为了应对快速增长的数据流量需求和多样化的业务需求,将网络切片引入到下一代无线网络架构中,是未来5G网络发展的必然趋势。实现网络切片的网络功能虚拟化技术基于通用服务器硬件,并以软件化的形式提供各类虚拟网络功能(Virtualized Network Function,VNF)。根据不同业务场景对VNF进行动态部署和资源的按需分配,能够在满足不同业务QoS需求的同时降低网络运维成本。然而,考虑到网络资源的有限性和业务请求的动态性,如何有效合理地编排VNF,对网络切片的实现至关重要。本文重点研究了5G网络切片场景中的VNF编排问题,论文的主要研究内容和创新点总结如下:1.针对虚拟化网络在时间域上业务请求的动态变化和信息反馈时延导致的虚拟资源分配不合理,提出一种基于神经网络的流量感知算法,该算法通过服务功能链(Service Function Chain,SFC)的历史队列信息来预测未来负载状态。基于预测的结果,联合考虑VNF的调度问题和相应的计算资源分配问题,提出一种基于时延最小化的VNF部署算法,在满足未来队列不溢出的最低资源需求的前提下,采用按需分配的方式最大化计算资源利用率。仿真结果表明,该文提出的基于神经网络预测模型能够获得很好的预测效果,实现了网络的在线监测;VNF部署算法有效地降低了比特丢失率的同时也降低了整体VNF调度产生的平均端到端时延。2.针对5G网络切片架构下业务请求动态性引起的VNF迁移优化问题,首先建立了基于受限马尔可夫决策过程(Constrained Markov Decision Process,CMDP)的随机优化模型以实现多类型SFC的动态部署,该模型以最小化通用服务器平均运行能耗为目标,同时受限于各切片平均时延约束以及平均缓存、带宽资源消耗约束。其次,为了克服优化模型中难以准确掌握系统状态转移概率及状态空间过大的问题,提出了一种基于强化学习框架的VNF智能迁移在线学习算法,该方法通过卷积神经网络来近似行为值函数,从而在每个离散的时隙内根据当前系统状态为每个网络切片制定合适的VNF迁移策略及CPU资源分配方案。仿真结果表明,所提出的算法在有效地满足各切片QoS需求的同时,降低了基础设施的平均能耗。