Dans les réseaux industriels sans fil basés sur la 5G (IWN), en raison de contradictions fondamentales dans les exigences de performance, la coexistence des services de communication ultra-fiables à faible latence (URLLC) et des services à large bande mobile améliorée (eMBB) pose un défi majeur pour le découpage des ressources. Pour résoudre ce problème, cet article propose une méthode de transmission puncture basée sur l'apprentissage renforcé profond assisté par modèle (DRL) pour la préemption dynamique des ressources eMBB par les services URLLC dans le lien montant 5G. Tout d'abord, sous la condition de satisfaire strictement les contraintes de latence et de fiabilité d'URLLC, un problème d'optimisation de transmission puncture visant à maximiser le taux cumulé d'eMBB est formulé. Ensuite, pour les services URLLC sporadiques, une méthode d'accès compétitive basée sur le codage répétitif aléatoire (RRCC) est conçue, et son modèle analytique de fiabilité est dérivé. Par la suite, en se basant sur ce modèle de fiabilité, un algorithme DRL est proposé pour optimiser conjointement les paramètres de planification d'URLLC et d'eMBB, capable de s'adapter dynamiquement à l'environnement réseau. Les résultats de simulation montrent que l'algorithme DRL assisté par modèle proposé converge plus rapidement et surpasse significativement les méthodes existantes en termes d'efficacité des ressources.

Réseau 5G montant; Large bande mobile améliorée (eMBB); Communication ultra-fiable à faible latence (URLLC); Découpage des ressources; Transmission puncture; Apprentissage renforcé profond (DRL)