随着用户对服务的需求呈指数增长,依靠专用网络硬件设备来实现网络功能的传统网络已经无法满足用户的需求。服务提供商通过网络功能虚拟化技术,将网络功能从专用硬件设备迁移到软件中间盒,灵活地为用户提供各种各样的功能服务。在网络功能虚拟化中,服务功能链已经成为一种流行的网络服务范例,合理地为服务功能链分配网络资源逐渐成为人们研究网络问题的重要研究方向。本文研究了服务功能链资源分配中的部署和备份问题,其主要研究内容如下:1)针对服务功能链在线部署自适应能力弱的问题,本文研究了一种基于深度强化学习的服务功能链在线部署算法。本文以最大化长期平均收入为目标,将服务功能链部署问题表示为一个组合优化约束问题。本文采用节点排序方式以概率方式生成多个候选动作来降低时间复杂度,同时研究了一种基于图卷积神经网络的函数逼近方法来预测网络中未来长期收入的潜力。此外,本文采用时序差分学习算法,对按顺序到达的服务功能链请求做出在线部署决策。最后,本文利用优先级经验回放技术来加快神经网络的参数更新。大量仿真结果表明,本文研究的算法在长期平均收入、接受率和平均收入开销比等指标上与现有算法相比提升了10.8%,11.2%和18.7%。此外,本文研究的算法在不同工作条件下还具有良好的鲁棒性。2)由于网络中软件和硬件的不可靠会降低用户体验,如何保证服务可靠性和服务水平协议不会受到影响,从而为用户提供高质量的服务是一个重要的研究方向。因此,本文研究了一种基于可靠性的服务功能链备份算法。针对服务功能链的备份模型和状态理想化的问题,本文在满足服务功能链可靠性的同时,考虑软件硬件同时备份,并且在资源异构的状态下,以最小化备份资源消耗为目标,将服务功能链备份的问题建模为组合优化约束问题。基于可合并和不可合并两种状态,本文研究了两种基于启发式的服务功能链备份算法。特别地,在合并的状态下,本文研究了一种基于启发式的高效的备份算法,该算法尽可能合并相邻的虚拟网络功能,减少链路备份资源。仿真结果表明,本文研究的备份算法在备份资源开销和平均接受率上均优于现有的其他算法51.7%和44.3%。