高文軒，楊新杰,2

研究與開發(fā)

一種針對能耗優(yōu)化的車聯(lián)網(wǎng)計算卸載方案

高文軒1，楊新杰1,2

（1. 寧波大學信息科學與工程學院，浙江 寧波 315211；2. 網(wǎng)絡與交換技術全國重點實驗室（北京郵電大學），北京 100876）

車聯(lián)網(wǎng)環(huán)境下面向車輛的應用普遍具有計算密集和時延敏感等特性，引入移動車輛閑置計算資源作為網(wǎng)絡算力的補充，可有效緩解邊緣服務器的計算負載壓力。針對車聯(lián)網(wǎng)環(huán)境中邊緣計算卸載的任務分配問題，充分利用RSU、用戶車輛和RSU服務范圍內移動車輛的計算資源組合，提出一種基于麻雀搜索算法的計算卸載方案（sparrow search based computation offloading scheme，S2COS），用以優(yōu)化整體系統(tǒng)能耗。此外，該方案充分考慮了車輛移動性帶來的服務時間限制以及計算節(jié)點出現(xiàn)故障的可能性等現(xiàn)實問題。仿真結果表明，S2COS在處理計算密集和時延敏感型任務時可以滿足任務時延要求，并且能夠顯著降低系統(tǒng)能耗。

車聯(lián)網(wǎng)；計算卸載；節(jié)點故障；麻雀搜索算法

0 引言

車聯(lián)網(wǎng)（Internet of vehicles，IoV）是移動物聯(lián)網(wǎng)技術的衍生形式[1-2]。IoV將車輛和其他網(wǎng)絡節(jié)點引入移動通信網(wǎng)絡中，通過信息收集、處理和實時反饋為車輛提供服務，實現(xiàn)智能交通。隨著車輛逐步智能化，智能交通快速發(fā)展，計算密集型和時延敏感型任務的需求顯著增加[3]。這些任務，如路徑規(guī)劃、車輛感知、虛擬現(xiàn)實等，對計算資源的高效利用和實時響應提出了更高要求。鑒于車輛的有限計算能力，許多任務難以有效地在本地進行處理。同時，傳統(tǒng)的云處理方式車輛與云服務器之間距離較遠，導致較大的傳輸時延，降低了服務質量（quality of service，QoS）。

對于蜂窩網(wǎng)絡中的卸載問題，為了優(yōu)化系統(tǒng)的能量效率或任務時延，一些學者研究了二進制卸載策略，即每個用戶可以選擇在本地執(zhí)行任務或者將任務卸載到附近的邊緣服務器[4-5]。類似地，對于車聯(lián)網(wǎng)環(huán)境中的卸載問題，用戶車輛的任務可以卸載到附近配備邊緣服務器的路邊單元（road side unit，RSU）上進行處理。例如，文獻[6]考慮在一個多用戶多邊緣服務器場景中，用戶車輛采用二進制卸載方式且對服務器的負載進行均衡優(yōu)化，在降低任務時延的同時提高了資源利用率。與二進制卸載相比，部分卸載方式在有限的車輛、服務器計算資源和無線信道資源的情況下顯得更為合理。文獻[7]在單用戶單邊緣服務器場景中采用部分卸載方式，提出一種協(xié)同優(yōu)化卸載數(shù)據(jù)比例和傳輸功率的策略，既滿足業(yè)務時延要求又可最小化用戶能耗。文獻[8]在多車輛、多RSU組成的車輛邊緣計算（vehicular edge computing，VEC）網(wǎng)絡中考慮部分卸載策略，對卸載比和RSU選擇進行協(xié)同優(yōu)化，同時考慮了車輛移動性造成的任務時延，有效提升了系統(tǒng)的能效。

前述研究提出了二進制卸載或部分卸載策略，將任務卸載到邊緣服務器上。然而，這些策略未能有效利用IoV中的其他空閑車輛的計算資源。此外，過多地將任務卸載到邊緣服務器可能會導致服務器過載，從而降低系統(tǒng)性能。因此，有必要考慮合理利用空閑車輛的計算資源，以實現(xiàn)邊緣服務器負載的均衡分配。文獻[9]提出了一種聯(lián)合卸載方案，將用戶任務劃分為3個部分：本地車輛計算部分，利用V2I（vehicle to infrastructure）通信模式將任務卸載至邊緣服務器的部分，以及通過V2V（vehicle to vehicle）通信模式將任務卸載至空閑車輛的部分，該方案旨在優(yōu)化服務時延。為了減輕邊緣服務器的負載，在多用戶設備、多空閑車輛組成的移動邊緣計算（mobile edge computing，MEC）場景中，文獻[10]提出一種空閑車輛輔助的二進制MEC任務卸載和資源分配方案，旨在優(yōu)化基于任務優(yōu)先級加權的總處理時延。文獻[11]采用二進制卸載方式，利用空閑車輛和邊緣服務器共同為多個用戶車輛提供計算服務，并提出任務卸載和資源分配聯(lián)合設計的策略，旨在優(yōu)化任務時延和系統(tǒng)能耗的加權和。由于所形成的問題具有NP難屬性，作者采用了博弈論和Q學習方法分別求解卸載決策和資源分配問題。

可以看出，上述研究主要以時延、能耗、自定義效用或成本函數(shù)為優(yōu)化目標，有的研究采用二進制或部分卸載將任務卸載到邊緣服務器，卻忽略了空閑車輛的資源利用。另一些研究雖然同時利用了邊緣服務器和空閑車輛資源，但卻選擇了二進制卸載方式，這在一定程度上導致了用戶車輛計算資源的浪費。此外，大多數(shù)研究假設節(jié)點工作時不會發(fā)生故障，這與實際情況存在偏差，導致結果的準確性受到影響。

在當前綠色網(wǎng)絡的快速發(fā)展的背景下，在滿足任務基本性能指標如時延的同時，有效降低整體系統(tǒng)能耗是一個值得關注的重要目標。本文的工作將用戶任務進行部分本地計算、部分卸載給配備邊緣服務器的RSU和RSU范圍內的空閑車輛進行計算以充分利用資源，用以降低系統(tǒng)總能耗。同時，本文考慮了各個計算節(jié)點的故障情況和車輛移動性對任務計算時長的影響，并針對節(jié)點故障提出任務再分配和重計算機制，以確保任務能夠完成。因為該優(yōu)化問題的特殊屬性，可以使用群智能優(yōu)化算法來求解，相較于文獻[12-13]中所使用的遺傳算法和模擬退火等群智能方法，麻雀搜索算法具有更好的收斂速度、收斂穩(wěn)定性和全局尋優(yōu)能力[14]。因此，本文采用更契合本文優(yōu)化問題的麻雀搜索算法來優(yōu)化任務分配以最小化系統(tǒng)總能量消耗。

1 車輛邊緣計算卸載系統(tǒng)模型

1.1 系統(tǒng)模型

圖1 車輛邊緣計算卸載系統(tǒng)模型

1.2 通信模型

用戶車輛到RSU的上行鏈路速率和接收信噪比（signal-to-noise ratio，SNR）可分別定義為[15]：

1.3 計算模型

1.4 考慮工作節(jié)點故障的重計算機制

在實際系統(tǒng)中，節(jié)點處理任務時可能會突發(fā)故障，因此需要在系統(tǒng)設計中考慮這種情況，以提高整個系統(tǒng)的穩(wěn)定性。在由多個計算節(jié)點連接組成的分布式計算系統(tǒng)（distributed computing system，DCS）中，可以采取一些策略來提高系統(tǒng)的可靠性，比如使用高可靠的處理單元硬件等。當DCS的硬件配置固定時，系統(tǒng)可靠性取決于如何將給定的計算任務分配到適當?shù)墓?jié)點上，以及每個節(jié)點成功執(zhí)行分配任務的概率[19-20]。本節(jié)將分析各個工作節(jié)點發(fā)生故障的情況。

如果節(jié)點在處理任務時沒有發(fā)生故障，即成功完成分配的任務，這種情況的概率定義為成功概率。反之，如果節(jié)點在處理任務時發(fā)生故障，將無法完成分配的任務，這種情況的概率定義為故障概率。節(jié)點的成功概率和故障概率可由如下計算式表示[21]。

因此，在進行重計算前，服務車輛計算任務經(jīng)歷的最大時延為：

此時整個計算卸載任務的系統(tǒng)總能耗為：

1.5 問題描述

分布式程序可靠性（distributed program reliability，DPR）是指分布式計算系統(tǒng)（DCS）中含有分布式文件的程序成功運行的概率。通過盡可能多地分配任務給節(jié)點來提高DCS可靠性是一個NP難問題[20,22]。式（26）是以DCS可靠性為基礎的一個問題，因此也是一個NP難問題，且具有非凸性。對于此類問題，利用群智能算法求解可在多項式時間內獲得近似最優(yōu)解，相比一般的搜索算法更高效。因此，本文采用麻雀搜索算法對以上優(yōu)化問題求解，并將其命名為基于麻雀搜索算法的計算卸載方案（sparrow search based computation offloading scheme，S2COS）。

2 基于麻雀搜索算法的計算卸載方案

在麻雀搜索算法中，麻雀種群分為發(fā)現(xiàn)者群體和加入者群體。選取群體中一定比例數(shù)量的位置較優(yōu)的若干麻雀作為發(fā)現(xiàn)者群體，每一次的迭代尋優(yōu)過程中都會更新發(fā)現(xiàn)者群體，種群中剩下的麻雀作為加入者群體，發(fā)現(xiàn)者負責全局搜索并為加入者提供覓食方向和區(qū)域，一旦發(fā)現(xiàn)者找到更好的位置，加入者便會向發(fā)現(xiàn)者方向飛去。在每一輪迭代的后期，隨機抽取一定數(shù)量的麻雀個體用作偵察預警，稱作偵察者，對應麻雀在自然界中的反捕食行為，如果偵察者發(fā)現(xiàn)危險則放棄覓食飛向新的位置[23]。

2.1 種群的設定和更新

發(fā)現(xiàn)者位置更新計算式如下：

加入者位置更新計算式如下：

偵察者的位置更新計算式如下：

2.2 適應度函數(shù)的設定和約束處理

算法1中描述了S2COS的具體流程。

算法1 S2COS算法

end for

使用式（28）對麻雀位置進行更新

end for

使用式（30）對麻雀位置進行更新

end for

使用式（31）對麻雀位置進行更新

end for

end while

3 仿真與分析

系統(tǒng)仿真基于由單個用戶車輛、單個RSU和多輛移動空閑車輛組成的如圖1所示的IoV系統(tǒng)。參數(shù)設定參考文獻[26-27]，并做了符合系統(tǒng)環(huán)境的參數(shù)調整，仿真參數(shù)及取值見表1。除非有明確說明，否則仿真都使用參數(shù)的默認值。

為理解所提S2COS的全面性能，考慮以下S2COS簡化應用方案并進行性能比較。

? 方案1：用戶車輛和服務車輛進行計算，RSU只轉發(fā)任務給服務車輛。

? 方案2：RSU和服務車輛進行計算，用戶車輛卸載全部任務。

? 方案3：用戶車輛和RSU進行計算，不使用服務車輛的計算資源。

另外，將所提S2COS和以下常用算法進行性能比較。

? 算法1：文獻[12]提出的優(yōu)化能量效率的模擬退火算法（simulated annealing algorithm，SA）。

? 算法2：文獻[13]提出的基于遺傳算法的卸載策略（genetic algorithm-based offloading strategy，GAO）。

表1 仿真參數(shù)及取值

不同方案和不同任務量對能耗和時延的影響如圖2所示。可以看出，所有方案的系統(tǒng)能耗都隨著任務量的增加而增加，其中，方案3的能耗最大且無法滿足時延要求。因為對于數(shù)據(jù)量大、時延要求高的任務而言，用戶車輛和RSU的計算資源相對有限。S2COS和方案2均可滿足任務時延要求，而S2COS使用了用戶車輛承擔一部分計算任務，可以通過合理的任務分配進一步降低整個系統(tǒng)能耗。方案1的系統(tǒng)能耗雖然最小，但以犧牲時延要求為代價，不適合時延要求高的任務，如輔助駕駛、路徑導航規(guī)劃等應用。

圖2 不同方案和不同任務量對能耗和時延的影響

不同的服務車輛數(shù)量和時延約束下，S2COS 的不同服務車輛數(shù)和不同時延約束下能耗對比如圖3所示，不同服務車輛數(shù)和不同時延約束下時延對比如圖4所示。結果表明，隨著服務車輛增多，系統(tǒng)能耗下降，且不同時延約束下的系統(tǒng)能耗性能差別逐步變小。這表明，隨著服務車輛增多，系統(tǒng)會表現(xiàn)出更好的魯棒性。這是因為更多的節(jié)點意味著更多的任務分配方式，因而可以進一步降低系統(tǒng)能耗。此外，從圖3中可以看到，當服務車輛數(shù)增加到6輛以上時，對于時延約束相對寬松的0.65 s的情況，系統(tǒng)的能耗已經(jīng)相差無幾，這表明當服務車輛數(shù)達到一定數(shù)量后，系統(tǒng)能耗將難以進一步優(yōu)化。因此，對于在不同時延約束、不同任務量的條件下，選擇合適的服務車輛數(shù)可能是未來值得研究的。圖4顯示S2COS在不同服務車輛數(shù)量時均可滿足時延約束。

圖3 S2COS的不同服務車輛數(shù)和不同時延約束下能耗對比

圖4 不同服務車輛數(shù)和不同時延約束下時延對比

為了評估重計算機制對系統(tǒng)性能的提升，本文對比了S2COS方案在重計算機制和無重計算機制時的性能。在無重計算機制中，所有故障節(jié)點的任務退還給用戶車輛計算。重計算機制與無重計算機制的比較如圖5所示，設定任務的時延約束為0.55 s，隨著總任務量增加，系統(tǒng)的能耗也隨之增加，且考慮節(jié)點故障并進行重計算的系統(tǒng)的能耗要比沒有重計算機制的系統(tǒng)顯著降低。另外，無重計算的系統(tǒng)當任務量大于800 KB時無法滿足時延約束，而有重計算的系統(tǒng)將此指標提升至950 KB。這是因為，在無重計算的系統(tǒng)中，不成功的任務只能退還給用戶車輛計算，而有重計算的系統(tǒng)會提前考慮節(jié)點故障情況并通過任務再分配盡可能降低系統(tǒng)能耗。

圖5 重計算機制與無重計算機制的比較

不同系統(tǒng)環(huán)境下有無重計算機制的對比如圖6所示，進一步評估了不同節(jié)點故障率對于系統(tǒng)性能的影響，將任務量設定成800 KB，復雜度設定為7 500，時延約束設定0.5 s。本文假設在每一個故障率區(qū)間內，故障率遵循均勻分布并將故障率大于0.1的區(qū)間定義為惡劣系統(tǒng)環(huán)境。由圖6可知，系統(tǒng)的能耗會隨著故障率的升高而升高。相比無重計算機制，重計算機制可顯著降低系統(tǒng)能耗，并可滿足時延要求，無重計算機制在平均故障率大于0.2 s時無法滿足時延要求。這說明所提方案在惡劣系統(tǒng)環(huán)境下仍具有良好的魯棒性。

圖6 不同系統(tǒng)環(huán)境下有無重計算機制的對比

不同算法的系統(tǒng)能耗對比如圖7所示，顯示了S2COS和其他兩個常用對比算法的系統(tǒng)能耗比較，任務復雜度設置為6 500。可以看出，隨著任務量的增加各算法所需系統(tǒng)能耗都會增加，所提方案相較于其他兩種算法擁有更好的全局搜索最優(yōu)解能力，在時延約束下，可找到更好的任務卸載比例和任務分配卸載決策以達到最低的系統(tǒng)能耗，避免了能量的浪費，有效降低系統(tǒng)能耗。

圖7 不同算法的系統(tǒng)能耗對比

4 結束語

本文針對一個由RSU、用戶車輛和多個服務車輛組成的車聯(lián)網(wǎng)系統(tǒng)，提出了一種聯(lián)合卸載方案S2COS。該方案引入RSU范圍內服務車輛的計算資源，在滿足任務時延要求的前提下，通過獲得最優(yōu)的任務分配方式最大限度地降低系統(tǒng)能耗。此外，所提出的方案考慮每種節(jié)點的故障情況，提出一種故障節(jié)點任務重計算機制。仿真結果表明，S2COS在滿足時延要求和降低能耗方面相對于對比方案和其他算法具有明顯優(yōu)勢，并且具備良好的優(yōu)化效果。未來計劃將工作擴展到多RSU小區(qū)場景，研究資源的分配和因車輛的移動性而產(chǎn)生的信道時變對系統(tǒng)的影響。

[1] ZHUANG W, YE Q, LYU F, et al. SDN/NFV-empowered future IoV with enhanced communication, computing, and caching[J]. Proceedings of the IEEE, 2019, 108(2): 274-291.

[2] 王鯤, 董振江, 楊凡, 等. 基于C-V2X的車路協(xié)同自動駕駛關鍵技術與應用[J]. 電信科學, 2023, 39(3): 45-60. WANG K, DONG Z J, YANG F, et al. Key technologies and applications of C-V2X based vehicle-infrastructure cooperative autonomous driving[J]. Telecommunications Science, 2023, 39(3): 45-60.

[3] WANG J, FENG D, ZHANG S, et al. Computation offloading for mobile edge computing enabled vehicular networks[J]. IEEE Access, 2019(7): 62624-62632.

[4] LIU C, LI K, LI K. A game approach to multi-servers load balancing with load-dependent server availability consideration[J]. IEEE Transactions on Cloud Computing, 2021, 9(1): 1-13.

[5] FAN W, HAN J, YAO L, et al. Latency-energy optimization for joint Wi-Fi and cellular offloading in mobile edge computing networks[J]. Computer Networks, 2020(181): 107570.

[6] XU X, XUE Y, LI X, et al. A computation offloading method for edge computing with vehicle-to-everything[J]. IEEE Access, 2019(7): 131068-131077.

[7] REN C, ZHANG G, GU X, et al. Computing offloading in vehicular edge computing networks: full or partial offloading?[C]//Proceedings of 2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC). Piscataway: IEEE Press, 2022: 693-698.

[8] DAI Y, XU D, MAHARJAN S, et al. Joint load balancing and offloading in vehicular edge computing and networks[J]. IEEE Internet of Things Journal, 2019, 6(3): 4377-4387.

[9] WANG H, LI X, JI H, et al. Federated offloading scheme to minimize latency in MEC-enabled vehicular networks[C]//Proceedings of 2018 IEEE Globecom Workshops (GC Wkshps). Piscataway: IEEE Press, 2018: 1-6.

[10] FAN W, LIU J, HUA M, et al. Joint task offloading and resource allocation for multi-access edge computing assisted by parked and moving vehicles[J]. IEEE Transactions on Vehicular Technology, 2022, 71(5): 5314-5330.

[11] ZHANG H, WANG Z, LIU K, et al. V2X offloading and resource allocation in SDN-assisted MEC-based vehicular networks[J]. China Communications, 2020, 17(5): 266-283.

[12] 王艷閣, 奚建清. 具有隱私保護的車聯(lián)網(wǎng)邊緣計算任務卸載資源分配策略[J]. 計算機工程與設計, 2023, 44(2): 372-378. WANG Y G, XI J Q. Privacy preserving resource allocation strategy for edge computing task offloading in internet of vehicles[J]. Computer Engineering and Design, 2023, 44(2): 372-378.

[13] 余翔, 劉一勛, 石雪琴, 等. 車聯(lián)網(wǎng)場景下的移動邊緣計算卸載策略[J]. 計算機工程, 2020, 46(11): 29-34. YU X, LIU Y X, SHI X Q, et al. Mobile edge computing offloading strategy under Internet of vehicles scenario[J]. Computer Engineering, 2020, 46(11): 29-34.

[14] 李雅麗, 王淑琴, 陳倩茹, 等. 若干新型群智能優(yōu)化算法的對比研究[J]. 計算機工程與應用, 2020, 56(22): 1-12. LI Y L, WANG S Q, CHEN Q R, et al. Comparative study of several new swarm intelligence optimization algorithms[J]. Computer Engineering and Applications, 2020, 56(22): 1-12.

[15] LIU J, WANG Y, ZHANG W, et al. A novel offloading and resource allocation scheme for time-critical tasks in heterogeneous internet of vehicles[C]//Proceedings of 2023 2nd International Conference for Innovation in Technology (INOCON). Piscataway: IEEE Press, 2023: 1-7.

[16] RAZA S, LIU W, AHMED M, et al. An efficient task offloading scheme in vehicular edge computing[J]. Journal of Cloud Computing, 2020(9): 1-14.

[17] GUO S T, XIAO B, YANG Y, et al. Energy-efficient dynamic offloading and resource scheduling in mobile cloud computing[C]//Proceedings of IEEE INFOCOM 2016-The 35th Annual IEEE International Conference on Computer Communications. Piscataway: IEEE Press, 2016: 1-9.

[18] WANG Y, SHENG M, WANG X, et al. Mobile-edge computing: partial computation offloading using dynamic voltage scaling[J]. IEEE Transactions on Communications, 2016, 64(10): 4268-4282.

[19] PLANK J S, ELWASIF W R. Experimental assessment of workstation failures and their impact on checkpointing systems[C]//Proceedings of Digest of Papers, Twenty-Eighth Annual International Symposium on Fault-Tolerant Computing (Cat. No. 98CB36224). Piscataway: IEEE Press, 1998: 48-57.

[20] VIDYARTHI D P, TRIPATHI A K. Maximizing reliability of distributed computing system with task allocation using simple genetic algorithm[J]. Journal of Systems Architecture, 2001, 47(6): 549-554.

[21] LAWLESS J F. Statistical models and methods for lifetime data[M]. Hoboken: John Wiley & Sons, 2011.

[22] LIN M S, CHEN D J. The computational complexity of the reliability problem on distributed systems[J]. Information Processing Letters, 1997, 64(3): 143-147.

[23] 薛建凱. 一種新型的群智能優(yōu)化技術的研究與應用[D]. 上海: 東華大學, 2020.XUE J K. Research and application of a new swarm intelligence optimization technology[D]. Shanghai: Donghua University, 2020.

[24] 陳剛, 林東, 陳飛, 等. 基于 Logistic 回歸麻雀算法的圖像分割[J]. 北京航空航天大學學報, 2021, 49(3): 636-646. CHEN G, LIN D, CHEN F, et al. Image segmentation based on logistic regression sparrow algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 49(3): 636-646.

[25] WU G, MALLIPEDDI R, SUGANTHAN P N. Problem definitions and evaluation criteria for the CEC 2017 competition on constrained real-parameter optimization[R]. 2017.

[26] DINH T Q, TANG J, LA Q D, et al. Offloading in mobile edge computing: task allocation and computational frequency scaling[J]. IEEE Transactions on Communications, 2017, 65(8): 3571-3584.

[27] GUO H, LIU J, REN J, et al. Intelligent task offloading in vehicular edge computing networks[J]. IEEE Wireless Communications, 2020, 27(4): 126-132.

A computation offloading scheme for energy consumption optimization in Internet of vehicles

GAO Wenxuan1, YANG Xinjie1,2

1. Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo 315211, China 2.State key Laboratory of Networking and Switching Technology (Beijing University of Posts and Telecommunications), Beijing 100876, China

In Internet of vehicles (IoV), vehicle-oriented applications are generally computation-intensive and latency-sensitive. Introducing idle computing resources from mobile vehicles as a supplement to network computing power can effectively alleviate the load pressure on edge servers. The problem of task allocation for edge computation offloading in the context of IoV environment were researched. By fully leveraging the combined computing resources of roadside units (RSU), user vehicles, and mobile vehicles within the RSU service range, a computation offloading strategy based on the sparrow search algorithm was proposed and referred to as sparrow search based computation offloading scheme (S2COS), aiming to optimize the overall system energy consumption. In addition, this strategy fully taked into account practical network issues such as service time constraints caused by vehicle mobility and the potential occurrence of computation node failures. The simulation results demonstrate that S2COS can meet the latency requirements for computation-intensive and latency-sensitive tasks, while significantly reducing system energy consumption.

Internet of vehicles, computation offloading, node failure, sparrow search algorithm

The Ningbo Municipal Natural Science Foundation (No.2019A610073), Open Foundation of State key Laboratory of Networking and Switching Technology (Beijing University of Posts and Telecommunications) (No.SKLNST-2021-1-12)

TP393

A

10.11959/j.issn.1000?0801.2023189

2023?07?19；

2023?09?28

寧波市自然科學基金資助項目（No.2019A610073）；網(wǎng)絡與交換技術全國重點實驗室（北京郵電大學）開放課題資助項目（No.SKLNST-2021-1-12）

高文軒（1998? ），男，寧波大學碩士生，主要研究方向為車聯(lián)網(wǎng)系統(tǒng)的資源管理和性能優(yōu)化。

楊新杰（1971? ），男，寧波大學信息科學與工程學院教授、碩士生導師，主要研究方向為下一代移動通信系統(tǒng)架構、移動物聯(lián)網(wǎng)接入技術、協(xié)作中繼網(wǎng)絡性能等。