Mejora la eficiencia del enlace ascendente 5G para la programación recursiva basada en el estado físico

La proliferación de comunicaciones de tipo máquina (MTC) dentro de las redes de Nueva Radio (NR) de quinta generación (5G) plantea desafíos importantes para la planificación de recursos de enlace ascendente (UL). A diferencia de los servicios tradicionales de banda ancha móvil mejorada (eMBB), que a menudo priorizan el ancho de banda bruto, el tráfico MTC se caracteriza por una heterogeneidad extrema, desde señales de control sensibles al retraso hasta cantidades masivas de datos de sensores de bajo nivel procedentes de sensores y dispositivos industriales. Un nuevo estudio presenta un nuevo programador de enlace ascendente compatible con la calidad de servicio (QoS), denominado PAUS-5G, diseñado para manejar estos diferentes patrones de tráfico. Al formular la asignación de recursos de enlace ascendente como un problema de optimización de enteros binarios, los investigadores demuestran cómo lograr un rendimiento óptimo de Pareto a través de múltiples métricas de rendimiento al equilibrar el rendimiento total, la equidad y los estrictos requisitos de latencia, manteniendo al mismo tiempo una complejidad computacional en tiempo polinomial adecuada para la implementación en tiempo real en estaciones base.

Los mecanismos de programación tradicionales en las redes móviles a menudo tienen dificultades para mantener la estabilidad en escenarios de alta densidad. La aplicación de prioridad estática a menudo priva de equipos de usuario (UE) de baja prioridad, mientras que los esquemas oportunistas que favorecen la alta calidad del canal ignoran la antigüedad de los paquetes y la relevancia de la QoS. Además, los complejos métodos de optimización metaheurística propuestos en la literatura anterior a menudo adolecen de altos costos computacionales, lo que los hace inviables para la capa de control de acceso al medio (MAC) en redes 5G de alta velocidad. El marco PAUS-5G aborda estas limitaciones mediante la introducción de una función de aptitud recursiva que actualiza dinámicamente las calificaciones de los usuarios en cada momento de programación, garantizando la consideración de la equidad y la relevancia temporal junto con las condiciones instantáneas del canal y las prioridades de servicio predefinidas.

El modelo de sistema considerado en este estudio opera en un entorno 5G NR de una sola celda utilizando el modo Duplexación por división de tiempo (TDD). En los sistemas TDD, la programación de UL está limitada por la necesidad de transmitir concesiones en ranuras de enlace descendente y el tiempo posterior requerido para la transmisión de paquetes en futuras ranuras de UL. El programador PAUS-5G propuesto tiene en cuenta explícitamente estas restricciones de programación previa, que son importantes para cumplir con los requisitos del presupuesto de retardo de paquetes (PDB) en entornos congestionados. Cada UE informa el estado de su buffer y el indicador de calidad del canal (CQI) a la estación base (gNB), que luego utiliza esta información para determinar la compatibilidad y los requisitos de recursos. La función de aptitud se calcula utilizando una actualización recursiva que incorpora un factor de urgencia temporal que aumenta a medida que el paquete se acerca al vencimiento del PDB y un tiempo de aumento de equidad que evita la inanición al priorizar a los usuarios no programados a largo plazo.

El núcleo del algoritmo PAUS-5G es un proceso de cuatro pasos que filtra a los candidatos en función del tiempo de preparación de PUSCH y la ubicación del buffer, seguido de un sólido cálculo de aptitud. La función de fitness combina pesos según el canal con niveles de prioridad 5QI normalizados. Al implementar un componente de equidad no lineal basado en sigmoide, el programador garantiza que la equidad crezca suavemente con el tiempo de espera pero permanezca limitada, evitando así que el sistema caiga en inversión de prioridad o comportamiento oscilatorio. Al determinar estos parámetros mediante métodos estructurados, los investigadores garantizaron la solidez del marco bajo diferentes densidades de UE y condiciones de carga de tráfico. La fórmula matemática se modela como un programa lineal entero binario (BILP), aunque en la implementación práctica se aproxima mediante una heurística de clasificación voraz que proporciona un alto rendimiento a bajo costo.

Para evaluar la eficacia del marco PAUS-5G, el equipo utilizó un simulador de nivel de sistema de alta fidelidad basado en MATLAB que cubre las pilas de protocolos completas desde la PHY hasta las capas MAC y Control de enlace de radio (RLC). Compararon su enfoque con cinco puntos de referencia establecidos, incluido BestCQI, que sirve como límite superior del rendimiento; Basado en prioridades (PA), que sirve como base para la diferenciación del tráfico; y Round Robin (RR), que proporciona equidad de recursos simple. El escenario de evaluación implicó cargas de red densas de hasta 500 UE activos por celda. Los resultados de la simulación muestran que PAUS-5G produce un rendimiento agregado ligeramente menor en comparación con el codicioso programador BestCQI, una compensación que es intencional y permite que la red satisfaga restricciones críticas de QoS que los programadores oportunistas ignorarían de otro modo.

En cuanto a la utilización de recursos, el marco PAUS-5G mantiene un nivel conservador pero estable, alrededor de 0,91 en la saturación máxima de 500 UE. Esto es significativamente más eficiente que los esquemas estrictos basados ​​en prioridades, que a menudo conducen a un consumo ineficiente de tráfico de alta prioridad debido a una mala coincidencia de canales, lo que resulta en una subutilización de otros PRB. El enfoque PAUS-5G evita asignar recursos a paquetes que no cumplen con los tiempos de transmisión dentro del resto del PDB, evitando el desperdicio de señal y tiempo aire. Logra un equilibrio inteligente entre la conservación de recursos y el cumplimiento de la pila de protocolos, particularmente adecuado para aplicaciones industriales de Internet de las cosas (IoT) donde la confiabilidad es clave.

El análisis de equidad utilizando el Índice de Equidad de Jain valida aún más el enfoque. PAUS-5G logra un índice de equidad de aproximadamente 0,78 bajo cargas de red elevadas, superando sus puntos de referencia de equidad proporcional y asignación dinámica de ancho de banda. Esta ganancia de rendimiento está directamente relacionada con el término de mejora de la equidad en la función de aptitud, que aumenta dinámicamente el rango de UE de alta o baja prioridad a medida que se acercan a su umbral de inanición. Esto proporciona estabilidad de servicio a largo plazo para los UE, que de otro modo podrían pasar desapercibidos mediante algoritmos centrados en el canal o de maximización del rendimiento, especialmente cuando el gNB está muy congestionado con tráfico de diferentes tipos de máquinas.

El estudio también demuestra mejoras significativas en la satisfacción de las prioridades. La tasa de violación de prioridad, que cuantifica el incumplimiento de la jerarquía definida por 5QI, sigue siendo tan baja como 0,25 con una carga máxima de 500 UE. Esto muestra una mejora significativa con respecto a otros programadores dinámicos como DPBA (0,48) y PF (0,68). Debido a que PAUS-5G pondera recursivamente las prioridades 5QI frente a ganancias instantáneas de canales, proporciona un servicio de prioridad casi estricto que es lo suficientemente sólido para aplicaciones de misión crítica y al mismo tiempo se beneficia de la eficiencia espectral de la programación consciente del canal. A diferencia de RR o BestCQI, que ignoran las clases de prioridad y pueden mostrar un índice de infracción de más de 0,80 en condiciones de congestión, PAUS-5G ofrece niveles de servicio confiables para tráfico urgente.

En cuanto al rendimiento de la latencia, la tasa de infracción de la latencia es otra métrica fundamental para URLLC y MTC de misión crítica. La simulación muestra que PAUS-5G supera con éxito las violaciones de retraso durante la carga máxima en 8.3, con una mejora de aproximadamente el 20 % con respecto a los programadores de prioridad estricta y del 37 % con respecto a DPBA. Este éxito se atribuye al factor de caída de urgencia temporal, que aumenta exponencialmente el cumplimiento del UE a medida que el paquete se acerca al presupuesto de retardo. Al identificar y servir de forma proactiva paquetes cerca de los límites de retraso, el programador evita las interrupciones inducidas por la latencia, proporcionando así una mayor confiabilidad para los mensajes de control en tiempo real en entornos industriales o de ciudades inteligentes.

La condición promedio del buffer confirma la estabilidad del sistema bajo estrés. Mientras que los programadores BestCQI y PF mantienen niveles de búfer promedio ligeramente más bajos al centrarse en liberar solo las colas más grandes, PAUS-5G exhibe una mayor capacidad de cola a 30,0 KB como resultado del equilibrio de múltiples objetivos. Sin embargo, este aumento marginal es una compensación deliberada que contribuye a la estabilidad general del sistema y evita el aumento no lineal de la congestión que experimentan los programadores estáticos. Los resultados muestran que la evolución recursiva de la aptitud reduce con éxito el comportamiento de bloqueo de cabecera observado comúnmente en los programadores de prioridad estáticos y proporciona una solución escalable y factible para la programación en tiempo real.

Los investigadores enfatizan que PAUS-5G no pretende maximizar ningún indicador de rendimiento de forma aislada. En cambio, su comportamiento se adapta en función del estado de la red: se acerca a una programación oportunista y consciente del canal en condiciones de carga baja, y cambia hacia una protección QoS estricta y equidad cuando la red se acerca a la congestión. Esta naturaleza adaptativa es fundamental para escenarios ocupados donde la combinación de servicios eMBB, URLLC y mMTC cambia dinámicamente. La complejidad computacional del marco, medida por O(N log N), donde N representa el número de UE activos, garantiza que las decisiones se tomen dentro del cronograma de procesamiento del gNB incluso bajo una alta demanda de tráfico.

En conclusión, el marco PAUS-5G ofrece un mecanismo sólido para manejar tráfico heterogéneo en sistemas de enlace ascendente 5G NR. Al integrar eficiencia, prioridad y relevancia temporal en una función de coincidencia recursiva, los autores demuestran un marco de asignación de recursos escalable que cierra la brecha entre el rendimiento teórico óptimo y los requisitos de aplicaciones del mundo real. Aunque el presente estudio considera un entorno de una sola celda con UE estacionarios para aislar los efectos de la lógica de programación, los investigadores sugieren que el trabajo futuro ampliará este marco para incluir la predicción del tráfico basada en el aprendizaje y escenarios de movilidad de múltiples celdas, aumentando potencialmente aún más la adaptabilidad de las redes 5G para soportar la conectividad industrial y de IoT de próxima generación.

El tema del estudio: Gestión de recursos de red 5G y planificación de la calidad del servicio.

Título del artículo: Programación de recursos compatible con QoS para comunicación de máquina a máquina en redes 5G

Referencias a artículos: Khunteta, A. y Baheti, PK (2026). Programación de recursos compatible con QoS para comunicación de máquina a máquina en redes 5G. Revista de la Universidad Rey Saud – Ciencias de la Ingeniería, 38(4), artículo 33. https://doi.org/10.1007/s44444-026-00107-0

Créditos de imagen: IA creada

DOI: 10.1007/с44444-026-00107-0

Palabras clave: 5G NR, programación de enlace ascendente, comunicación basada en máquina, programador compatible con QoS, asignación de recursos, rendimiento de red, índice de equidad, sistemas TDD, densidad de red, optimización BILP, PAUS-5G, gestión de retraso, presupuesto de retraso de paquetes, eficiencia espectral, arquitectura de red inalámbrica, control de retraso, macro red MAC móvil, estándares de ciudad ma3G,

Acerca de Natalia Veliz

Soy Natalia Veliz una fanática del fitness en todo sentido, tanto emocional, de ejercicios y mucha pasión al deporte y al culturismo y secretos de paciencia y autosuficiencia.

Ver todas las entradas de Natalia Veliz →