في شبكات الصناعة اللاسلكية القائمة على تقنية الجيل الخامس (5G) (IWN)، بسبب التناقض الجوهرية في متطلبات الأداء، تواجه مسألة التعايش بين خدمات الاتصالات فائقة الموثوقية والمنخفضة الكمون (URLLC) وخدمات النطاق العريض المتنقل المعزز (eMBB) تحديات كبيرة في تقسيم الموارد. لمواجهة هذه المشكلة، تقترح هذه الورقة طريقة نقل ثاقبة تعتمد على التعلم العميق المعزز بمساعدة النماذج (DRL) لأخذ الموارد بشكل ديناميكي في الرابط الصاعد للجيل الخامس بين خدمات URLLC و eMBB. أولاً، تم بناء مشكلة تحسين النقل الثاقب بهدف تعظيم معدل تراكم eMBB مع الالتزام الصارم بقيود الكمون والموثوقية الخاصة بـ URLLC. ثانياً، لخدمات URLLC التي تظهر بشكل متفرق، تم تصميم طريقة الوصول التنافسي القائمة على الترميز العشوائي المتكرر (RRCC) وتم اشتقاق نموذج تحليلي للموثوقية الخاص بها. بعد ذلك، استناداً إلى نموذج الموثوقية هذا، تم اقتراح خوارزمية DRL لتحسين جدولة معلمات URLLC و eMBB بشكل مشترك، حيث يمكن للخوارزمية التكيف مع بيئة الشبكة الديناميكية. أظهرت نتائج المحاكاة أن خوارزمية DRL المدعومة بالنماذج المقترحة تتسم بسرعة في التقارب وتتغلب بشكل كبير على الطرق الحالية من حيث كفاءة الموارد.

شبكة 5G الإرتفاعية;النطاق العريض المتنقل المعزز (eMBB);الاتصالات فائقة الموثوقية والمنخفضة الكمون (URLLC);تقطيع الموارد;نقل الحزمة;التعلم العميق المعزز (DRL)