网络功能虚拟化(Network Function Virtualization,NFV)技术通过将传统网络中基于硬件的网络功能以软件的形式部署在通用服务器上,实现了网络功能与专有硬件解耦,提升了网络服务的灵活性、弹性与效率。通过NFV技术,运营商可以高效灵活地满足用户的服务需求。在NFV技术的网络中,一系列的虚拟网络功能(Virtual Network Function,NFV)按照一定的顺序连接在一起成为一条服务功能链(Service Function Chain,SFC)。一条SFC需要被编排并且部署到具体的物理网络中才能为用户提供稳定的端到端服务。不同的SFC编排方式会对SFC的服务质量以及能耗等产生很大影响,因此如何保证SFC的高效合理的编排是当前NFV研究中的关键问题。SFC编排是指根据必要的约束条件以及具体的业务需求,为SFC中的VNF选择合适的物理节点进行实例化并按照SFC中既定的顺序进行连接,使流量按序通过各个VNF实例从而为用户提供所需的端到端服务。为了保证SFC所提供服务的稳定性,SFC的服务质量需要得到保证,不同的SFC编排方案会对SFC的服务质量产生极大影响,所以我们需要采取合理的编排方式以保证SFC的服务质量。同时,由于SFC部署到物理网络中之后会增加服务器的能耗,所以我们需要采取合理的编排方式减少SFC部署所带来的服务器能耗。SFC的编排问题是一个NP-hard问题。为了实现对SFC编排问题的高效求解,本文研究了智能算法中的蚁群算法以及强化学习算法,并结合不同的优化目标设计了高效的SFC编排方法。本文的研究内容如下:1)提出了基于蚁群算法的丢包率优化的SFC编排方法。本课题通过使用蚁群算法在保证SFC的时延容忍与带宽需求的前提下,最小化SFC的端到端丢包率,以实现对SFC的服务质量的保证。该方法以最小化SFC的端到端丢包率为目标,将SFC的编排问题转化为蚁群算法中寻找最优解的问题,利用最短路径算法对各个VNF节点进行有序链接,实现资源分配与流量引导。2)提出了基于强化学习的能耗感知的SFC编排方法。本课题针对SFC动态到达的场景,对1)中的问题模型进行了改进,在保证SFC服务质量的基础上,分析了导致服务器能耗增加的原因,建立了能耗感知的SFC编排问题的整数规划模型。为了实现对问题的高效求解,本文根据具体的问题场景,提出了基于Q-Learning算法的SFC编排方法。针对Q-Learning算法中Q表过度膨胀导致的问题,本文又提出了基于DQN的SFC编排方法,实现了对SFC编排问题的高效求解。