VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
55
ANÁLISIS DEL DESEMPEÑO DE LA ANTIGÜEDAD DE LA
INFORMACIÓN EN UNA RED LTE-A PARA APLICACIONES DE
INTERNET DE LAS COSAS
PERFORMANCE ANALYSIS OF THE AGE OF INFORMATION IN AN
LTE-A NETWORK FOR INTERNET OF THINGS APPLICATIONS
Ronald Patricio Vaca Guadalupe
1
, Luis Tello-Oquendo
2
ronald.vaca@unach.edu.ec
1
, luis.tello@unach.edu.ec
2
Fecha de recepción: 09/09/2025 / Fecha de aceptación: 14/09/2025 / Fecha de publicación: 15/09/2025
RESUMEN: Un sistema ciberfísico (CPS) integra sensores, actuadores y redes de
comunicación que permiten la interacción continua entre el entorno físico y el digital. Las
actualizaciones de información oportunas en este tipo de sistemas son críticas. El objetivo de
esta investigación es analizar el desempeño de la métrica Antigüedad de la Información (AoI)
en un CPS. Este sistema utiliza conectividad celular basado en LTE-Advanced (LTE-A) para
aplicaciones de Internet de las Cosas (IoT) en tiempo real. Se desarrolló una investigación
cuantitativa de tipo experimental-simulada, utilizando un simulador de eventos discretos
implementado en Python y funciones complementarias en MATLAB. El estudio se centró en el
canal de acceso aleatorio (RACH) y evaluó indicadores clave como la AoI promedio, la
probabilidad de acceso exitoso y el número de transmisiones de preámbulo. Los resultados
evidencian que un mayor número de dispositivos y una mayor frecuencia de actualizaciones
incrementan la AoI, reducen la probabilidad de acceso exitoso y aumentan la carga sobre el
RACH. Además, se demostró que los patrones de generación de actualizaciones asincrónicos de
generación de mensajes (Phi2) ofrecen mejor rendimiento que los sincronizados (Phi1) en
condiciones de alta demanda de tráfico. En conclusión, la métrica AoI se confirma como un
indicador eficaz para dimensionar redes celulares IoT y diseñar estrategias dinámicas de gestión
de recursos en escenarios de tráfico masivo.
Palabras clave: Antigüedad de la Información, sistemas celulares, comunicaciones máquina-
máquina, análisis de desempeño, fábrica inteligente
ABSTRACT: A cyber-physical system (CPS) integrates sensors, actuators, and communication
networks that enable continuous interaction between the physical and digital environments.
1
Posgrado, Universidad Nacional de Chimborazo, Riobamba 060108, Ecuador, https://orcid.org/0009-0007-2780-2010.
2
College of Engineering, Universidad Nacional de Chimborazo, Riobamba 060108, Ecuador, https://orcid.org/0000-0002-5274-
666X
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
56
Timely updates of information in this kind of system are critical. The objective of this research
is to analyze the performance of the Age of Information (AoI) metric in a CPS. This system uses
cellular connectivity based on LTE-Advanced (LTE-A) for real-time Internet of Things (IoT)
applications. A quantitative research study of an experimental-simulated type was developed,
using a discrete event simulator implemented in Python and complementary functions in
MATLAB. The study focused on the random access channel (RACH) and evaluated key indicators
such as the average AoI, the probability of successful access, and the number of preamble
transmissions. The results show that a higher number of devices and a greater frequency of
updates increase the AoI, reduce the probability of successful access, and increase the load on
the RACH. Moreover, it was demonstrated that asynchronous message generation update
patterns (Phi2) offer better performance than synchronized ones (Phi1) under high traffic
demand conditions. In conclusion, the AoI metric is confirmed as an effective indicator for
dimensioning IoT cellular networks and designing dynamic resource management strategies in
massive traffic scenarios.
Keywords: Age of Information, cellular systems, machine-type communications, performance
analysis, smart factory
INTRODUCCIÓN
Un sistema ciberfísico (CPS) es un sistema a gran escala, interconectado e integrado mediante el
mundo cibernético a través de la computación, una red de comunicación y componentes que
interactúan con el entorno físico (sensores y actuadores) (1). En este sistema, los procesos físicos
afectan a la computación y viceversa mediante la transmisión y recepción de datos utilizando
ciclos de retroalimentación por medio de una red de comunicación. Los CPS tienen aplicaciones
en múltiples áreas y disciplinas, incluyendo medicina y salud, suministro y consumo de energía,
transporte y automóviles, agricultura, automatización industrial y manufactura, entre otras. La
aplicación de un CPS en un sistema de producción industrial se denomina sistema de producción
ciberfísico (CPPS), dando lugar a lo que actualmente se conoce como fábrica inteligente (2).
Las redes inalámbricas basadas en tecnología 5G son prometedoras para proporcionar
conectividad a los CPS. Dentro del ámbito de las redes inalámbricas 5G en aplicaciones en tiempo
real, la «Antigüedad de la Información» (AoI) ha surgido como una métrica interesante que
cuantifica con qué frecuencia se actualiza la información del estado de un sistema dentro de las
aplicaciones subyacentes (3), (5). Desde una perspectiva de sistema, las aplicaciones en tiempo
real comparten una descripción común: una fuente (sensor o sistema remoto) genera mensajes
de actualización del estado con sello temporal, los cuales se transmiten por la red de
comunicación hacia uno o más monitores. El conocimiento del estado del sensor o sistema
remoto debe ser lo más oportuno posible (2). La dificultad para que los monitores en una red
reciban información actualizada oportunamente motivó esta investigación.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
57
En este estudio se considera un conjunto de sensores con vida útil limitada de batería que
monitorean un conjunto de procesos estocásticos en una fábrica inteligente (1), (2). Estos
sensores comparten un canal de acceso inalámbrico basado en tecnología 5G para transmitir sus
muestras hacia un controlador, quien realiza su posterior procesamiento (6). A continuación, el
controlador envía el comando de control necesario al actuador correspondiente para controlar el
proceso subyacente. Una vez terminada esta acción de control, se detecta nuevamente el cambio
de estado del proceso y se repite el ciclo anterior hasta alcanzar el número máximo de iteraciones
(4). Con el fin de mantener estable un CPS basado en tecnología inalámbrica 5G que controla
procesos tecnológicos, cuyo fallo podría provocar una interrupción del CPS, una parada temporal
de los procesos operados en la planta u otras consecuencias potencialmente graves (como la
toma de decisiones antes o después del momento adecuado), se requiere una red con dinámicas
en constante cambio que actualice continuamente los estados del sistema y las tareas en curso
(5), (7). Estas actualizaciones se logran a través del intercambio de información de estado que es
crítica en el tiempo, impulsada por eventos o por el tiempo (8), (9).
La tecnología IoT celular (CIoT, por sus siglas en inglés) se ha convertido en una tecnología que
permite proporcionar conectividad a dispositivos IoT y dar soporte a las Comunicaciones de Tipo
Máquina (MTC) (6), (7). CIoT se basa en tecnologías de redes celulares como LTE-Advanced (LTE-
A) y quinta generación (5G) (17), (18). Estas redes han experimentado un rápido crecimiento, y la
ubicuidad de los dispositivos y las diferentes aplicaciones han aumentado significativamente la
demanda de mensajes de actualización del estado de los sistemas en tiempo real (10), (11). Por
lo tanto, estas redes se enfrentan al aumento en la demanda y al incremento del tráfico generado
por las actualizaciones de información de estado, lo que puede provocar situaciones de
sobrecarga. Estas situaciones deben gestionarse eficientemente para evitar la pérdida de datos o
que se entregue información obsoleta al centro de control, donde se llevan a cabo el análisis y la
toma de decisiones (12), (13).
La frecuencia con la que se generan los mensajes de actualización de información del estado de
un sistema (siguiendo ciertos patrones en la fuente) y el protocolo de acceso aleatorio (RA)
utilizado en la red de acceso por radio (RAN) desempeñan un papel importante en la provisión de
actualizaciones oportunas. Existe un compromiso entre la capacidad del canal de acceso aleatorio
(conocido como RACH) y la generación de mensajes de actualización de información del estado
de un sistema (17), (18). Si el canal RACH tuviera capacidad infinita, generar mensajes de
actualización del estado con mayor frecuencia implicaría mejores indicadores clave de
rendimiento (KPIs); pero dado que este no es el caso en implementaciones reales, una mayor
frecuencia de generación de mensajes incrementa la carga de tráfico, lo que resulta en mayores
retardos en el RACH e incluso pérdidas de información (19). Sin embargo, disminuir la frecuencia
podría deteriorar seriamente la frescura de la información de estado, especialmente en
aplicaciones IoT/CPS en tiempo real (20).
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
58
Este artículo tiene como objetivo estudiar el impacto que tienen los diferentes patrones de
generación de actualizaciones del estado en la red de acceso por radio del CIoT desde la
perspectiva de la AoI (3), (8), (19), (20). Para evaluar el rendimiento de la RAN se desarrolló un
simulador basado en eventos discretos de la RAN 5G utilizando Python. Además, se realizaron
simulaciones independientes en MATLAB para corroborar los resultados (12), (14). Se emplearon
dos tipos de tráfico en cada simulación, MTC y tráfico Humano a Humano (H2H), con diferentes
intensidades de solicitudes de acceso (17), (18). Esto permitió analizar el impacto de los patrones
de actualización de información del estado con diferentes frecuencias en el rendimiento de la
RAN en un CPS con conectividad CIoT (10).
El documento se estructura de la siguiente manera: en la Sección II se describe la metodología,
incluyendo la definición de AoI, los esquemas de generación de actualizaciones y detalla los
parámetros de configuración de la red y los indicadores de desempeño (KPIs) empleados en la
evaluación de la red (15), (18). Posteriormente, en la Sección III se presentan y analizan los
resultados. La Sección IV introduce la discusión. Finalmente, la Sección V proporciona las
conclusiones y las líneas de trabajo futuro.
MATERIALES Y MÉTODOS
1. Modelo del sistema
El sistema considerado está compuesto por una estación base (gNB) que atiende de manera
simultánea a equipos de usuario (UEs) de tipo MTC y H2H (6), (7). En el instante inicial ,
todos los UEs se encuentran inactivos y desconectados. A partir de ese momento, los UEs MTC
generan mensajes de actualización del estado con una frecuencia determinada por los patrones
de generación descritos en la Sección II.5 (3), (19), (20). Cada vez que se produce un mensaje, el
UE cambia de inactivo a conectado, estableciendo comunicación con la BS mediante el
procedimiento de acceso aleatorio (RA) presentado en la Sección II.2 (15), (16), (17).
Para incorporar tráfico de fondo H2H y aproximar el entorno a condiciones reales de red, se
utilizaron registros de llamadas (Call Detail Records, CDR) proporcionados por el operador
Telecom Italia en el marco del Big Data Challenge 2014 (12), (14).
El acceso aleatorio puede operar en dos modalidades: sin contienda (contention-free) y con
contienda (contention-based). La primera se aplica en situaciones críticas como traspasos de
conexión o llegada de datos en el enlace descendente, mientras que la segunda constituye el
modo estándar utilizado en la mayoría de los accesos de red (15). En este último, los intentos de
acceso se realizan en intervalos de tiempo y frecuencia predefinidos, conocidos como
oportunidades de acceso aleatorio (RAOs). La estación base anuncia periódicamente la
disponibilidad de RAOs a través del parámetro PRACH Configuration Index, cuya periodicidad
varía entre 1 RAO cada trama (10 ms) y 10 RAOs por trama (1 RAO por ms) (16), (17).
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
59
El canal físico de acceso aleatorio (PRACH) transporta los preámbulos necesarios para iniciar la
conexión en la RAN. Cada celda dispone de hasta 64 preámbulos ortogonales (16). En el modo sin
contienda, estos se asignan de forma coordinada para evitar colisiones y solo pueden emplearse
en intervalos específicos por UEs previamente autorizados (15). En el modo con contienda, los
preámbulos se seleccionan de manera aleatoria, lo que introduce la posibilidad de colisiones
entre dispositivos. En tal caso, es indispensable un procedimiento de resolución de contienda
(17), (18). En lo que sigue, el presente trabajo se centra en el análisis del acceso aleatorio con
contienda, dado que representa el escenario más crítico para el rendimiento del sistema.
Fuente: (12), (14)
Esta formulación metodológica constituye el marco de simulación adoptado en el estudio. El
enfoque es de carácter cuantitativo y computacional, basado en el modelizado matemático de
los procedimientos de acceso y en la implementación de simulaciones para evaluar el
comportamiento del sistema bajo diferentes condiciones de tráfico (12), (14), (17), (18).
Tabla 1. Resumen de notaciones
Notación
R
W
RAR
UID
ϕ
Phi1
Phi2
Tu
U
K
ηA
ηT
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
60
2. Proceso de acceso aleatorio basado en contención
La Figura 1 ilustra el procedimiento de acceso aleatorio implementado, que cumple con los
estándares del 3GPP. Este procedimiento implica el intercambio de cuatro mensajes entre el
equipo de usuario (UE) y la estación base (gNB). Para más detalles, consulte las referencias (10),
(12), (14), (17), (18).
Figura. 1. Proceso de acceso aleatorio basado en contención.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
61
Es necesario tomar en cuenta que se creó un bloque de proceso de control (Actualizar proceso
por ID de dispositivo en la Figura 1) para los mensajes de actualización del estado del sistema, con
el fin de asegurar que la gNB reciba información precisa y actualizada del estado del sistema
generada por los dispositivos, los cuales son identificados mediante una variable U
ID
. La Sección
II.4 proporciona una explicación detallada de este proceso.
3. Antigüedad de la información (AoI)
Desde la perspectiva del sistema, las aplicaciones en tiempo real comparten una descripción
común: una fuente (sensor o sistema remoto) genera mensajes de actualización de estado con
sello temporal que se transmiten a través de la red de comunicación hacia uno o más monitores.
El conocimiento del estado del sensor o sistema remoto debe ser lo más oportuno posible en la
red. Los monitores deben recibir información del estado del sistema de forma oportuna, lo cual
se define como la edad de la actualización de estado más reciente que un monitor ha recibido.
3.1. Definición:
Sea un nodo fuente encargado de muestrear un proceso dinámico que varía en el tiempo y
transmitir dicho estado a través de un canal de comunicación inalámbrico sujeto a retardos. La
métrica AoI en el destino se define como el intervalo transcurrido desde la generación de la última
actualización recibida (19), (20). Siendo
󰆒
el instante en que una actualización de estado es
recibida en el destino, y ξ el tiempo de observación. El índice de la actualización más reciente que
ha llegado se expresa como:
󰇛
󰇜
󰇝
󰆒
󰇞 (1)
y la marca temporal correspondiente a esa actualización es:
󰇛
󰇜
󰇛󰇜
(2)
La AoI en el destino se describe como un proceso aleatorio:
󰇛󰇜 󰇛󰇜 (3)
Consideremos que en se inicia la observación del sistema, la AoI en el destino es 󰇛󰇜

. La actualización de estado se genera en el tiempo
y el destino la recibe en el tiempo
󰆒
.Entre

󰆒
y
󰆒
, no se reciben actualizaciones en el destino, por lo tanto, la AoI aumenta
linealmente con el tiempo. Al recibir una actualización de estado, la AoI se reinicia al valor del
retardo experimentado por el paquete que transporta dicha actualización al atravesar el canal.
El tiempo transcurrido entre la generación de la actualización y la inmediatamente anterior se
define como el intervalo de tiempo transcurrido desde la generación de la actualización hasta la
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
62
generación de la actualización anterior. A este tiempo se le denomina
y es una variable
aleatoria:

(4)
Además,
󰆒
(5)
Al tomar
como el tiempo de actualización del sistema i, que representa el retardo introducido
por la transferencia a través del canal. Considerando que el intervalo de observación es desde
 hasta 
󰆒
, expresamos el número de llegadas durante un tiempo determinado
como 󰇛󰇜:
󰇛󰇜 󰇝
󰆒
󰇞 (6)
Entonces, en
󰆒
al denotar 󰇝󰇛󰇜󰇞, la edad 󰇛
󰆒
󰇜 se reinicia a
󰆒
. La
dinámica de la AoI en el destino refleja la frescura de la información que proviene de la fuente.
Cada vez que llega un paquete actualizado, la métrica se reinicia, y en el intervalo hasta la
siguiente actualización vuelve a crecer de manera lineal. Este comportamiento se caracteriza por
un patrón en forma de dientes de sierra, lo que evidencia claramente el ciclo de aumento y
reinicio de la métrica, como se muestra en la Figura 2 (19), (20).
Figura 2. AoI a lo largo del tiempo (20).
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
63
3.2. Edad promedio de la información (
):
La manera más utilizada para caracterizar la AoI de una fuente en el destino consiste en calcular
su valor promedio a lo largo del tiempo, denotado también como 
(19), (20). Un valor reducido
de esta métrica implica que, en promedio, la información del estado almacenada por el monitor
es más reciente y, por lo tanto, representa con mayor fidelidad la condición real del sistema
observado. La 
sobre un intervalo de duración se obtiene considerando el área bajo la
curva de la Figura 2 durante dicho intervalo, normalizada respecto al tiempo total (8, 9).
Considerando un intervalo de tiempo
󰇛

󰇜
para la observación, la 
de un sistema de
actualización de estado se expresa como:

󰇛󰇜
(7)
Si se considera el instante inicial , el área bajo la curva puede descomponerse en diferentes
elementos geométricos: el área del polígono
, los trapecios
para 󰇝󰇛󰇜󰇞, y el
área triangular con base
, al cual se designa como
. A partir de esta descomposición, la
expresión de la 
se reescribe de manera que cada componente corresponde a la contribución
de una de estas áreas en el cálculo del promedio dando lugar a:

󰇡
󰇛
󰇜

󰇢

󰇛
󰇜

󰇛
󰇜

󰇛
󰇜

(8)
3.3. Evaluación computacional de AoI:
Como complemento a la evaluación de desempeño realizada con el simulador de eventos
discretos en Python, se implementaron también funciones específicas en MATLAB para analizar
de manera detallada el comportamiento temporal de la métrica AoI, tal como se muestra en el
Algoritmo 1. Estas funciones permitieron calcular la AoI promedio en diferentes escenarios y
contrastar los resultados.
Cabe señalar que la validación del simulador se efectuó a través de dos enfoques: en primer lugar,
se compararon los resultados generados en Python y MATLAB, observándose una coincidencia
consistente en las tendencias de las métricas; en segundo lugar, se verificó que dichos resultados
fueran coherentes con los comportamientos descritos en investigaciones previas sobre LTE-A y
comunicaciones masivas de tipo máquina (3), (8), (17). Aunque no se dispuso de un entorno físico
de pruebas, la doble verificación mediante distintas plataformas de simulación y la concordancia
con la literatura garantizan la fiabilidad y solidez de los resultados. Estas funciones permiten
calcular de forma precisa la AoI promedio en distintos escenarios:
• ‘sourceTemporalMean_AoI’: calcula la AoI media temporal directamente desde la fuente,
bajo el supuesto de que no existen retardos de transmisión. Este análisis se fundamenta en
la integración de áreas triangulares entre actualizaciones, siguiendo la fórmula:
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
64

󰇛
󰇜
󰇛

󰇜


󰇛󰇜
donde 
󰇛
󰇜
es la edad promedio de la información,
es el tiempo total de
información y 󰇛

󰇜
es el área triangular bajo la curva de AoI.
• ‘temporalMean_AoI’: evalúa la AoI considerando retardos de red o transmisiones no
instantáneas. Utiliza la interpolación trapezoidal entre actualizaciones, aplicando la
fórmula:

󰇛
󰇜

󰇛󰇛
󰇜

󰇜


󰇛󰇜
donde 󰇛
󰇜 es el valor de AoI justo antes de la actualización, 

es la duración
del intervalo entre actualizaciones.
• ‘aggregate_AoI’: construye una curva de AoI agregada a partir de múltiples usuarios bajo
modos de agregación promedio:


󰇛
󰇜

󰇛
󰇜

󰆒

󰇛

󰇜
donde 

󰇛
󰇜
es la Edad de la Información agregada, 
󰇛
󰇜
es AoI del usuario en el instante
y es el número total de usuarios.
Estas funciones que se utilizan en el Algoritmo de la Tabla 4 se integraron al flujo metodológico
para validar cuantitativamente las curvas de AoI generadas en las simulaciones, así como para
explorar comportamientos extremos y casos límite del sistema. La comparación entre las curvas
derivadas de simulación y las obtenidas por integración directa en MATLAB refuerza la
confiabilidad de los resultados presentados en la Sección III.
4. Proceso de control de los mensajes de actualización del estado del sistema
Durante el intervalo entre 

y 
, la gNB controla el proceso de los mensajes de
actualización de información del estado. En este período, cada UE genera mensajes de
actualización indistintamente, lo que da lugar a dos escenarios distintos.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
65
Figura 3. Diagrama de flujo del proceso de control de los mensajes de actualización del estado por dispositivo
IoT.
Un UE llega y es transmitido en el siguiente RAO. En el segundo escenario, múltiples paquetes de
un determinado UE se reciben dentro del mismo RAO, es necesario aplicar un procedimiento de
depuración para descartar la información desactualizada y conservar únicamente la actualización
más reciente en el lado del UE.
El mecanismo de depuración y eliminación de mensajes de actualización del estado abarca
distintas fases secuenciales, representadas en la Figura 3, donde la matriz

guarda información
de varios UEs, incluyendo las marcas temporales de las actualizaciones y el número de
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
66
transmisiones de preámbulo realizadas. El proceso de control de actualizaciones por ID de
dispositivo consiste en lo siguiente:
4.1. Descartar de acuerdo con la marca de tiempo de tiempo de generación: Conservando así
el mensaje de actualización de estado más reciente.
4.2. Descartar según el número de transmisiones de preámbulo: Cada dispositivo tiene un
máximo de 10 intentos para enviar el preámbulo, según lo indicado en (21). Una vez
superada la primera depuración, se selecciona el valor correspondiente a la variable
indicada y aquel con el menor número de intentos, ya que entre cada intento de envío del
preámbulo se añade un cierto retardo, lo cual afecta la frescura del mensaje de
actualización del estado que será enviado.
En caso de que más de dos mensajes de actualización de estado hayan superado las dos
etapas de depuración anteriores, se propone una tercera.
4.3. Descartar con base en la marca de tiempo de cada mensaje de actualización: De este
modo, se selecciona el que tenga la marca de tiempo más reciente, representando así el
estado más actualizado del sistema. Finalmente, si aún hay más de un mensaje de
actualización de estado, se elige aleatoriamente uno solo entre los disponibles para ser
procesado.
5. Patrones de generación de mensajes de actualización del estado del sistema
Se definieron dos patrones diferentes de generación de mensajes de actualización del estado
desde la fuente para el tráfico MTC, los cuales utilizan distintas frecuencias de actualización. Estos
son:
5.1. El tiempo no varía entre actualizaciones con dispositivos sincronizados (Phi1): Todos los
dispositivos IoT generan mensajes de actualización de estado en
, con
󰇝󰇞
5.2. El tiempo no varía entre actualizaciones con dispositivos no sincronizados (Phi2): El
dispositivo IoT genera mensajes de actualización de estado en
, con 󰇝󰇞
Se debe tener en cuenta que el tiempo está dividido en intervalos (slots), y el tiempo entre
actualizaciones
es equivalente al inverso de la tasa de llegada de actualizaciones, es decir:
󰇛

󰇜

; 
. La diferencia fundamental entre ambos patrones radica en que,
en el esquema sincronizado, todos los dispositivos generan actualizaciones al mismo tiempo,
mientras que, en el asincrónico, cada dispositivo lo hace en instantes distintos, evitando la
coincidencia simultánea de mensajes.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
67
6. Parámetros de configuración de la red y métricas de desempeño
Para la evaluación de las propuestas se implementó un simulador de eventos discretos que
representa la red de acceso por radio (RAN) 5G para evaluar las propuestas (12), (14), (17), (18).
El sistema acomoda tráfico MTC y H2H en cada simulación, con diferentes intensidades de
solicitudes de acceso (15), (16). El procedimiento de acceso aleatorio, descrito en la Sección II,
fue replicado utilizando los parámetros resumidos en la Tabla 2. Las simulaciones se ejecutaron j
veces hasta que el promedio de los resultados de la simulación j difiriera en menos del 1% con
respecto a la simulación (17). El simulador proporciona la flexibilidad de seleccionar los
parámetros de interés, tales como: tipo de tráfico, número de dispositivos, temporización,
procesamiento y características del canal. Además, es posible ajustar el número de preámbulos
disponibles, la prioridad de acceso, el tamaño de la ventana de retroceso y los temporizadores de
contención, entre otros. Las simulaciones se realizaron considerando los parámetros listados en
la Tabla 3.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
68
Fuente: (15), (16)
Tabla 2. Configuración RACH.
Parámetro
Configuración
Índice de configuración PRACH
  
Periodicidad de los RAOs
5 ms
Longitud de subtrama
1 ms
Preámbulos disponibles para acceso aleatorio por
contienda
 
Número máximo de transmisiones de preámbulo
 
Tamaño de la ventana RAR


Número máximo de concesiones UL por subtrama


Número máximo de concesiones UL por ventana RAR





Temporizador de retroceso (Backoff)
 
Temporizador de resolución de contención
48 subtramas
Probabilidad de retransmisión para Msg3 y Msg4
0.1
Número máximo de transmisiones de Msg3 y Msg4
5
Retardo de procesamiento del preámbulo
2 subtramas
Retardo de procesamiento de la concesión subida
5 subtramas
Retardo de procesamiento de solicitud de conexión
4 subtramas
Tiempo de ida y vuelta (RTT) de Msg3
5 subtramas
RTT de Msg4
5 subtramas
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
69
Con respecto a las métricas de desempeño, se consideran tres indicadores clave de rendimiento
(KPIs) (17), (21), para la evaluación de la capacidad del RACH bajo cada política de actualización.
Estos son los siguientes:
• Edad promedio de la información (
), tal como se definió en la Sección II.3.
• Probabilidad de éxito en el acceso (
), la misma que se define como la probabilidad de que
el procedimiento de acceso aleatorio se complete satisfactoriamente dentro del número
máximo de transmisiones de preámbulo permitidas. Matemáticamente, puede expresarse
como:
󰇛󰇜
donde
representa el número total de intentos en los que el acceso se realizó de manera
exitosa, mientras que
corresponde al número total de transmisiones de preámbulo
efectuadas.
• Número promedio de transmisiones de preámbulo por intento de acceso E[K].
Para asegurar la robustez estadística en la representación de los resultados de simulación, cada
punto en las gráficas fue representa múltiples ejecuciones independientes del algoritmo. Las
repeticiones continuaron iterativamente hasta que la variación relativa entre los promedios
acumulados correspondientes a las repeticiones y j fue inferior al 1%. La Tabla 4 detalla paso
a paso el procedimiento lógico del algoritmo desarrollado para calcular la antigüedad agregada
de la Información (
) promedio, basado en la función ‘aggregate_AoI’, utilizado dentro del
entorno de simulación.
Tabla 3. Configuración de la simulación.
Parámetro
Configuración
Número de mensajes de actualización de estado
por segundo (U)
[5, 50]
Número de dispositivos MTC (N)
[4, 100]
Tiempo de simulación (T)
1 minuto (fijo)
Criterio de parada (error)
< 1%
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
70
Tabla 4. Algoritmo simulador para el cálculo de la AoI promedio.
Entradas: updates_users, aggregation_mode, numUEs (Celda de usuarios con matrices de actualizaciones;  ; número total
de UEs)
Salidas: updatates_aggregated (matriz [tiempo, AoI_promedio])
1 Inicializar el vector t_ud vacío para almacenar todos los tiempos de llegada de actualizaciones.
2 Inicializar t_last_first_ud = 0 para registrar el tiempo de la última primera actualización entre todos los usuarios.
3 for i = 1 hasta numUEs do
4 Obtener el vector t_ud_i de tiempos de actualización del usuario i.
5 Añadir todos los elementos de t_ud_i al vector t_ud.
6 if t_ud_i(1) > t_last_first_ud then
7 Actualizar t_last_first_ud = t_ud_i(1).
8 end if
9 end for
10 Ordenar el vector t_ud de forma ascendente.
11 Eliminar todos los tiempos t < t_last_first_ud del vector t_ud.
12 Definir n_ud como la longitud del vector t_ud (número total de instantes considerados).
13 Inicializar una matriz AoI de tamaño [n_ud x numUEs] con ceros.
14 for hasta numUEs do
15 Calcular el AoI del usuario i evaluado en los tiempos t_ud mediante la función AoI_t.
16 Almacenar el resultado en la columna i de la matriz AoI.
17 end for
18 if aggregation_mode == 'avg' then
19 Calcular AoI agregado a AoI como el promedio fila a fila: a AoI = mean(AoI, 2).
20 Generar un error indicando 'modo de agregación no válido'.
21 end if
22 Construir la matriz final updatates_aggregated = [t_ud, aAoI].
23 Retornar la matriz updatates_aggregated.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
71
El algoritmo tiene una complejidad computacional de orden:
󰇛󰇜
donde es el número total de instantes evaluados (longitud del vector

), y es el número
total de usuarios (UEs). Esta complejidad está dominada por la construcción de la matriz
󰇟 󰇠 y el cálculo del promedio fila a fila (modo 'avg'), ya que se evalúa la AoI de cada
usuario en todos los instantes contenidos en

.
RESULTADOS
A continuación, se presentan los resultados del desempeño de la red para tráfico MTC, de acuerdo
con la configuración de red presentada en la Tabla 2. Para ello se desarrolló un simulador por
eventos discretos de la RAN 5G en Python y corroborados independientemente con simulaciones
en MATLAB. Las simulaciones se ejecutaron en un PC con Windows 10 (64 bits), procesador Intel
Core i7-6600U a 2.81 GHz, y memoria RAM de 16 GB, con una precisión de reloj de 

segundos.
Se considera que el número de mensajes de actualización del estado por segundo 󰇛󰇜 por
dispositivo MTC varía entre 5 y 50. Además, el número de dispositivos MTC en la red N varía entre
40 y 100. El tráfico H2H se considera como tráfico de fondo en cada escenario. Durante cada
prueba, el tiempo total de simulación se fijó en un minuto, es decir, minuto.
1. Patrón de generación de mensajes de actualización del estado: Phi1
La Figura 4 ilustra el comportamiento de la Edad de la Información 
en función del número de
mensajes de actualización del estado por dispositivo , para diversas cargas del sistema. Se
observa que, a partir de cierto valor de U, el deterioro en el rendimiento del sistema se hace
evidente, manifestándose en un aumento significativo de la 
. Existe un punto de inflexión a
partir del cual incrementar afecta negativamente al sistema. Por ejemplo:
• Cuando el sistema opera bajo condiciones de carga baja MTC, resulta más tolerante al
aumento de (obsérvese la curva cuando ; desde , la 
comienza a
aumentar).
• En condiciones de sobrecarga del sistema 󰇛 󰇜, se evidencia que con valores de
, la entrega de los mensajes de actualización del estado a una aplicación se vea
negativamente afectada.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
72
Figura 4. Patrón de generación de mensajes de actualización del estado Phi1. 
.
El comportamiento de la probabilidad de éxito en el acceso (
) en relación con el número de
mensajes de actualización generados por dispositivo se muestra en la Figura 5, para diversas
cargas del sistema. Esta métrica permite observar y determinar que, a partir de un cierto valor de
U, el deterioro en el rendimiento del sistema se vuelve notorio (cuando
). En
concordancia con la evolución de la 
, la reducción de
señala el punto de inflexión a partir
del cual un incremento adicional en ocasiona un impacto negativo en el desempeño global del
sistema.
Figura 5. Patrón de actualización Phi1. Probabilidad de acceso exitoso
.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
73
Por ejemplo:
• Cuando el sistema opera bajo condiciones de carga baja, muestra una mayor tolerancia
frente al incremento de En el caso , se observa que a partir de , la probabilidad
de éxito
comienza a decrecer.
• Cuando el sistema se encuentra en situación de sobrecarga 󰇛 󰇜, se evidencia que
para valores de , la entrega de mensajes de actualización del estado deteriore el
rendimiento del sistema.
En la Figura 6 se ilustra el comportamiento del número promedio de intentos de transmisión 󰇛󰇜
como función del número de mensajes de actualización del estado por dispositivo , para
diversas cargas del sistema. Como se observa:
• Bajo valores bajos de actualizaciones por segundo 󰇛 󰇜, el número de intentos
realizados por los dispositivos IoT que acceden exitosamente a la red es mayor a dos en todos los
escenarios, excepto cuando .
• En una situación de sobrecarga 󰇛 󰇜 y con frecuencia alta de actualización 󰇛 󰇜,
los dispositivos IoT deben realizar al menos cinco intentos para completar el procedimiento de
acceso aleatorio (RA).
Por lo tanto, a mayor intensidad de mensajes de actualización del estado , también aumenta el
número promedio de transmisiones de preámbulo , lo cual constituye un comportamiento
esperado en escenarios de comunicación masiva tipo CIoT [16].
2. Patrón de generación de mensajes de actualización del estado: Phi2
Con respecto a la AoI promedio en el tiempo (
), el patrón de generación de mensajes de
actualización Phi2 presenta un comportamiento similar al del primer patrón analizado; es decir:
• Cuanto menor es la carga del sistema, mejor es la 
en todos los escenarios para un mayor
número de mensajes de actualización del estado por segundo.
• El punto de inflexión, en el cual la frecuencia de mensajes de actualización comienza a
impactar de forma negativa en el rendimiento del sistema, se presenta bajo condiciones de
sobrecarga, específicamente cuando  (ver Figura 7).
Se pueden observar algunas diferencias menores, pero no despreciables, con respecto al patrón
Phi1 en las métricas de
(Figura 8) y (Figura 9).
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
74
Figura 6. Patrón de generación de mensajes de actualización del estado Phi1. Número promedio de transmisiones
de preámbulo requeridas para acceso exitoso E[K].
Figura 7. Patrón de generación de mensajes de actualización del estado Phi2. AoI.
El patrón de generación Phi2 presenta mejor rendimiento para  y  en
comparación con el patrón Phi1 󰇛 󰇜, en relación con la métrica . Cuando el sistema está
sobrecargado, el patrón de generación Phi2 permite hasta 20 mensajes de actualización del
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
75
estado por segundo con un retardo de acceso menor a 75 ms, lo cual es mejor que el patrón de
generación Phi1, que solo tolera hasta .
Figura 8. Patrón de generación de mensajes de actualización del estado Phi2. Probabilidad de acceso exitoso
.
Figura 9. Patrón de generación de mensajes de actualización del estado Phi2. Número promedio de transmisiones
de preámbulo requeridas para acceso exitoso E[K].
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
76
DISCUSIÓN
Los resultados de este estudio proporcionan una visión profunda sobre el comportamiento de la
Antigüedad de la Información (AoI) en entornos de redes LTE-A para aplicaciones IoT masivas,
considerando tanto la variabilidad de los dispositivos conectados como las condiciones dinámicas
de acceso al canal. Los resultados obtenidos muestran que, al incrementar la frecuencia de
generación de actualizaciones por dispositivo (U) y el número de UEs, la probabilidad de acceso
exitoso (
) disminuye, mientras que el número promedio de transmisiones de preámbulo E[K]
aumenta, lo que eleva la AoI del sistema. Este comportamiento es coherente con la teoría de
colas aplicada a AoI y con el efecto de contienda en el PRACH reportado en la literatura (3), (8),
(19). En nuestras simulaciones, el deterioro de
y el aumento de E[K] se hacen notorios a medida
que crece U, especialmente en escenarios de alta carga, lo que confirma el vínculo entre
congestión en el acceso y pérdida de frescura de la información.
Al comparar los patrones Phi1 (dispositivos sincronizados) y Phi2 (no sincronizados), se evidencia
que Phi2 ofrece una zona operativa más amplia antes del colapso por contienda: bajo sobrecarga,
admite hasta 20 mensajes/s con un retardo de acceso menor a 75 ms, superando el umbral
tolerado por Phi1. Este resultado sugiere que la desincronización de fuentes reduce las colisiones
y preserva mejor la frescura del estado en la RAN (10), (12).
Estos hallazgos coinciden con trabajos previos sobre control de acceso ACB para mMTC en LTE-A
(17), (18) y con análisis recientes sobre el impacto del tráfico de actualizaciones en la RAN (11).
Además, extienden dicha evidencia al incorporar explícitamente AoI como KPI de diseño para
delimitar regiones de operación seguras. La verificación cuantitativa mediante funciones MATLAB
(por ejemplo, aggregate_AoI, temporalMean_AoI) reforzó la consistencia entre el marco analítico
y las simulaciones de eventos discretos, incrementando la confiabilidad de los resultados.
CONCLUSIONES
Los resultados muestran que el incremento en la frecuencia de actualización (U) y en el número
de dispositivos MTC (N) ocasiona un deterioro progresivo en el desempeño de la red LTE-A. En
particular, la Antigüedad de la Información (AoI) tiende a aumentar, la probabilidad de acceso
exitoso (
) disminuye y el número promedio de transmisiones de preámbulo (K) se incrementa.
Estos hallazgos confirman que tanto U como N son factores limitantes que condicionan la
eficiencia del canal de acceso aleatorio en escenarios de tráfico masivo IoT.
El análisis comparativo entre los patrones de generación de actualizaciones revela diferencias
significativas. El esquema sincrónico (Phi1) concentra la transmisión de mensajes y conduce a un
rápido deterioro del sistema en escenarios de alta carga. En contraste, el esquema asíncrono
(Phi2) distribuye los intentos de acceso y logra mantener la estabilidad del sistema por más
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
77
tiempo, soportando hasta 20 mensajes/s con retardos menores a 75 ms antes de alcanzar el
punto de colapso. Este resultado evidencia la relevancia de mecanismos de desincronización
temporal en aplicaciones IoT masivas.
Finalmente, la investigación valida a la AoI como un KPI esencial para caracterizar y dimensionar
redes celulares que proporcionan conectividad a aplicaciones IoT. La integración de simulación
por eventos discretos y funciones específicas en MATLAB permitió obtener resultados
consistentes con los modelos analíticos y con la literatura reciente. Este aporte constituye una
contribución significativa al campo, ya que propone la AoI como métrica de referencia para el
diseño de estrategias de gestión dinámica de recursos y priorización de información en sistemas
celulares de próxima generación, orientados a aplicaciones críticas de monitoreo en tiempo real.
AGRADECIMIENTOS
Los autores agradecen el respaldo institucional y académico brindado por la Universidad Nacional
de Chimborazo (UNACH) a lo largo del desarrollo de esta investigación. Asimismo, se agradece al
Dr. Vicent Pla de la Universitat Politècnica de València, España, por su aporte científico en el
modelizado matemático y análisis formal del estudio. A los docentes del programa de Maestría
en Matemática Aplicada, mención Matemática Computacional, quienes con sus conocimientos y
sugerencias aportaron al fortalecimiento de las competencias investigativas, lo cual contribuyó
significativamente a enriquecer la calidad del estudio.
CONTRIBUCIONES DE AUTOR
La elaboración del presente artículo se realizó bajo un esquema colaborativo, en el cual cada
autor asumió responsabilidades específicas:
• Ronald Patricio Vaca Guadalupe: formulación del problema de investigación,
implementación de los simuladores en Python y MATLAB, procesamiento de datos, análisis
detallado de resultados y redacción inicial del manuscrito.
• Dr. Luis Tello-Oquendo: supervisión general del trabajo, orientación metodológica,
validación de resultados, revisión crítica del marco teórico y de la discusión, además de
aportar sugerencias clave para la mejora y coherencia del documento.
En conjunto, las contribuciones de los autores permitieron que la investigación se desarrolle con
un alto nivel de rigurosidad académica, integrando tanto la perspectiva teórica como la práctica,
y logrando un documento sólido que aporta al análisis del desempeño de la Antigüedad de la
Información (AoI) en redes LTE-A aplicadas al Internet de las Cosas.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
78
REFERENCIAS BIBLIOGRÁFICAS
1. Condoluci M, Dohler M, Araniti G. Comunicaciones tipo máquina sobre sistemas 5G:
desafíos y tendencias de investigación para aplicaciones industriales CPS. Cyber-Phys Syst.
2017;3(1):75-89.
2. Sinha D, Roy R. Programación de actualizaciones de estado para optimizar la antigüedad de
la información en sistemas ciberfísicos industriales. IEEE Access. 2019;7:95677-95.
3. Kaul S, Yates R, Gruteser M. Real-time status: How often should one update? Proc IEEE
INFOCOM. 2012;2731-5.
4. Guo C, Wang X, Liang L, Li GY. Age of information, latency, and reliability in intelligent
vehicular networks. IEEE Netw. 2022;37(6):109-16.
5. Li J, Zhou Y, Chen H. Age of information for multicast transmission with fixed and random
deadlines in IoT systems. IEEE Internet Things J. 2020;7(9):8178-91.
6. Tello-Oquendo L, Lin SC, Akyildiz IF, Pla V. Software-defined architecture for QoS-aware IoT
deployments in 5G systems. Ad Hoc Netw. 2019;93:101911.
7. Santander D, Cicenia-Cárdenas K, Astudillo-Salinas F, Aranda J. Impacto del tiempo de
backoff sobre el rendimiento de IoT celular en entornos de comunicación masiva. Rev Digit
Novasinergia. 2022;5(1):17-30.
8. Bedewy AM, Sun Y, Shroff NB. Minimizing the age of information through queues. IEEE
Trans Inf Theory. 2019;65(8):5215-32.
9. Li S, Li M, Chen R, Sun Y. Optimal transmission access scheduling for cellular IoT device status
update with multi-antenna. China Commun. 2022;19(4):302-12.
10. Flores-Vázquez ME, Tello-Oquendo L, Pla V, Aranda J, Capella JV, Guamo Morocho AK.
Impact of information update generation on the radio access network in cellular IoT.
Telecommun Syst. 2023;84:409-20.
11. Zhang L, Yan L, Pang Y, Fang Y. FRESH: Freshness-aware and energy-efficient scheduler for
cellular IoT systems. Proc IEEE ICC. 2019;1-6.
12. Tello-Oquendo L, Pacheco-Paramo D, Pla V, Martínez-Bauset J. Reinforcement learning
mechanism for ACB in LTE-A networks handling massive M2M/H2H traffic. Proc IEEE ICC.
2018;1-7.
13. Pacheco-Paramo D, Tello-Oquendo L, Pla V, Martínez-Bauset J. Deep reinforcement learning
for dynamic access control in wireless networks with mMTC. Ad Hoc Netw. 2019;94:101939.
14. Pacheco-Paramo D, Tello-Oquendo L. Delay-aware dynamic access control in wireless
networks using deep reinforcement learning. Comput Netw. 2020;182:107493.
15. 3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Medium Access Control (MAC)
protocol specification. TS 36.321 V10.0.0. 2012.
16. 3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and
modulation. TS 36.211 V12.3.0. 2014.
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA
publicaciones@vitalyscience.com
+593 97 911 9620
ISSN
3091-180X
Junio 2025
DOI
https://doi.org/10.56519/g179e662
https://vitalyscience.com
Vol. 3 No. 7 PP. 55-79
79
17. Tello-Oquendo L, Leyva-Mayorga I, Pla V, Martínez-Bauset J, Vidal JR, Casares-Giner V, et al.
Performance analysis and optimal configuration of ACB parameters in LTE-A networks with
massive M2M traffic. IEEE Trans Veh Technol. 2017;67(4):3505-20.
18. Vidal JR, Tello-Oquendo L, Pla V, Guijarro L. Performance study and enhancement of access
barring for massive machine-type communications. IEEE Access. 2019;7:63745-59.
19. Ceran ET, Gunduz D, György A. Average age of information with hybrid ARQ under a
resource constraint. IEEE Trans Wirel Commun. 2019;18(3):1900-13.
20. Kosta A, Pappas N, Angelakis V. Age of information: A new concept, metric, and tool. Found
Trends Netw. 2017;12(3):162-259.
21. 3GPP. Study on RAN improvements for Machine-type Communications (MTC). TR 37.868
V11.0.0. 2011.