未来网络中人与人、人与物以及物与物之间复杂多样的业务需求对4G网络架构提出了新的挑战。为了实现移动网络功能与专有硬件的解耦,电信运营商在5G网络架构中引入了网络功能虚拟化(Network Function Virtualization,NFV)技术。NFV利用通用硬件及虚拟化技术实现了移动网络功能的软件化部署,赋予了运营商快速上线新型网络业务和灵活管理基础设施资源的能力。基于NFV灵活的网络架构,运营商提出了以网络切片和服务功能链为代表的新型网络服务供给技术,通过创建多个物理资源可共享的虚拟化逻辑网络,为多样化的垂直行业提供定制化服务。为了提高NFV基础设施资源的使用效率,本课题依托国家自然科学基金、国家科技重大专项等项目针对NFV环境下的虚拟网络功能(Virtualized Network Function,VNF)编排方法展开研究。借助最优化理论、启发式算法和人工智能技术,从VNF部署和VNF资源容量调整两个方面入手,提高VNF编排过程中的资源利用率、服务可靠性和业务调度时间等关键指标,实现VNF的自动化部署、故障恢复和弹性伸缩。本文的主要研究内容包括:(1)面向业务调度时间优化的全流程VNF部署方法现有研究主要采用VNF转发图映射和VNF调度两个流程相互独立的优化模型描述VNF部署问题,没有考虑映射结果对调度策略的影响,缩小了VNF部署问题解空间的可行域。为了优化VNF部署策略,本文基于整数线性规划建立了面向业务调度时间优化的全流程VNF部署模型,并设计了一种染色体联合编码遗传算法求解该NP难问题。该算法通过联合编码机制将VNF部署问题中的执行顺序约束和映射关系约束预先嵌入染色体中,减少了进化过程中待判定的约束条件,降低了算法的时间复杂度。此外,本文VNF部署模型考虑了VNF间的业务流量传输时延对业务调度时间的影响,并提出了基于纳什议价模型的VNF带宽分配策略,通过优化VNF间传输时延进一步降低了NFV平台的业务调度时间,提高了基础设施资源利用效率。仿真结果证明,与现有算法相比,本文提出的全流程部署算法能够优化VNF部署策略,降低NFV平台的业务调度时间,并且减少算法执行所需的CPU时间。(2)基于池化备份策略的VNF转发图映射方法为了实现服务功能链可靠性和NFV平台资源利用率的均衡优化,本文设计了一种基于池化备份策略的VNF转发图映射方法。与传统的联合备份策略相比,池化备份策略能够根据NFV平台中的物理资源利用情况和VNF可靠性需求自适应调整备份VNF采用的备份机制和资源分配策略,提高了备份资源管理的灵活性。根据本文设计的VNF池化备份转发图,我们基于混合整数规划模型设计了一种支持流量感知的动态VNF转发图映射算法。该算法能够根据业务流量的变化动态调整备份资源池中VNF实例的数量,实现了细粒度的备份资源管理。实验证明,相比于传统的联合备份策略,本文提出的池化备份方法能够提高服务功能链可靠性和请求接收率,降低VNF转发图映射所需的资源开销。(3)基于资源需求预测的VNF资源容量自适应调整方法为了实现VNF资源容量的弹性伸缩,本文提出了一种基于资源需求预测的VNF资源容量调整方法。首先,我们设计了一种基于长短期记忆网络和多层前馈神经网络的VNF资源需求预测方法,该方法引入了流量变化、资源需求变化和业务类型等输入特征,与现有预测方法相比,降低了流量预测误差对资源需求预测结果的影响。其次,结合上述VNF资源需求预测方法,本文利用二次分配模型建立了VNF资源需求视图映射模型,并设计了一种动态编码遗传算法求解该NP难问题。该算法能够根据资源需求的变化自适应调整VNF需求视图的映射策略,实现服务功能链的集中部署。实验结果表明,与现有的资源容量调整方法相比,本文提出的资源容量自适应调整方法能够降低资源需求预测的相对误差,减少VNF实例占用的服务器数量。(4)多接入边缘计算场景下的虚拟网络监测功能动态部署和资源容量在线调整方法物联网和普适计算应用的普及推动了多接入边缘计算(Multi-access Edge Computing,MEC)技术的发展。为了实现边缘云的智能化管理,运营商需要在边缘云的基础设施中部署虚拟化网络监测功能。然而,MEC基础设施地理上分布式的部署方式极大地提高了边缘服务器状态监测的通信时延,影响了监测功能的实时性。为了解决上述问题,本文在MEC场景下研究了面向时延优化的网络监测功能部署和在线容量调整问题。该方法首先采用整数线性规划建立了面向时延优化的网络监测功能动态部署模型。针对该NP难优化模型,本文提出了一种基于动态编码机制的遗传算法,实现了寻优过程的快速收敛。其次,考虑到边缘云场景下突发流量的不可预测性,本文基于ski-rental模型设计了一种在线VNF容量调整方法。该方法能够动态调整VNF中各个VNF组件的生命周期,降低容量调整过程中新VNF实例创建的频率,减少边缘云场景下的VNF容量调整开销。仿真和实验结果表明,与现有方法相比,本文所提的在线容量调整方法在算法执行的CPU时间、VNF内部传输时延以及长期容量调整开销等方面有明显的性能优势。