In auf 5G basierenden industriellen drahtlosen Netzwerken (IWN) stellt das Nebeneinander von ultrazuverlässiger, latenzarmer Kommunikation (URLLC) und erweitertem mobilen Breitband (eMBB) aufgrund grundlegender Leistungsanforderungen eine erhebliche Herausforderung für das Ressourcenslicing dar. Zur Bewältigung dieses Problems wird in diesem Artikel eine modellgestützte Deep Reinforcement Learning (DRL) basierte Durchstichübertragungsmethode vorgeschlagen, die eine dynamische Vorwegnahme von eMBB-Ressourcen durch URLLC-Dienste im Uplink von 5G ermöglicht. Zunächst wird unter strenger Einhaltung der Latenz- und Zuverlässigkeitsanforderungen von URLLC ein Durchstichoptimierungsproblem formuliert, das auf die Maximierung der kumulativen eMBB-Datenrate abzielt. Für sporadisch auftretende URLLC-Dienste wird eine auf stochastischer Wiederholungscodierung basierende Wettbewerbszugriffs-Methode (RRCC) entworfen und deren Zuverlässigkeitsanalytik abgeleitet. Anschließend wird basierend auf diesem Zuverlässigkeitsmodell ein DRL-Algorithmus zur gemeinsamen Optimierung der URLLC- und eMBB-Scheduling-Parameter vorgeschlagen, der sich dynamisch an wechselnde Netzwerkumgebungen anpassen kann. Simulationsergebnisse zeigen, dass der vorgeschlagene modellgestützte DRL-Algorithmus eine schnellere Konvergenz aufweist und hinsichtlich Ressourceneffizienz bestehende Methoden deutlich übertrifft.

Uplink 5G-Netz; Erweitertes mobiles Breitband (eMBB); Ultrazuverlässige latenzarme Kommunikation (URLLC); Ressourcenslicing; Durchstichübertragung; Deep Reinforcement Learning (DRL)