作为新一代分布式计算的基础设施,云计算平台由于其在性能和价格上相对于传统平台的优势,已经成为近些年学术界和工业界研究的一个热点,其应用领域在不断扩展。相对于普通云服务,移动云计算的典型特点是访问延迟的敏感性和访问时空域的变化性。从用户的角度来说,能最大化地获得服务是非常重要的。但随着用户群体的增长,访问量的增加,这种获得性对云服务提供者来说变得愈加困难,同时也愈加迫切。因此,如不考虑这些因素的情况下提供服务,可能会显著增加访问延迟。更糟的是增大网络流量,导致服务中断和性能下降。为了缓解这个问题,将服务迁移到网络中靠近用户的某些有利位置是最小化访问延迟并降低网络成本的一个有效方式。凭借云计算虚拟化技术,我们可将服务封装在一组虚拟机中,并根据需要迁移到一个或不同的数据中心,实现用户的就近访问。将服务迁移到离用户较近的位置不仅能够降低服务访问延迟,而且还会降低服务提供商的网络租赁成本。因此,服务迁移问题对于实时服务来说显得异常重要。然而,服务迁移以批量数据传输和可能的服务中断为代价,增加了总体服务成本。为了在减少服务成本的同时获得服务迁移的益处,本文基于增强学习的方法提出Mig-RL迁移框架,用于云环境中的服务迁移。Mig-RL通过智能体(Agent)来学习最优迁移策略,借助增强学习中的经典算法Q-learning来确定服务迁移状态。具体地来说,智能体从历史信息中学习如何迁移服务以及需要迁移的位置,通过对环境的动态适应,实现服务的实时在线迁移。借助深圳出租车交易数据,实验结果表明与已有的算法相比,Mig-RL可以通过适应移动访问模式的变化来提高服务质量,大限度地降低服务成本。