The advent of 5th Generation (5G) networks has introduced the strategy of network slicing as a paradigm shift, enabling the provision of services with distinct Quality of Service (QoS) requirements. The 5th Generation New Radio (5G NR) standard complies with the use cases Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low Latency Communications (URLLC), and Massive Machine Type Communications (mMTC), which demand a dynamic adaptation of network slicing to meet the diverse traffic needs. This dynamic adaptation presents both a critical challenge and a significant opportunity to improve 5G network efficiency. This paper proposes a Deep Reinforcement Learning (DRL) agent that performs dynamic resource allocation in 5G wireless network slicing according to traffic requirements of the 5G use cases within two scenarios: eMBB with URLLC and eMBB with mMTC. The DRL agent evaluates the performance of different decoding schemes such as Orthogonal Multiple Access (OMA), Non-Orthogonal Multiple Access (NOMA), and Rate Splitting Multiple Access (RSMA) and applies the best decoding scheme in these scenarios under different network conditions. The DRL agent has been tested to maximize the sum rate in scenario eMBB with URLLC and to maximize the number of successfully decoded devices in scenario eMBB with mMTC, both with different combinations of number of devices, power gains and number of allocated frequencies. The results show that the DRL agent dynamically chooses the best decoding scheme and presents an efficiency in maximizing the sum rate and the decoded devices between 84% and 100% for both scenarios evaluated.

中文翻译：

---

使用 DRL 优化 5G 网络切片：使用 OMA、NOMA 和 RSMA 平衡 eMBB、URLLC 和 mMTC


第 5 代 （5G） 网络的出现引入了网络切片策略作为一种范式转变，能够提供具有不同服务质量 （QoS） 要求的服务。第 5 代新空口 （5G NR） 标准符合增强型移动宽带 （eMBB）、超可靠低延迟通信 （URLLC） 和大规模机器类型通信 （mMTC） 等用例，这些用例需要动态适应网络切片以满足不同的流量需求。这种动态适应既是提高 5G 网络效率的关键挑战，也是重大机遇。本文提出了一种深度强化学习 （DRL） 代理，根据 5G 用例的流量需求，在 5G 无线网络切片中执行动态资源分配，分为 eMBB with URLLC 和 eMBB with mMTC 两种场景。DRL 代理评估正交多址 （OMA）、非正交多址 （NOMA） 和速率分路多址 （RSMA） 等不同解码方案的性能，并在不同网络条件下在这些场景中应用最佳解码方案。DRL 代理已经过测试，可在使用 URLLC 的场景 eMBB 中最大化总和速率，并在使用 mMTC 的场景 eMBB 中最大化成功解码的设备数量，两者均具有不同的设备数量、功率增益和分配频率数量的组合。结果表明，DRL 代理动态选择最佳解码方案，并在评估的两种情况下表现出最大化和速率的效率，解码设备在 84% 和 100% 之间。