Em redes industriais sem fio baseadas em 5G (IWN), devido a contradições inerentes aos requisitos de desempenho, a coexistência dos serviços de comunicação ultraconfiáveis e de baixa latência (URLLC) e da banda larga móvel aprimorada (eMBB) apresenta grandes desafios para o fatiamento de recursos. Para abordar esse problema, este artigo propõe um método de transmissão punctura baseado em aprendizado profundo por reforço auxiliado por modelo (DRL) para a preempção dinâmica dos recursos eMBB pelos serviços URLLC no enlace ascendente 5G. Primeiramente, sob a estrita satisfação das restrições de latência e confiabilidade do URLLC, foi formulado um problema de otimização de punctura com o objetivo de maximizar a taxa acumulada do eMBB. Em seguida, para os serviços URLLC esporádicos, foi projetado um método de acesso competitivo baseado em codificação repetitiva aleatória (RRCC) e derivado seu modelo analítico de confiabilidade. Posteriormente, com base neste modelo de confiabilidade, foi proposto um algoritmo DRL para otimizar conjuntamente os parâmetros de agendamento do URLLC e do eMBB, capaz de se adaptar dinamicamente ao ambiente de rede. Os resultados da simulação mostram que o algoritmo DRL auxiliado por modelo proposto apresenta velocidade de convergência mais rápida e supera significativamente os métodos existentes em termos de eficiência de recursos.

Rede 5G ascendentes; Banda larga móvel aprimorada (eMBB); Comunicação ultraconfiável e de baixa latência (URLLC); Fatiamento de recursos; Transmissão punctura; Aprendizado profundo por reforço (DRL)