Random Access Control in NB-IoT With Model-Based Reinforcement Learning

Publicación del proyecto · IEEE Internet of Things Journal

Resumen

El artículo propone un control de acceso aleatorio para NB-IoT basado en aprendizaje por refuerzo con modelo, orientado a mejorar la asignación de recursos NPRACH.

Resultados de control de acceso aleatorio NB-IoT con aprendizaje por refuerzo basado en modelo
Figura del artículo original. Fuente: IEEE Internet of Things Journal, reproducida sin modificaciones bajo CC BY-NC-ND 4.0.

Indicadores bibliométricos

Cuartil JCRQ1
Factor de impacto8,7
Citas en Google Scholar4
Área JCR
Computer Science, Information Systems
Año JCR
2025
Consulta Scholar
26 octubre 2026

Contribución principal

La técnica ajusta parámetros de acceso y umbrales de cobertura para equilibrar tasa de éxito, congestión y recursos disponibles. El uso de un modelo mejora la eficiencia de aprendizaje en fases tempranas frente a enfoques puramente empíricos.

Resultados y alcance

La evaluación muestra que el aprendizaje por refuerzo basado en modelo puede adaptar el acceso aleatorio de NB-IoT a cambios de carga y reducir colisiones y retrasos. La ventaja depende de la precisión del modelo, de la observabilidad del sistema y del coste de explorar políticas en condiciones no vistas.

Relación con BoND1

Aunque NB-IoT es una tecnología celular, el problema de acceso masivo es común a muchos sistemas IoT. Para BoND1, el artículo aporta conocimiento sobre control adaptativo de recursos, una pieza relevante para diseñar conectividad escalable en redes de muchos dispositivos.

DOIRepositorio UPCT

Project publication IEEE Internet of Things Journal

Summary

The paper proposes a random access control for NB-IoT based on model-based reinforcement learning, aimed at improving NPRACH resource allocation.

NB-IoT Random Access Control Results with Model-Based Reinforcement Learning
Figure from the original article. Source: IEEE Internet of Things Journal, reproduced without modifications under CC BY-NC-ND 4.0.

Main contribution

The technique adjusts access parameters and coverage thresholds to balance success rate, congestion, and available resources. The use of a model improves learning efficiency in early phases compared to purely empirical approaches.

Results and scope

The evaluation shows that model-based reinforcement learning can adapt NB-IoT random access to load changes and reduce collisions and delays. The advantage depends on the accuracy of the model, the observability of the system, and the cost of exploring policies under unseen conditions.

Link with BoND1

Although NB-IoT is a cellular technology, the mass access problem is common to many IoT systems. For BoND1, the article provides knowledge about adaptive resource control, a relevant piece for designing scalable connectivity in networks of many devices.

DOIUPCT Repository

Scroll al inicio