【摘要】针对 ５Ｇ⁃Ａ（５Ｇ Ａｄｖａｎｃｅｄ）网络在资源动态分配与切片管理上的挑战，本研究提出了一种基于图神经网络（ＧＮＮ）的高效智能化解决方案。 通过将基站、核心网、边缘云及其链路属性映射为图结构，结合图采样与聚合（ＧｒａｐｈＳＡＧＥ），对节点与边特征进行多层次的聚合与学习，实现对异构网络资源的精细化建模与自适应分配。 实验结果显示：该方法在小规模至大规模网络场景中均表现出较高的吞吐量、稳定的时延控制和较好的资源利用率，并在收敛速度与泛化能力方面优于传统算法。 综合来看，所提方法为 ５Ｇ⁃Ａ 网络中多切片并发与业务异构下的动态资源分配提供了灵活且可扩展的技术思路，也为后续在更大规模真实环境中的落地与演进奠定了基础。