目前,数据中心网络部署了大量的服务器和网络设备,用以提供多种多样的网络功能服务(防火墙、内容缓存,广域网加速器等)和充分的网络连接。数据中心大多数据流为多个服务器功能所处理,从而构成了传统网络服务链。传统网络服务链存在一些缺点,比如设备之间的耦合性大,数据包转发低下和扩展性差等。NFV技术的出现,使得传统网络设备能以软件的形式大量部署在通用服务器上,服务功能体(SF)可以动态创建,扩容。软件定义网络(SDN)可以通过集中控制生成服务功能链转发流表。以此为基础,本文提出了两种基于SDN/NFV的服务功能链映射策略办法,分别用于服务功能体分配部署映射和服务链路由映射。1.针对数据中心网络服务器冗余量大以及SFC服务功能体映射成本资源大,本文提出一个基于服务功能聚合/拆分的功能体映射算法(SA-SFCM)。首先对于该问题,本文构建相应的系统模型,然后根据能耗和服务性能之间的关系,将映射问题建成一个0-1规划。此外,本文用关联度(带宽需求)来衡量服务功能体间的流量强度,分析了需聚合节点图的特点,并以此设计一种最小化服务器间的流量的聚合策略。然后对聚合完毕的功能体进行拆分映射,旨在提高碎片资源利用率,减少服务器冗余量,且分析了拆分映射对象之间的相互流量关系,提出了合适的拆分策略,减少相互间流量。最后仿真结果显示,SA-SFCM算法在能耗和延时方面优于一些现有的算法。2.针对数据中心中服务功能链的路由映射问题,本文提出基于增强学习的Q-learning算法来解决,首先针对该模型,建立相应的系统模型,给出了SFP(服务功能路径)和RSP(实际服务路径)的模型,然后将路由映射的节点负载与时延大小构成一个最小权重优化问题,采用Q-learning算法来执行路由映射中的SFP选择。RSP选择的标准则是使链路利用率最小的链路进行映射。最后仿真结果表明,基于Q-learning的路由算法在负载均衡和时延方面表现很好。