国际电信联盟(ITU)在第22次会议上明确了 5G三大应用场景为超可靠低时延通信(URLLC),增强移动宽带(eMBB)和大规模机器通信(mMTC)。根据5G发展策略,在5G部署初期,URLLC业务与eMBB业务共存场景将会成为典型应用场景。其中,eMBB业务要求高数据传输速率,数据量大,对资源占用率高;URLLC业务要求时延低至1毫秒,可靠性高达99.999%,业务优先级更高。由于两种业务均有无线传输和任务计算的需求,因此将会对通信系统中有限的频谱资源和计算资源产生激烈竞争。所以,在满足URLLC业务和eMBB业务不同QoS要求的同时,为两种业务进行合理的资源分配是一个严峻的挑战。传统的资源分配策略难以应对多层次和复杂化的情况,与传统资源管理相比,机器学习通过实时了解网络和用户状态,不断调整资源管理方案,实现智能网络决策,这对于大多数的5G服务至关重要。本文旨在结合机器学习技术解决上述URLLC和eMBB业务的资源分配问题,提出了两种基于机器学习的资源分配算法,实现了在优先保证URLLC业务时延和可靠性约束的前提下,提高系统性能的目标。本文的具体研究内容如下:(1)详细梳理了 URLLC与eMBB业务共存及挑战、URLLC与eMBB业务共存场景的资源分配研究现状及问题与挑战、机器学习在资源分配方面的应用现状及优势。首先介绍了 URLLC与eMBB业务共存场景及产生的问题,指出资源分配的研究意义;随后特别介绍了URLLC与eMBB业务共存场景的资源分配研究现状,指出频谱资源分配以及频谱资源和计算资源联合分配存在的问题与挑战;最后概述了机器学习在资源分配的应用现状,指出其解决复杂资源分配问题的优势,为论文后续研究工作的开展奠定了基础。(2)针对URLLC与eMBB业务的频谱资源分配时间粒度较粗导致eMBB吞吐量损失比较严重的问题,提出了一种基于BP神经网络的频谱资源分配算法。该算法首先建立了 URLLC与eMBB业务的打孔调度模型,在将全部频谱资源分配给eMBB用户的基础上,采用BP神经网络预测不同eMBB用户被URLLC用户打孔后的解码概率,然后计算打孔导致的eMBB用户的潜在吞吐量损失并选择吞吐量损失最低的eMBB用户所占用的频谱资源进行打孔,以最小化eMBB用户的吞吐量损失。仿真结果表明,所提算法在保证URLLC用户时延和可靠性要求的前提下,有效降低了 eMBB用户的吞吐量损失,在提升eMBB用户总吞吐量和可靠性两方面有性能优势。(3)进而考虑到计算资源竞争,针对URLLC与eMBB业务计算资源和频谱资源分配需要联合优化以降低系统时延和能耗成本的问题,提出了一种基于强化学习的频谱资源和计算资源联合分配算法。该算法引入强化学习理论建模URLLC与eMBB业务的频谱资源和计算资源联合分配问题,智能体通过与环境交互学习经验以确定资源分配的最佳策略。为避免联合动作空间过大,设计URLLC和eMBB用户分布式地自主进行资源选择决策;考虑URLLC业务严格的时延和可靠性要求、系统频谱资源和计算资源约束,设计合理的回报函数;将全局信息引入回报函数,使得分布式学习算法也能得到全局优化的策略。仿真结果表明,所提算法在保证URLLC时延和可靠性要求的前提下,在降低系统所有用户时延和能耗的总成本方面有性能优势。本论文在URLLC与eMBB业务的资源分配算法研究中,结合机器学习提出了基于BP神经网络的频谱资源分配算法,实现了更高的eMBB用户吞吐量和可靠性;提出了基于强化学习的频谱资源和计算资源联合分配算法,实现了更低的系统成本,为URLLC和eMBB业务的资源分配研究提供了新思路。