相较于传统的在远端云中心进行数据处理的方式,移动边缘计算（Mobile Edge Computing,MEC）通过将计算和存储能力下沉到网络边缘,提供了高带宽低时延的网络环境,从而能够提高时延敏感业务的服务质量。作为MEC的关键使能技术之一,网络功能虚拟化（Network Function Virtualization,NFV）支持将网络功能与底层硬件资源解耦,在统一的物理基础架构之上配置虚拟网络功能（Virtual Network Function,VNF）,从而以弹性、高效和灵活的方式进行网络部署和管理。一组VNF按一定顺序排列并通过虚拟链路连接在一起形成服务功能链（Service Function Chain,SFC）,业务的数据流需要按顺序遍历其中的VNF以完成端到端业务交付。将SFC中的VNF和虚拟链路放置在物理网络上并为其分配物理网络资源的过程被称为SFC编排。合理的编排方案有助于提高网络表现,进一步降低MEC网络的端到端时延。同时为了提高资源利用率,降低部署成本,可以在单个MEC服务器上部署多个VNF,允许它们以高效的方式共享硬件资源。研究MEC网络中的SFC编排技术具有重要的意义。然而,MEC网络中的SFC编排仍存在以下问题:1)以往的研究中一般只考虑链路上的传输时延,没有考虑节点上的处理和排队时延,缺少对端到端时延精确的定量分析;2)在网络环境和业务请求复杂多变的MEC网络中,以往研究中建立数学模型并求解的方式很难与动态环境相适应。针对上述问题,本文提出了一种SFC低延迟编排方法。具体来讲,主要考虑在单个服务器上部署多个VNF的情况下,VNF之间的资源协同分配。首先针对现有时延计算模型往往只考虑链路上的传输时延的问题,本文提出串联排队模型以准确评估端到端时延。该模型根据VNF被分配到的计算资源量确定其处理速率,并使用排队论分析数据包在经过SFC上每一个VNF时的排队、处理和离开过程,从而确定业务数据流遍历SFC产生的平均时延。然后根据串联排队模型得出的端到端时延,本文建立了时延最小化的资源协同分配问题模型。针对数学求解方法效率低,适应性不强的问题,引入深度强化学习的方法,通过与环境的互动经验学习最优资源分配策略。最后本文提出了基于异步优势的行动者评论家（Asynchronous Advantage Actor-Critic,A3C）的低时延SFC编排算法。基于所提出的编排算法,本文设计并实现了 SFC编排仿真系统。根据标准的NFV架构设计,实现了 SFC编排组件,使得用户可以直接在系统上运行SFC编排算法并观察仿真结果。本文进行了详细的需求分析、概要设计和模块详细设计,并基于Open Stack平台实现了该系统。功能测试表明,系统可以满足用户进行SFC编排算法仿真实验的要求。本文针对NFV环境下的MEC网络中业务对时延的要求,建立了基于排队理论的串联排队模型准确评估网络端到端时延,提出了基于深度强化学习的低延迟编排算法,提高了 MEC网络的时延表现。最后本文设计并实现了 SFC编排算法仿真系统,为SFC编排方法的不断改进打下了基础。