錢　進(jìn)，王　孝，郭士增

(1.海軍駐航天三院軍事代表室,北京 100074；2.哈爾濱工業(yè)大學(xué) 通信技術(shù)研究所,黑龍江 哈爾濱 150080)

?

基于能效優(yōu)化的異構(gòu)網(wǎng)絡(luò)資源分配算法設(shè)計(jì)*

錢進(jìn)1，王孝2，郭士增2

(1.海軍駐航天三院軍事代表室,北京 100074；2.哈爾濱工業(yè)大學(xué) 通信技術(shù)研究所,黑龍江 哈爾濱 150080)

摘要：Macro/Femtocell作為新一代的異構(gòu)網(wǎng)絡(luò)，在用于增加網(wǎng)絡(luò)覆蓋量和提高吞吐量以及保證用戶服務(wù)需求上有很大的優(yōu)勢，然而大規(guī)模的部署Femtocell會(huì)導(dǎo)致功率消耗顯著增加，同時(shí)網(wǎng)絡(luò)的能量效率也會(huì)明顯下降。除此之外，為了提高頻譜利用率，Macro/Femtocell之間通常采用共享頻譜方案，這會(huì)導(dǎo)致Macro基站和Femtocell用戶之間的跨層干擾，從而明顯地降低異構(gòu)網(wǎng)絡(luò)的性能。針對(duì)上述問題，通過對(duì)多目標(biāo)遺傳算法的研究，提出基于能效優(yōu)化的異構(gòu)網(wǎng)絡(luò)資源分配算法。該算法以能量效率為優(yōu)化目標(biāo)，在跨層干擾和功率限制等限制條件下，進(jìn)行子載波信道和功率的聯(lián)合資源分配。其中，采用多目標(biāo)遺傳算法中的非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA-II)進(jìn)行優(yōu)化的子載波分配和功率分配方案的求解。仿真結(jié)果表明，本文提出的算法在節(jié)約能耗方面相比于不考慮干擾限制的算法有很大提升。

關(guān)鍵詞：能量效率；NSGA-II；異構(gòu)網(wǎng)絡(luò)；資源分配

0引言

隨著無線通信技術(shù)的飛速發(fā)展，新一代無線設(shè)備在傳輸方面的需求成幾何級(jí)數(shù)增長，人們?yōu)榇艘呀?jīng)在傳輸容量和傳輸速率方面做出了大量的研究。隨著用戶對(duì)更高的吞吐量和更大的峰值流量的需求的增長，能量的負(fù)擔(dān)也日益加重，而且由于用戶對(duì)傳輸速度的要求也越來越嚴(yán)苛，這更導(dǎo)致越來越巨大的能量被消耗在無線網(wǎng)絡(luò)中。能量消耗問題也提醒研究者和運(yùn)營商，大規(guī)模地部署傳統(tǒng)的Macro基站不僅不是一種經(jīng)濟(jì)實(shí)惠更不是一種可持續(xù)發(fā)展的綠色的滿足快速增長的用戶需求的方式。因此，一種區(qū)別于傳統(tǒng)同構(gòu)網(wǎng)絡(luò)模型的新型網(wǎng)絡(luò)結(jié)構(gòu)——異構(gòu)網(wǎng)絡(luò)技術(shù)應(yīng)運(yùn)而生。異構(gòu)網(wǎng)絡(luò)由傳統(tǒng)Macro基站和不同類型的低功率基站共同構(gòu)成，常見的低功率基站包括Micro基站，Pico基站、Femtocell基站、Relay基站和射頻節(jié)點(diǎn)等[1]。然而，在異構(gòu)網(wǎng)絡(luò)中，跨層干擾和同層干擾會(huì)給異構(gòu)網(wǎng)絡(luò)的基站部署帶來巨大的挑戰(zhàn)，并且會(huì)降低異構(gòu)網(wǎng)絡(luò)的性能。比如，在網(wǎng)絡(luò)中如果沒有適當(dāng)?shù)母蓴_管理，必然會(huì)有一部分功率的浪費(fèi)，從而導(dǎo)致網(wǎng)絡(luò)的能量效率可能比沒有采用低功率基站的網(wǎng)絡(luò)能量效率更低，這就失去了利用低功率基站構(gòu)成異構(gòu)網(wǎng)絡(luò)的意義[2-3]。因此，在干擾功率受限的策略中，引入低功率基站所引起的干擾必須控制在可接受的范圍內(nèi)。采用合理的資源分配方案不僅可以避免資源的浪費(fèi)，更能夠降低甚至基本消除同層或者跨層干擾。因此，資源分配在干擾管理和提高能量效率中扮演了重要角色。

現(xiàn)階段針對(duì)異構(gòu)網(wǎng)絡(luò)能量效率的資源分配算法的研究中，一般都只是通過減小基站的發(fā)射功率來提高能量效率，但這并不符合實(shí)際的功率模型?，F(xiàn)有的對(duì)能量效率的算法研究中很少同時(shí)考慮同層干擾和跨層干擾，但實(shí)際上跨層干擾和同層干擾會(huì)減小異構(gòu)網(wǎng)絡(luò)的容量，并對(duì)能量效率有很大的影響。除此之外，現(xiàn)有的資源分配算法很少同時(shí)進(jìn)行聯(lián)合的子載波和功率的聯(lián)合分配。因此，本課題在Macro/Femtocell的兩層異構(gòu)網(wǎng)絡(luò)的下行鏈路中，綜合考慮實(shí)際的功率模型和跨層干擾和同層干擾的限制，充分考慮網(wǎng)絡(luò)的整體性能，提出一種聯(lián)合考慮實(shí)際的功率模型、干擾限制條件且以整個(gè)異構(gòu)網(wǎng)絡(luò)的能量效率為優(yōu)化目標(biāo)的子信道和功率的聯(lián)合資源分配算法。

由于綜合考慮了多個(gè)參數(shù)，本課題利用多目標(biāo)遺傳算法進(jìn)行子信道和功率聯(lián)合分配的優(yōu)化值的求解。該算法不僅目標(biāo)移植性強(qiáng)，而且復(fù)雜度較低，可以有效地進(jìn)行資源分配問題的優(yōu)化。

1系統(tǒng)模型

本文考慮Macro/Femtocell的兩層異構(gòu)網(wǎng)絡(luò)環(huán)境，如圖1所示，本文的仿真場景設(shè)置為包含三個(gè)Macro小區(qū)的多小區(qū)的網(wǎng)絡(luò)結(jié)構(gòu)，其中在每個(gè)Macro小區(qū)內(nèi)包含1個(gè)Macro基站和6個(gè)Femtocell簇，每個(gè)Femtocell簇包含3個(gè)Femtocell。本文設(shè)定Macro基站和Femtocell采用共頻譜方案，并采用全頻率復(fù)用方式，并且設(shè)定在同一個(gè)簇內(nèi)的Femtocell之間沒有干擾。在網(wǎng)絡(luò)中的每個(gè)Femtocell都有12個(gè)用戶，每個(gè)Macro基站都有36個(gè)用戶，F(xiàn)emtocell為開放式接入方式，Macro基站和Femtocell的用戶既可以接入Macro基站和Femtocell基站。

圖1　異構(gòu)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

本文的總體思路是，在Macro/Femtocell兩層異構(gòu)網(wǎng)絡(luò)的下行鏈路中，針對(duì)全網(wǎng)的能量效率，綜合考慮實(shí)際的功率模型和干擾限制等條件，對(duì)子信道和功率進(jìn)行聯(lián)合式的資源分配，并利用非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)進(jìn)行優(yōu)化的資源分配方案的求解。算法的整體流程圖如圖2所示。

圖2　聯(lián)合式資源分配算法流程

在理論分析的基礎(chǔ)上，本文首先根據(jù)Macro/Femtocell的兩層異構(gòu)網(wǎng)絡(luò)系統(tǒng)模型和對(duì)下行干擾的仿真分析，給出具體的系統(tǒng)參數(shù)以及具體的限制條件；其次，在該系統(tǒng)模型的基礎(chǔ)上，通過仿真分析確定遺傳算法的合理的種群規(guī)模和迭代次數(shù)以便與在較低的復(fù)雜度的條件下獲得較好的收斂值，并通過算法的對(duì)比驗(yàn)證算法的性能；最后根據(jù)遺傳算法具體的參數(shù)設(shè)定，根據(jù)通過設(shè)置不同的參數(shù)對(duì)算法的整體性能進(jìn)行仿真分析[4-5]。

2資源分配方案設(shè)計(jì)

遺傳算法是美國的J.Holland教授在60年代末提出的，通過模擬達(dá)爾文自然進(jìn)化選擇的過程，對(duì)一個(gè)解值空間進(jìn)行操作并搜索，使群體經(jīng)過優(yōu)勝劣汰在解值空間找到最優(yōu)解[6]。1967年，Rosenberg首次將遺傳算法在多目標(biāo)優(yōu)化問題中的應(yīng)用，這一研究開創(chuàng)了遺傳算法解決多目標(biāo)優(yōu)化問題之一領(lǐng)域，使多目標(biāo)遺傳算法成為了研究熱點(diǎn)。多目標(biāo)遺傳算法有很多種，其中，NSGA由Srinivas和Deb在1994提出。NSGA相比于簡單遺傳算法優(yōu)化了所選擇的算子，但是由于這種算法具有計(jì)算復(fù)雜度高、需要制定共享半徑及容易丟失進(jìn)化中的最優(yōu)解的缺點(diǎn)，Deb在2000年對(duì)NSGA進(jìn)行了改進(jìn)，得到NSGA-II算法[7]。NSGA-II算法提出了新的基于分級(jí)的快速非勝出排序算法，將復(fù)雜度大大降低，提出了擁擠距離的概念，同時(shí)引入保護(hù)優(yōu)秀個(gè)體的策略，擴(kuò)大了樣本空間，并將經(jīng)過種群選擇和復(fù)制得到的個(gè)體可以和產(chǎn)生其的父代進(jìn)行比較，有利于保持優(yōu)秀的個(gè)體，更快速地得到優(yōu)化問題的解。因此，本文利用NSGA-II遺傳算法來求解子信道和功率聯(lián)合式資源分配的最優(yōu)化方案。

本文設(shè)計(jì)的基因包括子信道分配和功率分配兩部分，每一部分都是包含N個(gè)元素的序列，分別表示子信道占用情況和功率分配情況，并將每個(gè)用戶的功率分配及信道占用的結(jié)果作為每個(gè)基因個(gè)體中的基因特質(zhì)，即對(duì)應(yīng)用戶的功率分配和子信道占用結(jié)果作為同一時(shí)間下的一套完整的資源分配方案。因此，本文設(shè)計(jì)的遺傳算法的整體流程圖如圖3所示。

圖3　遺傳算法流程

2.1種群初始化

種群的初始化就是根據(jù)要優(yōu)化的具體問題設(shè)置符合其仿真場景的一定規(guī)模的種群個(gè)體。染色體的設(shè)計(jì)決定了種群初始化的優(yōu)劣，本文的染色體設(shè)計(jì)方案如圖4所示，本文的染色體一共包含兩部分，第一部分表示子信道分配方案，第二部分表示用戶的功率分配方案。在染色體中的前N個(gè)基因位表示網(wǎng)絡(luò)中的Macro基站和Femtocell的所有用戶的子信道分配情況，并且利用每一個(gè)基因位置表示一個(gè)基站內(nèi)的所有用戶的子信道分配情況；染色體中的后N個(gè)基因位表示網(wǎng)絡(luò)中所有用戶的功率分配方案，但是每個(gè)基因位置表示的含義與前N位不同，每個(gè)基因位置對(duì)應(yīng)任意一個(gè)基站的所有的用戶的功率分配方案。

圖4　本文染色體設(shè)計(jì)方案

2.2適應(yīng)度函數(shù)

利用遺傳算法求解最優(yōu)解問題時(shí)，最重要的指標(biāo)就是適應(yīng)度函數(shù)。在本文中，研究的子信道和功率聯(lián)合式資源分配優(yōu)化問題是為了在滿足約束條件下得到最大的能量效率。由于本文的約束條件較多，所以本文設(shè)計(jì)將約束條件數(shù)學(xué)建模為另一個(gè)目標(biāo)函數(shù)。本文分別得到能量效率和約束條件這兩個(gè)目標(biāo)函數(shù)，分別如式(1)和式(2)所示：

(1)

(2)

2.3種群選擇和復(fù)制

選擇與復(fù)制就是比較符合課題設(shè)定的適應(yīng)度函數(shù)的大小，將符合課題需求的染色體選擇進(jìn)入下一代的過程。種群選擇的作用就是篩選個(gè)體，通過對(duì)種群的個(gè)體進(jìn)行選擇，可以有效地保留資源池中待優(yōu)化問題的必要的相關(guān)遺傳信息，進(jìn)而使得整個(gè)種群通過選擇淘汰，可以向最優(yōu)的染色體種群進(jìn)行演變，即算法逐漸收斂可以獲得所求問題的最優(yōu)解。

具體的等級(jí)劃分的方法如下：

(1)如果有兩個(gè)樣本X1、X2出現(xiàn)公式(4-7)的情況，說明樣本X1在兩個(gè)適應(yīng)度值上都優(yōu)于樣本X2，也就是說樣本X1的等級(jí)高于樣本X2。因此，選擇樣本X1進(jìn)入下一環(huán)節(jié)。

(3)

(2)如果這兩個(gè)樣本出現(xiàn)(4-8)的情況，說明樣本X2在兩個(gè)適應(yīng)度值上都優(yōu)于樣本X1，也就是說明樣本X2的等級(jí)高于樣本X1。因此，選擇樣本X2進(jìn)入遺傳算法的下一環(huán)節(jié)。

(4)

(3)如果樣本X1、X2出現(xiàn)公式(4-9)或者公式(4-10)的情況，那么說明這兩個(gè)樣本只在某一個(gè)適應(yīng)度函數(shù)值上優(yōu)于對(duì)方，二者屬于同等級(jí)。

(5)

(6)

當(dāng)樣本處于同一等級(jí)時(shí)，需要通過樣本周圍的擁擠程度內(nèi)部排序：

I(i)distance=

(7)

2.4種群交叉

為了確保遺傳算法更有效地得到收斂值，本文也設(shè)定交叉發(fā)生在基因序列上。即本文的交叉發(fā)生在父代的前N段染色體的某個(gè)基因位上或是染色體后N段的某個(gè)基因位置上，染色體的前N段和后N段分別表示基站的所有用戶的子信道分配方案和功率分配方案，針對(duì)于某個(gè)基站來說，其子信道分配方案和功率分配方案是一一對(duì)應(yīng)的。本文設(shè)定交叉是否發(fā)生取決于按照伯努利分布的數(shù)列βa,a=1,2,…,N的取值，交叉的表達(dá)式如式(8)：

(8)

其中，offspring_SCa和offspring_PAa代表后代的子信道分配方案和功率分配方案；Parent(ω)_SCa、Parent(ω)_PAa、Parent(v)_SCa和Parent(v)分別代表兩個(gè)父代的子信道和功率分配方案。

2.4種群變異

借助于自然進(jìn)化論思想的遺傳算法，自然也將種群變異作為了算法的一個(gè)步驟。遺傳算法中的種群變異有基本變異、高斯近似變異以及均勻和非均勻變異等方式，不同的研究者也會(huì)根據(jù)具體的系統(tǒng)模型和課題需要來設(shè)計(jì)具體的變異方式。本文的變異方式選取最基本的變異方式，并且變異是發(fā)生在染色體的基因序列上的。作為染色體上的代表子信道的分配方案的和代表功率分配方案的基因位，二者具有相同的變異概率，如果發(fā)生變異，那么將對(duì)發(fā)生變異的重新進(jìn)行編碼也就是重新進(jìn)行初始化。變異可以促進(jìn)種群的多樣性，但是如果變異概率過大，種群可能會(huì)無法收斂，即優(yōu)化問題無法達(dá)到最優(yōu)近似解；反之，如果變異概率過小，種群又有可能陷入局部最優(yōu)解導(dǎo)致無法獲得最優(yōu)秀的種群個(gè)體，即無法獲得最優(yōu)的分配結(jié)果。因此，本文選取了合適的變異概率Pm=0.01。

從種群初始化到種群的變異是遺傳算法的一次運(yùn)算過程，對(duì)于由Np個(gè)個(gè)體組成的種群來說，通過t次迭代才能獲得最終的優(yōu)化結(jié)果，其中種群規(guī)模Np和迭代次數(shù)t的選取對(duì)遺傳算法的性能和復(fù)雜度有很大的影響，需要對(duì)二者進(jìn)行動(dòng)態(tài)合理選擇。

3仿真與分析

圖5是遺傳算法中的種群規(guī)模的選取和總的EE的關(guān)系的仿真圖。其中，縱坐標(biāo)為異構(gòu)網(wǎng)絡(luò)的整個(gè)網(wǎng)絡(luò)的EE，單位為Mbps/W，橫坐標(biāo)為種群的規(guī)模，且種群規(guī)模的取值從100增加至300。從圖5中可知，無論種群的規(guī)模的取值為多大，隨著訓(xùn)練次數(shù)的增加，總的EE的曲線的趨勢都是先快速增加然后緩慢增加至一個(gè)平穩(wěn)的常數(shù)，當(dāng)總的EE增加到常數(shù)后，EE的值就不再隨著訓(xùn)練次數(shù)的增加而改變。因此從圖5中可以得出兩點(diǎn)結(jié)論：首先，不管種群的規(guī)模為多大，隨著訓(xùn)練次數(shù)的增加作為目標(biāo)函數(shù)的能量效率都可以得到平穩(wěn)的收斂值，這證明了本文提出的資源分配算法的收斂性；其次，隨著種群規(guī)模的擴(kuò)大，總的EE會(huì)收斂到一個(gè)最優(yōu)值。

圖5　種群選取與能量效率關(guān)系

圖6為本文提出的聯(lián)合式的子信道分配和功率分配的資源分配算法與不考慮干擾限制的基于遺傳算法的資源分配算法的EE對(duì)比曲線圖。本文的總的EE先隨著訓(xùn)練次數(shù)的增加而增加，當(dāng)增加到EE的收斂值時(shí)，總的EE就不再隨著訓(xùn)練次數(shù)的增加而改變，總的EE是一個(gè)常數(shù)，而對(duì)比算法的EE隨著訓(xùn)練次數(shù)的增加基本沒有改變，一直是一個(gè)常數(shù)，這主要是由于該算法將基站的發(fā)射功率都分配給用戶，導(dǎo)致網(wǎng)絡(luò)中的總的能耗十分大，所以導(dǎo)致能效較低。通過總的EE的對(duì)比圖可以看出，本文的算法性能相比于對(duì)比算法更能保證能效。

圖6　能量效率對(duì)比

圖7為本文算法與對(duì)比算法的吞吐量的對(duì)比圖，縱坐標(biāo)為總的吞吐量，單位為Mbps，橫坐標(biāo)為訓(xùn)練次數(shù)。兩種算法的吞吐量都隨著訓(xùn)練次數(shù)的增加先增加再平穩(wěn)，這是因?yàn)閮煞N算法都是以能量效率為優(yōu)化目標(biāo)，當(dāng)能量效率達(dá)到優(yōu)化值時(shí)，能量效率是一個(gè)常數(shù)，因此吞吐量也是一個(gè)常數(shù)。而且，通過曲線對(duì)比可知，本文提出的算法的吞吐量也要優(yōu)于對(duì)比算法。這是由于本文對(duì)跨層干擾進(jìn)行限制，可以在一定程度上保障MUE和FUE的性能，從而使異構(gòu)網(wǎng)絡(luò)的性能得到保證，而對(duì)比算法由于不對(duì)跨層干擾進(jìn)行限制，通過第三章對(duì)下行干擾的仿真分析可知在基站發(fā)射功率較大時(shí)MUE和FUE受到的跨層干擾都較大，會(huì)影響異構(gòu)網(wǎng)絡(luò)的性能。

圖7　吞吐量對(duì)比

4結(jié)語

本文首先提出基于能效優(yōu)化的異構(gòu)網(wǎng)絡(luò)的子信道和功率的聯(lián)合式資源分配算法，并對(duì)用于求解優(yōu)化資源分配方案的NSGA-II算法的各個(gè)步驟進(jìn)行了具體闡述和分析；其次對(duì)于搭建的Macro/Femtocell兩層異構(gòu)網(wǎng)絡(luò)系統(tǒng)模型設(shè)置了具體的仿真參數(shù)，并通過相應(yīng)的仿真設(shè)置了合理的遺傳算法的仿真參數(shù)；最后通過設(shè)置不同參數(shù)，對(duì)提出的算法進(jìn)行了仿真分析。從仿真結(jié)果上看，本文提出的算法保證用戶性能和減少能量消耗上有一定優(yōu)勢。

參考文獻(xiàn)：

[1]Damnjanovic A,Montojo J,WEI Yong-bin,et al.A Survey on 3GPP Heterogeneous Networks[J].IEEE Wireless Communications,2011,18(3): 10-21.

[2]Soh Yong Sheng,Quek T Q S,Kountouris M,Hyundong Shin.Energy Efficient Heterogeneous Cellular Networks[J].IEEE Selected Areas in Communications,2013,31(5): 840-850.

[3]HU R Q,QIAN Y.An Energy Efficient and Spectrum Efficient Wireless Heterogeneous Network Framework for 5G Systems[J].IEEE Communications Letters,2014,52(5):94-101.

[4]TAN Cheng,JI Qing-bing.A Game Model based on Energy-Efficiency in Cooperative Communication Networks[J].Communications Technology,2015,48(1):51-55.

[5]GE Xiao-hu,HAN Tao,ZHANG Yan,et al.Spectrum and Energy-Efficiency Evaluation of Two-Tier Femtocell Networks with Partially Open Channels[J].IEEE Transactions on Vehicular Technology,2014,63(3):1306-1319.

[6]Holland J.Genetic Algorithms and Simulated Annealing: A Marriage Proposal[C] // IEEE International Conference on Neural Networks.San Francisco CA: Institute of Electrical and Electronics Engineers Inc,1993:1104-1109.

[7]Deb K,Aarawal S,Pratap A,et al.A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II [C] // 6th International Conference on Parallel Problem Solving from Nature.Paris France:Springer Verlag,2000:849-858.

An Energy-Efficient Resource Allocation Algorithm in Heterogeneous Network

QIAN Jin1，WANG Xiao2，GUO Shi-zeng2

(1.Navy Military Representative Office in CASIC,Beijing 100074,China;2.Communication Research Center,Harbin Institute of Technology,Harbin Heilongjiang 150080,China)

Abstract：Macro/Femtocell network,as a new generation of heterogeneous network,enjoys great superiority in raising network coverage and capacity and ensuring the user′s service needs,and however,large-scale deployment of Femtocells would considerably increase power consumption and decrease energy efficiency of the networks.In addition,Macro/Femtocell network usually adopts spectrum-sharing strategy,thus to improve spectral efficiency,and this would lead to cross-layer interference of between Macro and Femtocell users,and clearly decrease the performance of heterogeneous network.Aiming at the above problems and based on the research of multiple objective genetic algorithms,a new energy-efficient resource allocation algorithm in heterogeneous network is proposed.This algorithm,with energy efficiency as the optimization target,achieves joint resource allocation of subcarrier channel and power under the restricted condition of cross-layer interference and power limitation,of which,NSGA-II (Non-dominated Sorting Genetic Algorithm) algorithm is adopted to seek the optimized solution of the joint allocation problem of subcarrier and power.Simulation result shows that the proposed algorithm could achieves a better improvement in terms of energy savings compared to the algorithm that considers no interference limitation.

Key words：energy efficiency;NSGA-II;heterogeneous network;resource allocation

doi:10.3969/j.issn.1002-0802.2016.02.015

* 收稿日期：2015-09-08；修回日期：2015-12-28Received date:2015-09-08；Revised date：2015-12-28

基金項(xiàng)目：國家科技重大專項(xiàng)基金資助項(xiàng)目(No.2014ZX03004003)

Foundation Item:Special Funds of National Major Science and Technology Project(No.2014ZX03004003)

中圖分類號(hào)：TN913.21

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-0802(2016)02-0199-06

作者簡介：

錢進(jìn)(1977—)，男，碩士，工程師，主要研究方向?yàn)閷拵б苿?dòng)通信；

王孝(1966—)，男，碩士，副教授，主要研究方向?yàn)榧和ㄐ畔到y(tǒng)、寬帶多媒體移動(dòng)通信系統(tǒng)、無線網(wǎng)絡(luò)及數(shù)字傳輸技術(shù)；

郭士增(1965—)，男，碩士，副教授，主要研究方向?yàn)榻粨Q技術(shù)、集群通信、無線網(wǎng)絡(luò)及數(shù)據(jù)鏈地面測試技術(shù)。