В данной работе представлен подход на основе глубокого обучения с подкреплением к сетевому слайсингу в сетях радиодоступа 5G с учётом соглашений об уровне обслуживания (SLA). Задача динамического распределения физических ресурсных блоков (PRB) между тремя одновременно функционирующими слайсами — усовершенствованной мобильной широкополосной связью (eMBB), сверхнадёжной связью с малой задержкой (URLLC) и массовой межмашинной связью (mMTC) — формулируется как марковский процесс принятия решений. Разработана совместимая с Gymnasium имитационная среда, в которой требования SLA для каждого слайса соответствуют стандарту 3GPP TS 28.530. Агент Proximal Policy Optimization (PPO) обучается с использованием составной функции вознаграждения, которая поощряет совокупную пропускную способность, штрафует нарушения SLA и стимулирует эффективное использование ресурсов. Агент оценивается в течение 100 эпизодов и сравнивается с тремя классическими базовыми стратегиями: Static Equal, Static Priority и Greedy Proportional. Агент PPO снижает совокупную частоту нарушений SLA до 2 × 10⁻⁵, что на три-четыре порядка ниже по сравнению с базовой стратегией Static Priority (0,46), при этом обеспечивая среднюю совокупную пропускную способность 74,7 Мбит/с и коэффициент использования ресурсов 98,6%. Анализ компромисса между пропускной способностью и частотой нарушений показывает, что обученная политика достигает рабочей точки, недоступной ни одной отдельной статической стратегии. Полная имитационная среда, процесс обучения и скрипты оценки являются открытыми и воспроизводимыми с использованием библиотеки Stable-Baselines3.