
        v2((c2))
        v3((c3))
        v4((c4))
        v5((c5))
        v6((c6))
    end
    subgraph CN["校验节点 (Check Nodes) = 校验方程"]
        c1((f1))
        c2((f2))
        c3((f3))
    end
    c1 --- v1
    c1 --- v2
    c1 --- v4
    c2 --- v2
    c2 --- v3
    c2 --- v5
    c3 --- v1
    c3 --- v3
    c3 --- v6
    style VN fill:#e8f5e9
    style CN fill:#fff3e0

这张图分两类节点： - 变量节点（Variable Node, VN）：对应码字的每一位比特，"它到底是 0 还是 1？" - 校验节点（Check Node, CN）：对应每一个校验方程，"我负责的那几个比特，奇偶必须对得上。"

矩阵 H 里第 i 行第 j 列如果是 1，就在校验节点 i 和变量节点 j 之间连一条边。稀疏矩阵 = 稀疏的图，每个节点只连少数几条边。

Tanner 图的伟大之处在于：它把"译码"这个数学问题，变成了图上的消息传递（Message Passing）。这正是 LDPC 译码的核心机制——置信传播算法（Belief Propagation）。

六、核心原理三：迭代译码——黑屋子里的传话游戏

现在想象一个绝妙的场景，这是理解 LDPC 译码最直观的类比：

一群人（变量节点）被关在黑屋子里，每个人手里攥着一个数字（0 或 1），但看不太清。屋子里还有几个"监工"（校验节点），每个监工盯着几个人，规则是：你们几个的数异或起来必须等于 0。

第一轮：每个人根据自己模糊的观察，悄悄告诉监工"我觉得我大概是 0，置信度 70%"。

监工综合自己盯着的所有人的报告，发现"嗯，如果老三是 1，其他人就都对上了"，于是反过来告诉老三"我觉得你更可能是 1 哦"。

第二轮：每个人综合了监工的反馈，更新了自己的判断，再告诉监工……

如此往复。几轮之后，所有人达成一致，且满足所有监工的规则——译码成功。

这就是置信传播（Belief Propagation，又称和积算法 Sum-Product）。每一轮迭代分两步：

flowchart TD
    Start(["初始化: 信道给每个比特<br/>一个 LLR (软信息)"]) --> V2C
    V2C["① 变量节点 → 校验节点<br/>(V2C 消息)<br/>综合信道信息 + 邻居反馈"] --> C2V
    C2V["② 校验节点 → 变量节点<br/>(C2V 消息)<br/>基于校验约束计算外信息"] --> Hard
    Hard{"③ 硬判决 + 校验<br/>H·c=0 成立?"}
    Hard -- "成立" --> Done(["✅ 译码成功, 提前退出"])
    Hard -- "不成立" --> Check2{"达到最大迭代次数?"}
    Check2 -- "否" --> V2C
    Check2 -- "是" --> Fail(["❌ 译码失败<br/>触发 HARQ 重传"])
    style Done fill:#c8e6c9
    style Fail fill:#ffcdd2

它的精妙之处有三点：

第一，软信息（Soft Information）而非硬判决。 译码器不是一开始就拍板"这是 0 还是 1"，而是保留"它是 0 的概率有多大"这种连续的置信度。信息越"软"，能传递的内容越丰富，纠错能力越强。这和 HARQ、链路自适应里强调的"用 BLER 而非 BER 评估"是同一个哲学：保留不确定性，比过早下结论更有价值。

第二，外信息（Extrinsic Information）。 每个节点传给邻居的，只是"别人告诉我的"，绝不把自己刚收到的回传——否则就是"自己骗自己"，形成信息正反馈死循环。这是保证算法收敛的关键纪律。

第三，并行性。 因为图是稀疏的，所有变量节点可以同时更新，所有校验节点也可以同时更新。一轮迭代就是一次大规模并行计算。这就是 LDPC 能支撑 5G 几十 Gbps 吞吐的根本原因——它的并行度天然就高，不像 Turbo 码那样依赖串行的两个分量译码器来回递归。

七、LLR 与 Min-Sum：让数学落进芯片

工程实现里，"概率"会被换成 对数似然比（LLR, Log-Likelihood Ratio） 来算，因为概率连乘会数值下溢，而 LLR 是加减法，硬件友好：

$$L(c_i) = \ln \frac{P(c_i=0)}{P(c_i=1)}$$

LLR 为正，倾向于判 0；为负，倾向于判 1；绝对值越大，越确定。信道给的初始 LLR 来自解调器的软输出。

校验节点的更新（和积算法）本意是算一个复杂的非线性函数（tanh 之积）。但实际芯片几乎都用它的近似版——Min-Sum（最小和）算法：

$$L_{C2V} \approx \left(\prod \text{sign}\right) \cdot \min_{j' \neq j} |L_{V2C,j'}|$$

也就是：符号取所有邻居符号的乘积，幅度取其他邻居中最小的那个。 用一个"取最小值"操作，代替了昂贵的 tanh 运算。代价是约 0.1~0.2 dB 的性能损失，换来的是译码器面积和功耗大幅下降——这在手机这种功耗敏感的设备上，是值得的交易。这也是为什么 5G 终端芯片几乎清一色用 Min-Sum。

小贴士：调试时如果发现实测 BLER 比仿真高 0.2 dB 左右，先别怀疑链路 bug，很可能是芯片用了 Min-Sum 而仿真用了精确的和积算法——这是"算法-硬件折中"的固有代价。

八、5G LDPC 的工程构造：QC-LDPC、双基图与提升大小

讲到这里，你也许会问：上面那张 H 矩阵是随便画的，5G 里几十万个比特，H 矩阵得有多大？怎么存？

5G 用了一个聪明的工程化构造——准循环 LDPC（QC-LDPC）。它的思路是：不再存储一个巨大的稠密定义，而是用一个很小的"基矩阵（Base Graph）"加上一个"提升因子（Lifting Size Z）"来"放大"生成真正的 H。

具体说，基矩阵里每个元素是一个小方块的"种子"（一个移位值）。把这个种子替换成一个 Z×Z 的循环置换矩阵（单位阵循环移位 k 位），就把小基矩阵"放大"了 Z 倍。于是：

$$\text{真正的 } H = \text{基矩阵的每一个元素} \otimes I(k_i)$$

这么做的好处是压倒性的： - 存储极省：只需存小基矩阵 + 每个元素的移位值，不需要存整个大矩阵； - 硬件极其规整：译码器全是 Z×Z 的循环移位寄存器，可以用高效的移位网络（Shuffle Network）实现，这正是高通等厂商芯片能跑到几十 Gbps 的秘密。

5G 定义了两张基图（Base Graph），根据业务特点二选一：

flowchart TD
    Input(["传输块 TB 经过<br/>码块分段"]) --> Decide{"选择基图"}
    Decide -- "码块较大 或<br/>初始码率 > 1/4" --> BG1["基图 BG1<br/>最大信息位 8448<br/>码率 1/3 ~ 8/9<br/>高吞吐场景"]
    Decide -- "码块较小 且<br/>初始码率 ≤ 1/4" --> BG2["基图 BG2<br/>最大信息位 3840<br/>码率 1/5 ~ 2/3<br/>低码率/小包场景"]
    BG1 --> Enc["QC-LDPC 编码"]
    BG2 --> Enc
    style BG1 fill:#e3f2fd
    style BG2 fill:#fce4ec

提升因子 Z 有 8 个集合（每个集合对应不同的 Z 值，从 2 到 384），用来精确匹配不同的传输块大小，让码块恰好填满而不浪费。

为什么要两张图而不是一张？ 因为没有一张图能同时在大包/高码率和小包/低码率下都做到最优。BG1 为高速率优化，BG2 为低码率优化。双基图，是 5G 在"性能覆盖范围"和"实现复杂度"之间的精妙折中。

九、编码流程与 IR-HARQ 的天然契合

有了 H 矩阵，编码就是解方程：给定信息位，算出校验位，拼成完整码字。由于 5G 的 H 矩阵被设计成"近似下三角"结构，校验位可以边算边生成（编码复杂度线性），不需要对整个矩阵求逆——这又是一个为硬件优化的设计。

LDPC 还有一个被 5G 相中的特质：它对增量冗余 HARQ（IR-HARQ）的支持天然友好。

5G 的码字不是一次性全发出去的。第一次发一部分（高码率），如果收端译码失败（CRC 不过），不需要重发整个码字，只要再补发一部分校验位，收端把它和之前收到的"拼"起来，等效码率就降低了，纠错能力增强。LDPC 的矩阵结构允许这种"按需扩展"——每次重传发不同的冗余版本（RV0/RV1/RV2/RV3），收端在码字缓冲区里合并后再译码。

这和 5G 省电机制、链路自适应形成完美闭环：第一次发少点冗余省功耗；译码失败再补冗余保可靠。 LDPC 的"率兼容"结构，让这个闭环丝滑运转。

十、为什么 5G 抛弃 Turbo 码而选 LDPC？

这是 2016 年 3GPP 一场著名的"编码大战"。4G LTE 用的 Turbo 码服役多年，为什么 5G 数据信道毅然换将？核心是三个硬指标压不过去：

一句话总结：Turbo 码是"够用的好码"，而 5G 要的是"在极限性能区依然顶得住的码"。 LDPC 在高速率、大码块、可并行、低错误地板这几个维度全面占优，Turbo 码在 LTE 那个量级是优秀的，但顶不住 5G 把速率推到 Gbps 级后的吞吐和时延要求。

注意区分：5G 控制信道用的是 Polar 码，不是 LDPC。原因在于控制信道 payload 小（几十到上百 bit）、对译码时延敏感，Polar 在短码长下性能更优；而数据信道 payload 大、追求吞吐，LDPC 更合适。两者分工，各司其职。

十一、实战连接：这些原理在调试时哪里用得上？

讲了一堆原理，落到工程师的日常工作里，LDPC 知识在哪些地方会"现身"？

1. 看码块与码率。 调度日志里你会看到 TBS（传输块大小）、CB（码块数量）、code rate。理解了 BG1/BG2 的选择逻辑，就能预判当前用的是哪张基图、Z 是多少。当一个 8440 bit 的大包被分成单码块用 BG1 编码，而一个 200 bit 的小包用 BG2 编码时，你应该一眼看懂"为什么"。

2. 解读 BLER。 物理层评估用 BLER（Block Error Rate，码块错误率） 而非 BER。一个码块译码要么成功（CRC 过），要么失败（CRC 不过触发 HARQ），没有"半对"。理解了 LDPC 的迭代译码有"成功/失败"二态收敛特性，就明白为什么 BLER 是比 BER 更贴合实际的指标。5G 通常工作在 初始 BLER 约 0%~10%、残余 BLER 约 1e-5 的区间——这是链路自适应调功率/调 MCS 的目标。

3. 看 Iteration 数。 一些芯片/测试仪会暴露译码迭代次数。如果某个码块译码成功但耗了 20 多次迭代，说明这次传输"擦边过"，链路质量临界——配合 IR-HARQ 的重传统计，能精确定位覆盖瓶颈区域。

4. Coding Gain 的直觉。 用了 LDPC，相比不编码，达到同样 BLER 需要的 SNR 可以低好几分贝——这就是 编码增益（Coding Gain）。在边缘覆盖规划时，这几 dB 意味着基站能省下可观的发射功率，或扩大覆盖半径。理解这一点，做链路预算时就不会只盯 SNR 门限，而会把编码增益算进去。

十二、调试陷阱：三个常见误解

陷阱一："迭代次数越多越好"。 错。迭代到一定次数后，性能不再提升（收敛了），白费功耗。实际芯片会设最大迭代数（典型 8~20 次），并设"早停"机制——一旦 CRC 通过立刻退出。盲目调大最大迭代数，只增加功耗和时延，不增收益。

陷阱二：把 LDPC 失败全怪成"信号差"。 译码失败不一定只是 SNR 低。Tanner 图里如果存在短环（Short Cycle，尤其长度为 4 的环），会让置信传播在局部来回"自激"，破坏收敛。5G 标准化时专门做了"大围长（Large Girth）"设计避免短环。如果你在自己仿真里发现性能远差于文献，先查你构造的 H 矩阵有没有短环。

陷阱三：混淆"码率"和"MCS"。 MCS（调制编码策略）是个组合索引，它同时决定了调制阶数（QPSK/16QAM/...）和目标码率。有人误以为 MCS 越高码率越高（对），却忽略了码率提升意味着冗余减少、对 SNR 要求更高——在弱信号区强行用高 MCS，会导致 BLER 飙升、HARQ 重传风暴，实际吞吐反而暴跌。链路自适应的本质，就是动态找到"当前 SNR 下吞吐最大的那个 MCS"。

十三、把整条链路串起来

回到开头那个问题：噪声洪流里，比特是怎么被捞回来的？现在你能回答了：

1. 基站把信息比特喂给 LDPC 编码器，按 BG1/BG2 和提升因子 Z，掺入精心设计的稀疏校验位；
2. 调制、过信道、被噪声蹂躏；
3. 手机端的 LDPC 译码器在 Tanner 图上启动置信传播：变量节点和校验节点用 LLR 互相传话、迭代更新；
4. 几轮之后，要么收敛（CRC 过，译码成功），要么触发 IR-HARQ 补发冗余再来一轮。

整套机制，靠的是稀疏矩阵的并行性、软信息的迭代传播、率兼容的 HARQ 支持三件法宝，把性能一路推到距离香农极限 0.1~0.3 dB 的位置。这就是 5G 敢承诺 Gbps 级速率和 URLLC 级可靠性的底层底气之一。

理解了 LDPC，你也就理解了现代通信物理层的一个核心哲学：与其对抗噪声，不如用数学结构驯服噪声。

常见问题

Q1：LDPC 和 Polar 码到底什么区别，5G 为什么两个都用？

A：两者都是逼近香农极限的好码，但适用场景不同。LDPC 是分组码，长码长、高吞吐下性能优异、可高度并行，适合数据信道（PDSCH/PUSCH）这种大 payload、追求速率的场景；Polar 码在短码长下性能更优、译码时延低，适合控制信道（PDCCH/UCI）这种几十到几百 bit 的小 payload、追求时延的场景。5G 让它们各管一摊，是用其所长。

Q2：译码为什么用 Min-Sum 而不用更精确的和积算法？

A：和积算法（Sum-Product）的校验节点更新需要计算 tanh 之积，硬件实现昂贵（除法、查表、面积大）。Min-Sum 用"取最小值"近似它，性能只损失 0.1~0.2 dB，但面积和功耗大幅下降。对于手机这种功耗敏感设备，这点性能损失换来的省电和省面积，绝对划算。实际芯片还会用归一化 Min-Sum 等改进版把损失再压低。

Q3：BLER 多少算正常？为什么不用 BER？

A：5G 数据信道通常把初始传输目标 BLER 设在 0%~10%（常见 10% 或更低），靠 HARQ 重传把残余 BLER 压到 1e-5 以下给上层。用 BLER 而非 BER，是因为 LDPC 译码是"码块级"二态收敛（整个码块要么对要么错），码块是 HARQ 和上层重传的基本单位，BLER 直接对应系统行为；而 BER 是逐 bit 的统计，和实际协议处理单元脱节。

Q4：码率越高越好吗？

A：不是。码率高 = 冗余少 = 单位时间传的有效信息多，但抗噪声能力弱，对 SNR 要求高。弱信号区用高码率会 BLER 飙升、重传连连，净吞吐反而低。最优码率随 SNR 动态变化，这正是链路自适应（AMC）不断调 MCS 的原因——它的目标是在每个瞬间，找到让"有效吞吐 = 信息位 × (1 - BLER)"最大的那个码率点。

Q5：LDPC 译码失败就一定丢数据吗？

A：不一定。译码失败（CRC 不过）首先触发 HARQ 重传——基站补发冗余版本，手机在码字缓冲区里软合并后重新译码，往往第二次就成功了，用户感知不到。只有当达到最大 HARQ 进程数仍失败，才会上抛给 RLC/高层重传。所以一次物理层译码失败远不等于丢包，它是被设计进系统的"正常容错环节"。

参考来源

1. LDPC Coding in 5G NR Explained — Cafetele — 5G LDPC 双基图 BG1/BG2、提升因子、Tanner 图与编码流程的完整图解教程。
2. 5G NR LDPC — 3GLTEInfo — 基于 Release 规范的 5G NR LDPC 基图、码块分段、码率匹配参考。
3. 5G LDPC — ShareTechnote — QC-LDPC 准循环结构、基图与移位值的通俗可视化讲解。
4. LDPC编译码中的Tanner图详解与MATLAB仿真 — CSDN — Tanner 二分图、变量/校验节点、迭代译码的中文图解与仿真。
5. Background: Low-density Parity-check Codes — NVIDIA Sionna — 基图选择、protograph 构造与 GPU 加速译码的技术背景，含 8 个提升索引集合说明。
6. 5G LDPC Codes — University of Stuttgart Webdemo — 斯图加特大学通信研究所提供的 5G LDPC 在线交互式演示与 protograph 定义。

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。