近几年各类新兴技术例如量子科技、区块链以及人工智能迅猛发展,给传统网络带来了极大的挑战,而网络虚拟化技术为传统网络能满足多元化的网络需求带来了可能性。本文主要从以下两个方面对虚拟网络映射问题进行研究:针对深度卷积神经网络的计算负载会使终端设备产生大量能耗的问题,本文将深度卷积神经网络的计算任务作为虚拟网络请求,将它映射到多个终端设备上,由多台终端共同分担计算来减少对自身的损耗。在实现时将神经网络每一层的计算任务作为一个虚拟节点请求,并且根据层与层之间的连接关系,得到虚拟链路。通过多台设备共同分担计算压力解决了深度卷积神经网络对设备计算能力以及电池容量的需求,实现时以节点的计算时间和链路上的通信时间为约束,以最小化能耗为优化目标。在求解该虚拟网络请求时采用了粒子群算法,由于探索空间为离散的,所以在实现时对粒子群算法做了离散化处理,由此得到了一个满足时间约束的最小化能耗的映射方案。本文重点考虑对星型虚拟网络进行映射,以最小化开销为优化目标,通过深度强化学习Nature DQN算法来实现对虚拟节点的映射。采用两阶段映射的策略,对节点和链路进行交替映射,并且根据所选择的物理节点,通过Dijkstra算法求得它们之间的最短路径。大多数使用深度强化学习的虚拟网络映射算法都使用卷积神经网络对节点属性进行特征提取,由于本文重点考虑虚拟网络为中心辐射型的情况,所以使用全连接神经网络来实现。在对算法的状态空间、动作空间以及奖励函数进行设计之后,基于自身的动作空间对Nature DQN算法选择动作的方式进行了调整,通过引入Mask先验策略避免了对无效动作的重复选择。测试及训练结果表明,调整之后的Nature DQN算法在能选择出较优映射结果的同时,还提高了计算效率。