CC BY
73
ОПТИМИЗАЦИЯ ЛОКАЛЬНОГО РЕСУРСА ПРОПУСКНОЙ СПОСОБНОСТИ СЕТЕЙ ШИРОКОПОЛОСНОГО РАДИОДОСТУПА
Калюка
Владимир Иванович,
к.т.н., доцент, докторант Военной академии связи имени С.М. Буденного, г. Санкт-Петербург, Россия, [email protected]
Овсянников Станислав Николаевич,
адъюнкт Военной академии связи имени С.М. Буденного, г. Санкт-Петербург, Россия, [email protected]
Сапунова Лидия Петровна,
адъюнкт Военной академии связи имени С.М. Буденного г. Санкт-Петербург, Россия, Т[email protected]
Ключевые слова:
оптимизация; алгоритм; ресурс; сеть; пропускная способность; радиодоступ; распределение.
£
О л л С
Рассматривается оптимизационная задача распределения общего ресурса пропускной способности сетей широкополосного радиодоступа между отдельными абонентскими группами, использующими локальный ресурс, выделяемый из общего ресурса пропускной способности сетей широкополосного радиодоступа, обладающих набором функциональных характеристик. Оптимизация функциональных характеристик сетей беспроводного абонентского радиодоступа позволяет получить близкий к требуемому вариант построения данных сетей, а также производить оценку по показателям затрат ресурсов, качества и условий функционирования. Каждый показатель является комплексным и позволяет решать комплекс оптимизационных задач на сетях широкополосного радиодоступа. Критерии эффективности функционирования сетей широкополосного радиодоступа, отражающие пропускную способность всех сетей широкополосного радиодоступа или ее локальной части, характеризуют адаптивно-игровое управление широкополосным радиодоступом в общем или локальном диапазоне (поддиапазоне) выделенных частот с возможностью его «мягкой» смены. В концепции развития сотовой связи пятого поколения заложены новые инфотеле-коммуникационные технологии, обеспечивающие формирование новых направлений развития беспроводного широкополосного радиодоступа в области межмашинных телекоммуникаций. В последнее время прослеживается устойчивая тенденция развития распределённых сетей широкополосного радиодоступа как совокупности некоторых модулей, входящих в состав инфотелекоммуникационной системы. При оптимизации локального ресурса пропускной способности сетей широкополосного радиодоступа в перспективных «устройство-ориентированных» сетях широкополосного радиодоступа как независимой локальной единицы, а также при оптимизации общего ресурса пропускной способности в «устройство-ориентированных» инфотелекоммуникационных системах, возникает задача поиска оптимального распределения локального ресурса пропускной способности, получаемого с помощью системы поддержки принятия решений. А так как их решение требует вычислительной мощности вычислительных систем и времени, то необходимо оптимизировать алгоритмы и найти оптимальные способы решения задачи планирования. Программирование для многопроцессорных машинных систем связано с распараллеливанием и синхронизацией вычислений. Инструментом решения оптимизационной задачи распределения локального ресурса пропускной способности выступает алгоритм Крона, принцип действия которого заключается в случайном распределении множества параллельных расчетных заданий на множество несвязанных идентичных процессоров и уточнении полученного распределения
В настоящее время, благодаря активному внедрению инновационных проектов в области телекоммуникаций [1], современные сети широкополосного радиодоступа (СШРД) динамично развиваются и успешно решают проблемы обеспечения потребительского спроса абонентов в качественных услугах, постоянном доступе к общему информационному ресурсу и индивидуальной доступности. Наращивание информационного обмена между абонентами приводит к увеличению канальной емкости радиосистем и необходимости оптимизации локального ресурса (ЛР) пропускной способности (ПС) в абонентских группах (АГ) СШРД.
СШРД как система передачи информации характеризуются набором функциональных характеристик (ФХ), к которым относятся [2,3]:
пропускная способность - максимальная скорость передачи информации при фиксированных условиях;
вид среды распространения сигнала: с использованием направляющих систем (проводная связь, волоконно-оптическая линия связи, волноводы), без использования направляющих систем (радиосвязь, оптическая связь, ультразвуковая связь);
параметры передатчика: мощность излучения, полоса частот сигнала, вид сигнала и способ его формирования, стабильность частоты и номиналы частот и пр.;
параметры приёмника: тип обрабатываемого сигнала, чувствительность (реальная, пороговая), избирательность, показатели качества приёма информации, необходимая полоса частот;
параметры полезного сигнала: вид модуляции, способ отображения информации на параметры сигнала;
достоверность передачи информации (вероятность правильного приёма на бит, байт, пакет; отношение сигнал/шум, распознаваемость речи);
вид модуляции сигналов: класс излучения. Оптимизация ФХ СШРД позволяет получить близкий к требуемому (наилучший из всех возможных вариантов) вариант построения данных сетей, а также производить оценку по показателям затрат ресурсов, качества и условий функционирования [4].
Каждый показатель является комплексным и позволяет решать комплекс оптимизационных задач на СШРД. Однако, из всего комплекса оптимизационных задач, подлежащих решению, следует в первую очередь уделять внимание задачам, которые позволят достичь основную цель функционирования СШРД - обеспечение радиопередачи пакетного трафика (QoS - Quality of Service) с максимальной скоростью при выполнении заданных требований по своевременности, достоверности и безопасности [5].
Основные факторы, определяющие качество пакетного трафика в СШРД, изложены в [6]. Обеспечение качества радиопередачи пакетного трафика в СШРД связано с ее ПС, управляемой с помощью служебного потока данных. ПС СШРД складывается из ПС радиоканалов как максимально возможных скоростей передачи информации между ее элементами и ограничивается его
шумовыми характеристиками и полосой пропускания. Критерии эффективности функционирования СШРД, отражающие ПС всей СШРД или ее локальной части, характеризуют адаптивно-игровое управление [4,7] широкополосным радиодоступом в общем или локальном диапазоне (поддиапазоне) выделенных частот с возможностью его «мягкой» смены. «Мягкие» решения на смену частот позволяют повысить эффективность распределения имеющегося в наличии частотного ресурса за счет частичного или полного устранения неопределенности путем адаптации СШРД под текущую ситуацию.
В концепции развития сотовой связи пятого поколения 50 заложены новые инфотелекоммуникационные технологии, обеспечивающие формирование новых направлений развития беспроводного широкополосного радиодоступа в области межмашинных телекоммуникаций и работы в режиме М2М (тасЫпе-ю-тасЫпе) при переходах из сот в микросоты, пикосоты и наоборот. Согласно названной концепции телекоммуникационные сети 50 являются «устройство-ориентированными», а не «сота-ориентированными», в которых абонентский трафик предполагается обрабатывать локально, когда абоненты находятся в непосредственной близости друг от друга [8]. Для каждого устройства будет определена своя политика взаимодействия с сетью, учитывающая объем передаваемых данных, величину допустимой задержки и другие параметры. Для уменьшения времени задержки предлагается прямой канал радиообмена между абонентскими устройствами в режиме Э2В (деуке-ш-деуке) при обработке пакетного трафика на территориально-распределенных серверах облачной СШРД. Однако, перспективные радиосистемы 50 [9,10] столкнуться с дефицитом свободных диапазонов частот и накладываемыми в связи с этим ограничениями при их повторном использовании, а также наличием до конца не решенных задач оптимизации (локального «мягкого» распределения) ресурса ПС.
В последнее время прослеживается устойчивая тенденция развития распределённых СШРД как совокупности некоторых модулей, входящих в состав инфотелеком-муникационной системы (ИТКС). В этом случае, каждая СШРД (модуль ИТКС) может быть рассмотрена как независимая локальная единица, обладающая своим ЛР ПС.
Имеется СШРД, у которой общий ресурс (ОР) ПС
« п™, по отношению к ОР ПС ИТКС ,
ПС.общ.СШРД ПС.общ.ИТКС
является ЛР ПС СШРД Я
"ПС.лок.СШРД'
который, в свою очередь, по отношению к ЛР ПС АГ СШРД R„n лгп„,„„ является
ПС.лок.АГ СШРД
и R
'ПС.общ.ИТКС ПС.общ.СШРД
ОР ПС. Путем суммирования общих R и локальных ^.лок.^ "пСжж.АГ СШРД ресурсов нах°дим:
1) ОР ПС ИТКС:
"пСобщ.ИТКС — "пС.общ.СШРД-1 + "пС.общ.СШРД-2
2) ОР ПС СШРД:
■ "п
С.общ.СШРД-N
; (1)
R — R I R II R ; /-<-)>
ПС.общ.СШРД ПС.лок.СШРД-1 ПС.лок.СШРД-2 ' ПСлок.СШРД-N' (2)
3) ЛР ПС СШРД:
R =R + R +
ПС.лок.СШРД ПС.лок.АГ-1.СШРД-1 ПС.лок.АГ-2.СШРД-2
-...+R
(3)
ПС.олок.АГ-М.СШРД-Ы'
4) ЛР ПС АГ СШРД:
R = R I R
ПС.лок. АГ СШРД ПС.аб-1 ПС.аб-2
" R^N (4)
В (1), (2), (3), (4) и ниже N - число, определяющее максимальное количество элементов системы.
ЛР ПС СШРД R
ПС.лок.СШРД
зависит от численности присвоенных частот, распределения частотно-территориального ресурса, повторного использования частотных каналов, условий распространения радиоволн, помехо-вой обстановки и др.:
^гслок.СШРД = ^пслок.АГ.СШРД^(Лкак'^д«г'^д;ц|1'^по81)'
(=1 ]=\
где пБС - количество базовых станций (БС);
псек - количество секторов на одну БС;
пкан - число каналов на одну БС (сектор);
^ПС.лок.СШРД« - ресурс ПС на один сект°р (АГ);
W - вектор параметров протокола доступа к каналам;
кювг - коэффициент повторного использования частот.
При оптимизации ЛР ПС в перспективных «устройство-ориентированных» СШРД как независимой локальной единицы, а также при оптимизации ОР ПС в «устройство-ориентированных» ИТКС возникает задача поиска оптимального распределения ЛР ПС £ПС лок.СШРД, получаемого с помощью системы поддержки принятия решений (СППР) [11-13]. Последовательность выполнения расчетных задач в СППР определяется на этапе планирования выполнения функциональных операторов вычислительной системой (ВС) и зависит от выбора алгоритма, время работы которого может отличаться от других заложенных в систему алгоритмов. Тем самым требует своего решения ряд экстремальных задач комбинаторного типа с неоднородными системами. А так как их решение требует вычислительной мощности ВС и времени, то необходимо оптимизировать алгоритмы и найти оптимальные способы решения задачи планирования.
Постановка задачи планирования выполнения функциональных операторов ВС выглядит следующим образом:
Имеется ВС, состоящая из N несвязанных идентичных процессоров (устройств, приборов и т.п.) Р ={р1, р2, ..., рп}, п е N. На обслуживание в ВС поступает набор из М независимых параллельных заданий (работ, операторов) Т={£1, t2, ..., tm}, т е N. Известны время решения х(Ь. р) задания ь. на устройстве р. и образованная матрицаг Г. Процессоры неоднородны и каждое поступающее на выполнение задание может выполняться на любом из
них. В определённый момент времени х(ь. р.) отдельный процессор обслуживает не более одного задания и выполнение задания не прерывается для передачи на другой процессор. Если задание не может быть выполнено на каком-либо из обслуживающих процессоров, то время выполнения задания на этом процессоре определено как г(ь.-р.) = » [14]. Требуется найти такое распределение заданий по процессорам, при котором суммарное время выполнения заданий на каждом из процессоров было бы минимальным.
Программирование для многопроцессорных машинных систем связано с распараллеливанием и синхронизацией вычислений. Одной из сложных и важных задач является задача расчета характеристик времени и количества операций, требующихся для построения расписаний (планов) при планировании и выполнения параллельных программ на многопроцессорных и многомашинных ВС.
Под расписанием следует понимать отображение АК: Т ^Р такое, что если Лк^) =р, то говорят, что задание I. е Т в расписании К назначено на процессор р. е Р . При сделанных выше допущениях расписание можно представить разбиением множества заданий Т на N непересекающихся подмножеств Т;. =1, ... N.
Критерий, используемый для минимизации времени завершения обслуживания заданий, является минимальным критерием и определяется в следующем виде (6):
X = max f mill.
/i j-Ln
(6)
где,/у = ^ т(1.) -времязавершенияработыпроцессорар..
Задачу распределения заданий по процессорам ПЭВМ в СППР решают с помощью алгоритма Крона и его модификаций [15, 16], адаптированных под неоднородные системы.
Принцип действия не модифицированного алгоритма Крона можно описать в два этапа. Первый этап заключается в случайном распределении множества заданий на множество процессоров, второй - уточняет полученное распределение.
Алгоритм первого этапа можно представить в виде последовательности шагов:
Шаг 1. Сгенерировать случайное число р. (номер процессора), равномерно распределенное на интервале [1, N1. Инициализировать . = 1.
Шаг 2. Назначить на процессор с номером р -е задание. Увеличить. = . + 1.
Шаг 3. Проверить, больше ли значение. количества заданий М. Если условие выполняется, то прекратить распределение, а иначе перейти к Шагу 1.
Алгоритм второго этапа выглядит следующим образом:
Шаг 1. Вычислить время загрузки каждого процессора {Т.};. =!,..., N путем суммирования времен выполнения заданий, загруженных в каждый .-й процессор.
Шаг 2. Из полученного множества {Тк} выбрать номер процессора с максимальным Ттах и минимальным {Тк} значениями из набора Ттах соответственно.
Шаг 3. Для каждого процессора с минимальной и максимальной загрузкой проверить условие по принципу «каждый с каждым» (7)
. [ i LA г
'к
<д,
(7)
где А = Т"ах-Т"ах, к, 1=1, ...,М. При этом Г™ -Г™.
Если условие выполняется, то перейти к следующему шагу, а иначе прекратить выполнение алгоритма.
Шаг 4. Переставить значения tk и tl местами и перейти к Шагу 1.
Принцип действия модифицированного алгоритма Крона содержит следующие шаги:
Шаг 1. Генерация первоначального решения.
Шаг 2. Вычисление t. max = ' Р
Шаг 3. Находим столбец min = min (/. max) и max = max (t. max).
Шаг 4. В столбце с максимальным значением берем произвольный элемент.
Шаг 5. Переносим задание с максимального на минимальный и производим расчет tmax для обоих столбцов. Если tmax < max (t. max), где t e {min, max}, то объявляем решение и повторяем Шаги с 1 по 5. Если tmax > max (t. max) , то выбираем следующий элемент из столбца с максимальным значением и переходим к Шагу 4.
Шаг 6. Находим столбец min = min (t. max) и max = = max (t. max).
Шаг 7. В столбце с максимальным значением берем произвольный элемент.
Шаг 8. Производим замену произвольного элемента столбца с максимальным значением на элемент столбца с минимальным значением. Если t < max (t. max),
^ max 4 t
где . e {min, max}, то обновляем решение и повторяем Шаги 7 и 8.
Шаг 9. Получаем решение - результат работы модифицированного алгоритма Крона.
Модифицированный алгоритм Крона применяется для неоднородных ВС, когда время выполнения одного и того же задания на разных процессорах ПЭВМ автоматизированных рабочих мест в СППР может быть не приемлемым. Полученная модификация алгоритма Крона отличается от не модифицированной версии, с одной стороны, простотой, а с другой - наибольшим по сравнению с точным быстродействием, что позволяет получать в ходе планирования оптимальные по точности решения [17] задач распределения ЛР ПС СШРД.
Литература
1. Голъдштейн Б.С, Мамонтова Н.П. Инновации в области телекоммуникаций. Страницы истории телефонной связи // Материалы третьих научных чтений, посвященных Дню радио, Санкт-Петербург, 6 мая
2010. СПб.: Изд-во Центрального музея связи имени А.С. Попова, 2010. С. 25-30.
2. Варакин Л.Е. Теория систем сигналов. М.: Сов. радио, 1978. 304 с.
3. Тихонов В.И. Оптимальный приём сигналов. М.: Радио и связь, 1983. 320 с.
4. Одоевский С.М., Калюка В.И. Адаптивно-игровое моделирование военных сетей беспроводного абонентского доступа: в 2-х частях / Новочерк. высшее военное командное уч-ще связи. Новочеркасск: УПЦ «Набла» ЮРГТУ (НПИ), 2009. Ч. 1. 216 с.
5. Боговик А.В., Игнатов В.В. Эффективность системы военной связи и методы ее оценки. СПб.: Изд-во Военной академии связи, 2006. 183 с.
6. Тихвинский В.О., Терентьев С.В. Параметры качества услуг в сетях WiMAX // T-Comm. Телекоммуникации и транспорт. 2007. № 5-6. С. 41-47.
7. Калюка В.И. Адаптивно-игровая оптимизация функциональных характеристик сетей беспроводного абонентского доступа // Научное обозрение. 2014. № 12. С. 81-84.
8. Варюхин С., Серебряков Г. Локальные сервисы в сетях сотовой связи // Технологии и средства связи. 2014. № 6. С. 52-54.
9. Скрынников В. 5G: Облик будущих систем мобильной связи // Технологии и средства связи. 2014. Ч. 1. № 6. С. 56-61.
10. Скрынников В. 5G: Облик будущих систем мобильной связи // Технологии и средства связи. 2015. Ч. 2. № 1. С. 56-58.
11. Inmon W.H., Hackthorn R. Using the Data Warehouse // Willey. 1994. 304 p.
12. Fayyad U., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. Advances in Knowledge Discovery and Data Mining // AAAI/MIT Press. 1996.
13. Ginzberg M.I., Stohr E.A. Decision Support Systems: Issues and Perspectives // Processes and Tools for Decision Support. Amsterdam, North-Holland Pub I. Co, 1983.
14. Алексеев О.Г. Комплексное применение методов дискретной оптимизации. М.: Наука, 1987. 248 с.
15. Кобак В.Г., Калюка В.И., Мишин А.И., Муратов М.А. Различные параметры первоначального распределения в алгоритме Крона и его применение в автоматизированных системах // Труды Военной академии связи имени С.М. Буденного. 2012. № 80. С. 125-127.
16. Кобак В.Г., Калюка В.И., Золотых О.А., Зубакин В.В. Распределение ресурса сетей беспроводного абонентского доступа с помощью модификаций алгоритма Крона при соблюдении условий четности // Современные тенденции развития теории и практики управления в системах специального назначения: сборник материалов ежегодной Всероссийской научной конференции, Москва, 15 мая 2013. М.: Концерн «Системпром», 2013. С. 45-47.
17. Кобак В.Г. Алгоритмические подходы к распределению нагрузок в неоднородных информационных системах // Известия вузов. Северо-Кавказский регион. Технические науки. 2012. № 4. С. 6-8.
Для цитирования:
Калюка В.И., Овсянников С.Н., Сапунова Л.П. Оптимизация локального ресурса пропускной способности сетей широкополосного радиодоступа // Наукоемкие технологии в космических исследованияхЗемли. 2016. Т. 8. № 3. С. 35-40.
LOCAL RESOURCE CAPABILITY OPTIMIZATION FOR THE BROADBAND RADIO ACCESS NETWORKS
Kalyuka Vladimir Ivanovich,
St. Petersburg, Russia, [email protected]
Ovsyannikov Stanislav Nikolaevich,
St. Petersburg, Russia, [email protected]
Sapunova Lydia Petrovna,
St. Petersburg, Russia, [email protected]
Abstrae
Local resource capability optimization task between the separated user's groups using a general resource of broadband radio access networks is considered. Networks functional characteristics optimization of a wireless user's radio access allows to receive of networks creation option close to demanded, and also to make an assessment of resources expenses, quality and operating conditions indicators. Each indicator is complex and allows to solve a group of optimizing tasks of a broadband radio access networks. The efficiency of functioning of the broadband radio access networks criterios, reflecting capacity of all networks of a broadband radio access or its local part, describe adaptive-game management of a broadband radio access generally or a local range (subrange) the allocated frequencies with the "soft" change possibility. In the concept of development of cellular communication of the fifth generation 5G the new infotelecommunication technologies providing formation of the new directions of development of a wireless broadband radio access in the field of inter-machine telecommunications are put. Recently the steady tendency of development of the distributed networks of a broadband radio access as sets of some modules which are a part of infotelecommunication system is traced. By local resource capability optimization for the broadband radio access networks in perspective «the device-focused» broadband radio access networks as independent local unit, and also by the general resource capability optimization in «the device-fo-cused» infotelecommunication systems, arises a problem of search of optimum distribution of a local resource of the capacity received by means of decision-making support system. As their decision demands computing capacity of computing systems and time, it is necessary to optimize algorithms and to find optimum ways of planning solution problem. Multiprocessing machine systems programming is connected with a parallelization and synchronization of calculations. The tool of an optimizing task solution of distribution
is the Krone algorithm, principle of which is an action local resource capability optimization. The Krone algorithm means casual distribution of a set of parallel settlement tasks to a set of untied identical processors and specification of the received distribution acts.
Keywords: optimization; algorithm; resource; network; capability; radio access; distribution.
References
1. Goljdstein B.S, Mamontova N.P. Innovations in the field of telecommunications. Pages of history of telecommunication. Materials of the third scientific readings devoted to Day of radio, St. Petersburg, on 6 May2010. St. Petersburg:Tsentralny muzey svyazi imeni A.S. Popova Publ., 2010. Pp. 25-30.
2.Varakin L.E. Theory of systems of signals. Moscow, Sovietskoe radio, 1978. 304 p. (In Russian).
3. Tikhonov V.I. Optimum reception of signals. Moscow, Radio i svyas', 1983. 320 p. (In Russian).
4. Odoevsky S.M., Kalyuka V.I. Adaptivno-igrovoe mode-lirovanie voennykh setey besprovodnogo abonentskogo dostupa [Adaptive-game modeling of military networks of wireless subscriber access]. In 2 pt. Novocherk. the highest military command college communications. Novocherkassk, UPTs "Nabla" SRSTU (NPI), 2009. Pt.l. 216 p. (In Russian).
5. BogovikA.V., Ignatov V.V. Effektivnost' sistemy voennoy svyazi i metody ee otsenki [System effectiveness of military communication and methods of its assessment]. St. Petersburg, Military academy of communication Publ., 2006. 183 p. (In Russian).
6. Tikhvinsky V.O., Terentyev S.V. Paramétrés of quality of services in the WiMAX. T-Comm. 2007. No. 5-6. Pp. 41-47. (In Russian).
7. Kalyuka V.I. Adaptive-game optimisation of functional characteristics of networks of wireless subscriber access. Scientific review. 2014. No. 12. Pp. 81-84. (In Russian).
8. Varyukhin S., Serebryakov G. Local services in networks of cellular communication. Technologies and means of communication. 2014. No. 6. Pp. 52-54. (In Russian).
9. Skrynnikov V. 5G: Shape of future systems of mobile communication. Technologies and means of communication.
2014. Pt. 1. No. 6. Pp. 56-61. (In Russian).
10. Skrynnikov V. 5G: Shape of future systems of mobile communication. Technologies and means of communication.
2015. Pt. 2. No. 1. Pp. 56-58. (In Russian).
11. Inmon W.H., Hackthorn R. Using the Data Warehouse. Willey, 1994. 304 p.
12. Fayyad U., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. Advances in Knowledge Discovery and Data Mining. AAAI/MIT Press. 1996.
13. Ginzberg M.I., Stohr E.A. Decision Support Systems: ezhegodnoi Vserossiiskoi nauchnoi konferentsii [The collec-Issues and Perspectives. Processes and Tools for Decision tion of reports annual All-Russian scientific conference], Support.Amsterdam,North-HollandPubl.Co,1983. Moscow, on May 15, 2013. Moscow, JSC Sistemprom
14. AlekseevO.G. Kompleksnoe primenenie metodovdiskret- Concern,2013. Pp.45-47. (In Russian).
noi optimizatsii [Complex application of methods of discrete 17. Kobak V.G. Algorithmic approaches to distribution of
optimization]. Moscow, Nauka, 1987. 248 p. (In Russian). loadings in non-uniform information systems. News of higher
15. Kobak V.G., Kalyuka V.I., Mishin A.I., Muratov M.A. education institutions. North Caucasian region. Technical sci-Razlichnye parametry pervonachalnogo raspredeleniya v ence. 2012. No. 4. Pp. 6-8. (In Russian).
algoritme Krona i ego primenenie v avtomatizirovannyh sis-
temah [Various parameters of initial distribution in algorithm Information about authors:
Krone and its application in the automated systems]. Trudy Kalyuka V.I., Ph.D., doctoral student, Military academy of
Voennoi akademii svyazi imeni S.M. Budyonnogo. 2012. communications;
No. 80. Pp. 125-127. (In Russian). Ovsyannikov S.N., postgraduate student, Military academy
16. Kobak V.G., Kalyuka V.I., Zolotyh O.A., Zubakin V.V. ofcommunications;
Sovremennie tendentsii razvitiya teorii i praktiki upravleniya Sapunova L.P., postgraduate student, Military academy of
v sistemah spetsialnogo naznacheniya: Sbornik materialov communications.
For citation:
Kalyuka V.I., Ovsyannikov S.N., Sapunova L.P. Local resource capability optimization for the broadband radio access networks. H&ES Research. 2016. Vol. 8. No. 3. Pp. 35-40.
