動態超密集網絡中的Markov預測切換

孟慶民，趙媛媛，岳文靜，鄒玉龍，王小明

?

動態超密集網絡中的Markov預測切換

孟慶民，趙媛媛，岳文靜，鄒玉龍，王小明

（南京郵電大學通信與信息工程學院，江蘇 南京 210003）

針對超密集蜂窩網絡中大規模機器類通信所涉及的通信與計算問題，提出了一種基于Markov預測的切換方案。首先考慮半結構化的中心控制的異構網絡設計，該設計中含有密集部署的虛擬節點，以實現低成本和高效率的覆蓋。該網絡可以根據用戶的移動性及網絡通信量動態調整接入點。其次構建Markov模型，引入負載感知思想，通過權衡信號質量與小區負載，有效地預測用戶的下一個最優接入點。仿真實驗結果證明了該方案用于小區切換預測的可行性與有效性。

超密集蜂窩網絡；大規模機器類通信；Markov模型；負載感知；切換

1 引言

為滿足更高容量與更好覆蓋、極高通信可靠性與極低時延以及大規模機器類通信等技術需求，異構網絡（HetNet, heterogeneous network）、超密集網絡和軟件定義網絡（SDN , software defined network）等新型架構正在成為新一代無線網絡的候選架構[1-3]。本文探討一種中心式控制的HetNet，它包含一個具有高傳輸容量的宏基站（MBS, macro base station）以及在其覆蓋范圍內密集部署的低覆蓋范圍的微基站（PBS, pico base station）。研究的網絡架構具有雙重特點，一方面該HetNet可以為用戶提供更大的帶寬和更高的數據速率；另一方面大量的接入點將帶來頻繁切換等移動管理挑戰。

密集異構網絡切換方案通常涉及多種網絡參數，如接收信號強度、移動設備速度、帶寬、能效、信號與干擾加噪聲比、路徑損耗等[13-14]。文獻[15]提出一種考慮用戶上行能量消耗的切換方法，用戶設備與可以提供最高RSRP的基站（BS, base station）相關聯。文獻[16]研究了一種按照速度值來設定雙門限的切換設計。有不少工作研究考慮網絡負載度的切換設計，即把帶寬看作切換前的一種判別依據，以提高切換成功率。文獻[17]提出了一種綜合方案，即兼顧網絡負載、接收信號強度、業務類型和移動設備速度等來完成切換判決。通過考慮相鄰小區間負載不均衡，文獻[18]提出了一種基于自適應小區選擇的優先級信道預留切換算法，利用Markov排隊模型完成預留信道的優先級切換。文獻[19]研究了以節能為中心的垂直切換方案算法，它也集成內容感知功能。此外，相關的工作研究了基于信號與干擾加噪聲切換方案，即兼顧 RSRP 和 SINR的最優小區切換[20]。

如上所述，盡管很多文獻討論了多種切換技術，但由于密集部署微基站的HetNet是一種新型的蜂窩網絡，其切換方案尚有待于進一步的研究。因為HetNet小區特征的多樣性，HetNet的切換設置不應該照搬傳統切換方案中的設置參數，如觸發時間（TTT, time to trigger）和切換滯后差值。當采用較大的TTT值和切換滯后差值，穿過一個微小區的用戶在TTT期間內可能經歷嚴重的RSRP惡化。另一方面，較小的TTT值和切換滯后差值可能導致切換乒乓效應，因信令開銷和切換時間而產生性能損失。降低切換失敗率和遏制乒乓效應顯然是兩個相互沖突的目標，切換策略需要在這兩個方面進行權衡。

針對一種含有多個虛擬節點的中心式的HetNet，本文提出一種基于Markov預測的聯合切換設計。通過Markov方案預測新的目標接入小區，其中，用戶在小區間的轉移概率取決于SINR以及切換閾值。該設計一方面可以動態激活相應的虛擬節點，平衡網絡負載，提高能量效率；另一方面用戶可以提前向預測小區發送認證，請求并進行數據轉發準備，以降低不必要的資源浪費。其中，虛擬節點的狀態為休眠狀態與激活狀態。移動用戶的越區切換可以采用中心式的控制，即該網絡是一種部分集成SDN中心控制器實體的接入網[3]。

2 系統模型

2.1 系統模型和半結構化的異構網絡

所考慮的系統模型是一種聯合的通信與計算模型。下行接入采用類似LTE下行的OFDMA傳輸方案，通信模型為下行可達速率，主要指標為傳輸速率、切換觸發時間等。這里的蜂窩網絡具體為一種含有若干虛擬節點、半結構化的異構網絡，因此它便于實現一種低成本和高效率的覆蓋。所部署的虛擬節點采用一種半結構化的拓撲，即采用環狀分布，環的半徑和虛擬節點的數量將根據小區的負載狀況、用戶位置動態定義[21]。此外，小區內的虛擬節點一般處于休眠狀態。圖1中的計算模型基于Markov模型。對于所研究的異構超密集網絡，本文將依據Markov預測結果，根據SDN的中心控制思想來動態地選擇、激活相應的虛擬節點，這不僅可以減少干擾和功率消耗，也可以提高切換方案的效率。

所研究的場景包含N=1個MBS，并在其覆蓋域內分布著=12個虛擬節點，這里虛擬節點是一種低功耗和低復雜度的虛擬基站（VBS, virtual base station），使用相同頻帶的虛擬節點需要中心式的網絡控制和網絡計算。將一簇用戶或機器類通信設備的移動過程建模為一個擁有+2種狀態的集合，即∈{,,}，其中，={1,2,…,VS}。按符號出現的次序，表示用戶與MBS連接的狀態，VS表示用戶與VBS連接的狀態，H表示用戶正處于從源小區向目標小區切換的狀態。

圖1 半結構化的異構網絡網絡拓撲

2.2 切換管理策略

根據3GPP標準[22]，傳統的切換過程主要分為如圖2所示的3個狀態。

圖2 傳統切換過程

首先用戶監測所有被測小區經過濾波器后的RSRP，并給服務小區發送測量報告。當式(1)中的條件在給定的TTT內持續被滿足時，將對用戶進行切換。

其中，R是目標小區的RSRP，R是當前服務小區的RSRP。hyst是切換滯后差值，其大小決定了切換延時長短。根據用戶的速度來設定TTT參數，可有效防止切換乒乓效應。

傳統的切換過程是根據RSRP進行的。但由于用戶通信量的急劇增加、小區的超密集部署、網絡場景的復雜化，傳統的切換策略已經不能滿足當前需求。因此，為提高密集網絡中大規模機器類通信的切換性能，本文把切換與移動路徑預測技術相結合，預測用戶將要移動到的下一個目標小區。

3 基于預測的切換設計

3.1 Markov預測設計

離散時間Markov鏈是一種計算模型，它通常可以用于各種性能分析和網絡決策。本文試圖把Markov預測集成到一種聯合的切換設計中。通過計算該Markov鏈的轉移概率矩陣，來輔助決策最佳可用網絡和預測真實系統中的用戶未來接入點，在大量用戶接入多微基站的場景下，有助于降低切換時延和減少對信道資源與緩存的占用等。本文所提策略的目的是實現高效率的密集網絡移動性管理，避免不必要的切換。這里使用非齊次的離散時間Markov鏈來預測移動用戶路徑。假定移動用戶的位置是一個隨機變量，隨機變量序列X(1≤≤N)，構成一個Markov過程，并且滿足

其中，b代表用戶當前選擇的連接小區，12…b代表了用戶所經歷的基站連接序列，N代表沿用戶軌跡總的采樣次數，即用戶下一個可能選擇的目標小區由當前的服務小區決定。

定義采樣時刻有小區間的(+1)×(+1)維轉移概率矩陣()，其行元素代表用戶當前服務小區，列元素代表用戶的目標小區。矩陣元素代表用戶在與服務小區連接狀態下，切換到目標小區的概率。基于Markov預測的設計就是在()中找到當前服務小區的對應行，其中概率值最大的對應列即為預測結果p，即

其中，代表第個基站的序號，1≤≤+1，=+1為MBS，其余為VBS。取相干時間c為采樣間隔，即

這里定義用戶簇中用戶數為，代表簇中第個用戶，1≤≤。取c，則時刻用戶到基站的歐氏距離為

其中，(x(),y())與(xBS,yBS)分別為時刻用戶所在坐標和基站坐標。在實際移動通信網絡中，利用SDN的全局化視圖，可以實時獲得網絡和終端信息。用戶位置也可根據當前設備的GPS標準系統獲得。本文考慮的信道模型含有路徑損耗、陰影以及衰落。這里不考慮處于激活狀態的虛擬節點之間的相互干擾。在時刻測量基站的RSRP[23]為

其中，X,n()=Ptx ng,n()，是基站的發射功率，g,n()與β,n()分別為時刻的路徑增益和快衰落信道增益。假設該衰落服從瑞利分布，則定義β,n()是均值為1的指數型隨機變量。定義0與μ分別為參考距離（0=1 m）與路徑損耗因子，則通用的路徑損耗模型[24]表示為

定義gain為陰影，則路徑增益為

圖3 密集網絡含3個基站時的Markov狀態鏈

這里將根據切換閾值hyst和計算轉移概率，做出切換決策。根據文獻[25]可知，當用戶向b移動，并處于b和b之間的某個位置時，若b和b的RSRP之差低于hyst，則TTT開始計時。如在整個TTT時期內這一條件被持續滿足，則將對用戶執行切換到b的切換過程。為簡化模型，這里假定b是b的鄰近小區。并且，對于下行用戶，b和b兩個基站選擇同頻信道，則定義

其中，

且隨機變量ξ,T()是兩個獨立同分布指數隨機變量的比值，即

可推出式(11)中的分布函數（CDF, cumulative distribution function），具體推導過程見附錄1。

則從服務小區b到目標小區b的轉移概率為

在系統應用時，根據式(13)即可得狀態轉移概率這一先驗條件。將式(13)代入式(3)中，就可得到沿用戶軌跡的基于Markov模型的預測目標小區，即

3.2 負載感知下的方案優化

為了使用戶選擇最佳小區，本文將進一步優化方案，即權衡考慮信號質量和各個小區的傳輸負載。假定每個虛擬節點處采用一個正交化的資源塊，考慮非理想編碼和調制方案。定義B為子信道的有效帶寬，可得用戶從b向b移動時基站b的可達速率為

假定網絡控制器實體已獲取用戶周圍每個小區的可用資源率ρ∈[0,1]，則基于負載感知條件下b的可達速率為

將式(19)代入式(13)可得到負載感知下小區間的轉移概率為

將式（20）代入式（14）中即可得到沿用戶軌跡的基于負載感知的預測目標小區。

3.3 含預測的切換方案流程

綜合上述分析，本文提出了如下所示的含預測的切換方案流程。

1) 假定=c時刻用戶與b相連接，且已知各小區負載率為ρ。

2) 估計時刻用戶與其他小區b的歐氏距離為dis,S?()，路徑增益為g,S?()。

6) 若5)不成立，則返回1)，用戶仍與b相連接。

7) 若b為虛擬節點，由SDN的中心控制策略控制b激活，用戶可以提前向b發送認證，請求并準備轉發數據。

4 仿真分析

仿真場景如圖1所示，采用下行的OFDMA傳輸方案，這里考慮虛擬節點數目為=12，簇中用戶數目為=30。系統仿真參數如表1所示。

表1 系統仿真參數說明

文獻[21]研究了一種超密集部署的蜂窩網絡的負荷卸載設計，通過計算簇用戶到所有基站的鏈路和容量，采用最大容量切換方案（MCHS, maximum capacity handover scheme）來進行基站選擇。這里，將對MCHS和本文所提出的MPHS兩種方案進行分析。經仿真觀察，這里取MBS和VBS的參考切換閾值為hysthyst1 dB。

圖4分別統計了簇中單個用戶在MCHS（標注maxC）和MPHS（標注pred）兩種方案下的切換次數隨用戶移動距離變化曲線。其中，圖4(a)不考慮基站負載，即ρ=1；圖4(b)中自定義負載，各小區負載情況ρ如表2所示。這里取用戶移動速度為2 m/s，抽樣時間為30 ms，共進行了14 000次仿真，用戶共移動840 m。在低速率的移動場合，最優的TTT是避免由快衰落而產生乒乓效應的最小值，因此，它只與信道的相干時間c有關，也就是只取決于用戶速度，而與小區的大小無關[23]。TTT過低會使切換門檻降低，造成切換乒乓；TTT過高會使切換門檻提高，使用戶速率降低。這里相干時間即為30 ms，經計算機仿真，驗證T=180 ms時效果最佳，為對比顯示，圖4中給出了TTT分別為150 ms和180 ms的仿真曲線，即T=150 ms和T=180 ms 2種情況。

圖4 不同TTT下的切換次數隨用戶移動距離變化曲線

由圖4中可以看到，TTT能夠有效地避免切換乒乓，且TTT越大，用戶總切換次數越少。并結合圖1用戶移動方向可知，在用戶移動500 m左右，用戶周圍環繞密集部署的基站，使用戶的切換次數急劇增加。并且當T=180 ms時，兩種方案在小區負載相同的情況下，切換總次數保持一致，因此在下面的分析中本文取T=180 ms。

與表2不同，表3為另外一種隨機生成的不同小區負載設置，表4統計了MPHS方案在不同負載條件下用戶所選擇基站序列。將表4分別與圖4(a)和圖4(b)相對應，再結合圖1所示的網絡拓撲以及表2所示的分布進行分析。參見表2，沿用戶的移動軌跡，當設置虛擬基站8和10的負載為0.3 ，9和11的負載為1時，綜合信號質量與小區負載后的預切換方案跳過了8和10，直接從9切換到11。表3配置下的預切換方案將直接從10切換到2，注意圖4(b)中沒有顯示出該小概率事件。因此不同的負載條件下用戶所進行的基站選擇存在差異，在引入小區負載這一上下文信息后，預測切換方案會綜合信號質量與小區負載為用戶選擇最佳切換小區。

表2 基站負載定義1

表3 基站負載定義2

表4 用戶在不同負載條件下所選擇基站（Th=180 ms）

由于信道的隨機性，定義在信道估計不完善時有

式(13)中變量包括切換閾值、發射功率和時刻的路徑增益估計等。尤其最后的路徑增益參數，實際移動管理的切換方案不可能獲取絕對精確的路徑增益估計。式(21)考慮用戶與目標小區間鏈路存在路徑增益估計誤差的情況。計算機仿真實驗結果顯示，在所研究的面向低速率移動的簡單模型下，該路徑增益估計誤差所引起轉移概率的偏差不顯著。另一方面，式（13）的分母還包含了用戶與當前服務小區間鏈路的路徑增益。當存在該路徑增益估計誤差時，轉移概率的偏差將不可忽略。此外，所研究的方案將根據切換閾值和計算轉移概率來做出切換決策。路徑增益估計誤差將對切換方案的值產生直接影響，從而降低方案的性能。

圖5顯示了在MCHS和MPHS兩種方案下的用戶切換概率隨用戶移動速度變化的關系曲線，其中，取ρ=1。觀察可得，MPHS的切換概率略高于MCHS。并且，隨著用戶移動速度的增加，用戶的切換概率也逐漸增加。

圖5 用戶切換概率隨用戶速度變化曲線

利用互補網絡也就是虛擬基站進行數據傳送，能夠減輕蜂窩網絡負載，以平衡整個網絡負載。圖6描述了MPHS的容量增益隨時間變化曲線，其中，=2 m/s。計算機仿真結果表明，在用戶的移動過程中，其平均容量增益約為18.4%，即當用戶選擇虛擬基站時，移動數據負荷被卸載，有效地平衡了網絡的負載。

圖6 用戶容量增益隨移動時間變化曲線

圖7是MCHS和MPHS兩種方案下的用戶平均速率隨用戶移動距離變化曲線，設置ρ=1，=2 m/s。圖7(a)為單用戶平均速率仿真結果，且同時考慮路徑損耗、獨立陰影和衰落。可以看到兩種切換設計的單用戶速率曲線大部分重疊。圖7(b)為簇中所有用戶和速率仿真結果，為了便于觀察，僅考慮路徑損耗和衰落。可以觀察到兩種方案的用戶簇和速率曲線大部分一致，但由于MPHS的預切換設計，整個簇用戶的和速率要高于MCHS。

圖7 用戶平均速率隨用戶移動距離變化曲線

MPHS是一種預切換的設計，它是在當前時刻預測用戶下一時刻選擇的小區，相比較實時計算小區選擇的MCHS來說，MPHS下用戶可以提前向預測小區發送認證，請求并進行數據轉發準備，當用戶在當前小區下的接收信號強度減弱時，可以直接向預測小區發送連接請求，降低切換時延，減少了占用信道資源和緩存，便于保證QoE和網絡的性能。綜上所述，低速率（如2 m/s）的移動場合，本文所提出的MPHS性能更優。

5 結束語

切換技術是保證用戶跨小區移動時正常通信的關鍵移動管理和資源分配技術。為了應對超密集部署的異構網絡下大規模機器類通信的切換性能提升問題，本文提出了一種基于Markov預測的半結構化的切換設計，使用Markov模型預測用戶的下一個目標小區以及每個虛擬節點的激活狀態與休眠狀態。此外，該設計還融入了負載感知思想。計算機仿真結果表明，在低速率（如2 m/s）的移動場合，基于Markov預測的切換設計在保證切換性能的基礎上能夠有效地預測用戶下一個接入網絡。大量用戶接入多宏基站/多微基站場景下的移動管理問題依然是存在的。因此，在下一步的工作中，將繼續研究多宏蜂窩配置下的切換以及通過SDN控制器來優化調整虛擬節點的幾何分布等資源分配問題。

附錄1

[1] 尤肖虎, 潘志文, 高西奇, 等. 5G移動通信發展趨勢與若干關鍵技術[J]. 中國科學: 信息科學, 2014, 44(5): 551-563.

YOU X H, PAN Z W, GAO X Q, et al. The 5G mobile communication: the development trends and its emerging key techniques[J]. Scientia Sinica: Informationis, 2014, 44(5): 551-563.

[2] 尤肖虎, 趙新勝. 分布式無線電和蜂窩移動通信網絡結構[J]. 電子學報, 2004, 12A(32): 16-21.

YOU X H, ZHAO X S. Distributed radio and cellular mobile communications network architecture[J]. Acta Electronica Sinica, 2004, 12A(32): 16-21.

[3] KREUTZ D, RAMOS F M V, VERISSIMO P E, et al. Software-defined networking: A comprehensive survey[J]. Proceedings of the IEEE, 2015, 103(1): 14-76.

[4] PENG M, LI Y, ZHAO Z, et al. System architecture and key technologies for 5G heterogeneous cloud radio access networks[J]. IEEE Network, 2015, 29(2): 6-14.

[5] 任塨曄, 趙季紅, 曲樺. 基于模糊邏輯的多終端協同的垂直切換決策算法[J]. 通信學報, 2014, 35(9): 67-78.

REN G Y, ZHAO J H, QU Y. Vertical handoff decision algorithm for cooperation of multi-terminal based on fuzzy logic terminal[J]. Journal on Communications, 2014, 35(9): 67-78.

[6] TENG Y L, LIU M T, SONG M. Effect of outdated CSI on handover decisions in dense networks[J]. IEEE Communications Letters, 2017, PP(99): 1-4.

[7] BECVAR Z, MACH P. Prediction of channel quality after handover for mobility management in 5G[C]//International Conference on 5G for Ubiquitous Connectivity (5GU 2014), 2014: 35-39.

[8] RABE A, HESHAM E, SAMEH S, et al. Velocity-aware handover management in two-tier cellular networks[J]. IEEE Transactions on Wireless Communications, 2017, 16(3): 1851-1867.

[9] MAALOUL S, AFIF M, TABBANE S. Handover decision in heterogeneous networks[C]// IEEE 30th International Conference on Advanced Information Networking and Applications (AINA 2016), 2016: 588-595.

[10] YAN X, MANI N, SEKERCIOGLU Y A. A traveling distance prediction based method to minimize unnecessary handovers from cellular networks to WLANs[J]. IEEE Communications Letters, 2008, 12(1): 14-16.

[11] KASSAR M, KERVELLA B, PUJOLLE G. An overview of vertical handover decision strategies in heterogeneous wireless networks[J]. Computer Communications, 2008, 31(10): 2607-2620.

[12] DING Z X, WANG X J, WANG X, et al. An effective handover scheme in heterogeneous networks[C]// International Conference on Computer Communication and Informatics (ICCCI), 2016: 1-6.

[13] 劉淑慧. LTE及Macrocell/Femtocell雙層網絡無線資源管理的研究[D]. 北京: 北京郵電大學, 2012.

LIU S H. Research on wireless resource management of LTE and Macrocell/Femtocell dual-layer networks[D]. Beijing: Beijing University of Posts and Telecommunications, 2012.

[14] 萬晉京. Macrocell-Femtocell分層網絡中切換算法研究[D]. 重慶: 重慶郵電大學, 2017.

WAN J J. Research on handover algorithm in Macrocell-Femtocell hierarchical network[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2017.

[15] SHARMA A K, SUMAN P N, JAIN A. Improving energy efficiency of femtocell network by joint estimation of downlink throughput and uplink power[C]//2015 International Conference on Advanced Computing and Communication Systems, 2015: 1-5.

[16] ULVAN A, BESTAK R, ULVAN M. The study of handover procedure in LTE-based femtocell network[C]//WMNC2010, 2010:1-6.

[17] 王汝言, 周曉軍, 吳大鵬. 帶有負載均衡的LTE自適應切換算法[J]. 系統工程與電子技術, 2015, 37(9): 2156-2163.

WANG Y Y, ZHOU X J, WU D P. Adaptive LTE handover algorithm with load balancing[J]. Systems Engineering and Electronics, 2015, 37(9): 2156-2163.

[18] 馬秀榮, 張會龍, 白媛, 等. 基于自適應小區選擇的切換控制算法研究[J]. 通信學報, 2011, 32(9): 9-17.

MA X R, ZHANG H L, BAI Y, et al. Switching control algorithm based on adaptive cell selection[J]. Journal on Communications, 2011, 32(9): 9-17.

[19] XENAKIS D, PASSAS N, GREGORIO L D, et al. A context-aware vertical handover framework towards energy-efficiency[C]. 2011 IEEE 73rd Vehicular Technology Conference (VTC Spring), 2011: 1-5.

[20] ANTORO A D, MUSTIKA I W, WIBOWO S B. Downlink cross-tier interference mitigation for macrocell user in open access femtocell using handover scenario[C]// 2015 International Conference on Electrical Engineering and Informatics (ICEEI), 2015: 656-660.

[21] MENG Q M, ZHONG S, ZOU Y L. Offloading in dynamic ultra dense small cell networks[C]// 2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), 2016: 148-152.

[22] 3GPP TR 36.814. Further advancements for E-UTRA physical layer aspects (Release 9)[S]. 2010.

[23] GUIDOLIN F, PAPPALARDO I, ZANELLA A, et al. Context-aware handover policies in HetNets[J]. IEEE Transactions on Wireless Communications, 2016, 15(3): 1895-1906.

[24] GHOSH A, THOMAS T A, CUDAK M C, et al. Millimeter wave enhanced local area systems: A high data rate approach for future wireless networks[J]. IEEE Journal on Selected Areas in Communications, 2014, 32(6): 1152-1163.

[25] 3GPP TR 36.839. Evolved universal terrestrial radio access (E-UTRA); Mobility enhancements in heterogeneous networks (Release 11)[S]. 2012.

Markov prediction based handover in dynamic ultra dense network

MENG Qingmin, ZHAO Yuanyuan, YUE Wenjing, ZOU Yulong, WANG Xiaoming

College of Telecommunications & Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China

In order to solve the problem of the communication and computational problems of large-scale machine communication in an ultra-dense cellular network, a Markov prediction based handover scheme (MPHS) was proposed. Firstly, a kind of heterogeneous network design with semi-structure and central control was considered which contains the densely deployed virtual nodes and thus realized a low cost and efficient coverage. The network can dynamically adjust the access point according to the user's mobility and network traffic. Secondly, a Markov model was constructed, and the idea of load-aware was introduced. By weighing the signal quality and the cell load, the user's next optimal access point was effectively predicted. The simulation results show the feasibility and effectiveness of the proposed scheme for cell handover predicting.

ultra-dense cellular network, large-scale machine communication, Markov model, load-aware, handover

TP393

A

10.11959/j.issn.1000?436x.2018225

孟慶民（1965?），男，江蘇濱海人，博士，南京郵電大學副教授，主要研究方向為信號處理、網絡智能、網絡自動化、綠色通信、安全通信、移動邊緣計算等。

趙媛媛（1992?），女，山東東營人，南京郵電大學碩士生，主要研究方向為無線資源管理。

岳文靜（1982?），女，山西應縣人，博士，南京郵電大學副教授，主要研究方向為協作通信、認知無線電等。

鄒玉龍（1984?），男，江西新干人，博士，南京郵電大學教授，主要研究方向為認知無線電、信息安全等。

王小明（1986?），男，山東聊城人，博士，南京郵電大學講師，主要研究方向為綠色通信、資源分配等。

2017?07?17；

2018?08?31

國家自然科學基金資助項目（No.61522109，No.61501253，No.61801240）；江蘇省自然科學基金資助項目（No.15KJA510003，No.BK20151506）

The National Natural Science Foundation of China (No.61522109, No.61501253, No.61801240), The Natural Science Foundation of Jiangsu Province(No.15KJA510003, No.BK20151506)