随着移动互联网业务的飞速发展和人民物质水平的逐渐提高,移动通信网络与人们生活之间的联系越来越紧密。大量新兴的网络服务迅速涌现,并成为人们生活不可分割的一部分,例如增强现实、智慧城市等。这些服务在提供便捷的同时,对移动通信网络提出了更高的要求。一方面,这些新兴的网络服务通常为计算密集型应用,普通移动终端的计算能力无法满足其需求。另一方面,新兴服务的发展导致移动流量激增,并产生前所未有的多样性需求和与业务特性相关的应用场景。为解决上述问题,产业界和学术界开始积极推进第五代移动通信(Fifthgeneration,5G)网络的建设。其中,虚拟化技术和云计算技术被普遍认为是5G网络以及未来网络发展的重要使能技术。虚拟化技术,可实现网络灵活可控、开放可定制的目标,是提升网络能力与资源利用率的重要方法。云计算技术,可利用网络中丰富的资源,缓解用户终端能力不足的问题,是扩展终端计算能力,减少终端能耗、延长待机时间的重要手段。论文针对移动通信网络功能虚拟化部署进行研究,包括:在三层计算网络中,如何设计一种适用于通用网络拓扑的任务卸载机制;在虚拟化边缘云计算网络中,如何实现高效的云节点部署,以降低网络的操作开销和时延;在云计算网络中,如何对服务功能链进行按需、动态的部署。论文研究的主要内容和创新工作概括如下:第一,三层计算网络中的任务卸载策略以及资源分配:在三层计算网络中,为提升现有卸载算法的实用性,研究通用网络拓扑下的任务卸载。同时,在考虑卸载判决和计算负载均衡时,融入通信负载均衡,进一步降低系统能耗与时延。与现有研究相比,在通用网络拓扑下,融入通信负载均衡后,卸载问题规模变大、优化变量维度变高。在博弈论框架下提出一个低复杂度的、分布式的任务卸载算法,并使用边际效用函数以保证博弈的收敛。同时借助势函数技术,证明博弈均衡与全局最优点重合。为使算法可迅速捕捉用户业务流的变化,引入估计因子加快算法的收敛速度。并给出了不同估计因子取值下,算法收敛速度和精度的闭式表达。仿真结果显示,所提算法可以有效降低系统能耗、减少任务延时。在算法收敛速度方面,当用户终端数目为50、估计因子的值从1增加至1.2时,算法中用户的策略切换次数可减少72.2%。当估计因子增加至1.6后,切换次数的减少量增加至86.0%。第二,虚拟化边缘云计算网络中的云节点部署以及资源分配:现有文献通过联合考虑云节点的放置策略、计算负载和通信负载的均衡,降低网络的操作开销和业务时延。本文结合动态休眠调度技术,休眠空载节点和链路,进一步减少操作开销。结合动态休眠调度技术后,部署问题维度变高。同时,由于在调度中易出现丢包等现象,传统集中式方法可能不再适用。论文结合开销共享博弈和自私路由博弈,定义了一个开销时延博弈,并提出一个低复杂度的、基于接入点—网络协作的云节点部署算法。鉴于开销时延博弈的效用函数非单调变化,论文使用普通势函数进行博弈分析,并给出了博弈为普通势博弈的条件。论文推导了一定条件下,博弈收敛速度和均衡效率的闭式表达。同时,为进一步优化精度,使用斯塔克伯格路由模型构造一个改进算法,并给出特殊情况(线性延时模型和并行路由策略)下,算法精度与斯塔克伯格参数之间关系的闭式表达。最后,通过仿真,验证了所提算法的有效性。仿真结果显示,所提算法可以有效降低网络的操作开销和任务时延。与常用的整数规划算法(如遗传算法)相比,所提算法在时延不敏感场景中的性能增益更大。第三,深度增强学习框架下的服务功能链动态部署:为提升已有的、使用深度增强学习框架的服务功能链部署算法的学习效率和可扩展性,提出了一个混合学习部署算法。该算法在训练过程中解耦了虚拟网络功能(Vritual network function,VNF)实例的放置与业务流的调度。学习智体仅负责VNF实例放置策略的训练,缩小了智体的动作空间,提升了学习效率。在智体训练过程中,业务流调度由独立模块完成,并将结果实时向智体反馈,实现两者的联合优化。针对业务流调度中,问题规模大、实时性要求高的特点,在路由博弈框架下,提出一个基于迭代的调度算法。为降低迭代中处理全局约束带来的高复杂度,在博弈中构造额外的玩家。论文证明了业务流调度算法的收敛性,并给出了收敛精度与迭代次数之间的关系。最后,通过仿真验证所提算法的有效性。与已有算法相比,混合学习部署算法可平均减少约9%-15%以上的网络开销。论文研究了移动通信网络功能部署中涉及到的任务卸载技术、云节点部署技术和服务功能链部署技术。通过对网络资源的调度和优化,提升移动通信网络在网络开销(包括能耗、操作开销、时延等)上的性能。同时,强调算法在实际部署过程中的可扩展性、快速收敛性和算法性能的可分析性。研究结果为未来移动通信网络部署提供了借鉴和参考。