Бұл жұмыста 5G радиоқолжетімділік желілеріндегі қызмет көрсету деңгейі туралы келісімдерді (SLA) ескеретін желілік слайсингке арналған тереңдетілген оқыту тәсілі ұсынылған. Үш қатар жұмыс істейтін слайс — кеңейтілген мобильді кеңжолақты байланыс (eMBB), аса сенімді және кідірісі төмен байланыс (URLLC) және жаппай машиналық типтегі байланыс (mMTC) — арасында физикалық ресурстық блоктарды (PRB) динамикалық бөлу міндеті Марков шешім қабылдау процесі ретінде тұжырымдалған. Әрбір слайсқа қойылатын SLA талаптары 3GPP TS 28.530 стандартына сәйкес келетін, Gymnasium ортасымен үйлесімді имитациялық орта әзірленді. Proximal Policy Optimization (PPO) агенті жиынтық өткізу қабілетін ынталандыратын, SLA бұзушылықтарын айыптайтын және ресурстарды тиімді пайдалануды көтермелейтін құрамдас марапат функциясы арқылы оқытылады. Агент 100 эпизод бойынша бағаланып, Static Equal, Static Priority және Greedy Proportional атты үш классикалық базалық стратегиямен салыстырылды. PPO агенті SLA бұзушылықтарының жиынтық жиілігін 2 × 10⁻⁵ деңгейіне дейін төмендетті, бұл Static Priority базалық стратегиясымен салыстырғанда (0,46) үш-төрт реттік шамаға аз. Сонымен қатар орташа жиынтық өткізу қабілеті 74,7 Мбит/с, ал ресурстарды пайдалану деңгейі 98,6% болды. Өткізу қабілеті мен бұзушылықтар арасындағы ымыраны талдау үйренген саясаттың бірде-бір статикалық стратегия қол жеткізе алмайтын жұмыс нүктесіне жететінін көрсетті. Толық имитациялық орта, оқыту үдерісі және бағалау скрипттері ашық түрде ұсынылған және Stable-Baselines3 кітапханасы арқылы қайта өндіріледі.