En las redes inalámbricas industriales basadas en 5G (IWN), debido a contradicciones inherentes en los requisitos de rendimiento, la coexistencia de servicios de comunicación ultra confiable y de baja latencia (URLLC) y de banda ancha móvil mejorada (eMBB) presenta grandes desafíos para el slicing de recursos. Para abordar este problema, este artículo propone un método de transmisión de perforación basado en aprendizaje profundo por refuerzo asistido por modelos (DRL) para la preempción dinámica de recursos eMBB por servicios URLLC en el enlace ascendente 5G. Primero, bajo la estricta satisfacción de las restricciones de latencia y confiabilidad de URLLC, se formula un problema de optimización de perforación que tiene como objetivo maximizar la tasa acumulada de eMBB. Luego, para los servicios URLLC esporádicos, se diseña un método de acceso competitivo basado en codificación repetitiva aleatoria (RRCC) y se deriva su modelo analítico de confiabilidad. Posteriormente, basado en este modelo de confiabilidad, se propone un algoritmo DRL para la optimización conjunta de los parámetros de programación de URLLC y eMBB, capaz de adaptarse dinámicamente al entorno de red. Los resultados de simulación muestran que el algoritmo DRL asistido por modelo propuesto posee una velocidad de convergencia más rápida y supera significativamente los métodos existentes en términos de eficiencia de recursos.

Red 5G ascendente; Banda ancha móvil mejorada (eMBB); Comunicación ultra confiable y de baja latencia (URLLC); Segmentación de recursos; Transmisión de perforación; Aprendizaje profundo por refuerzo (DRL)