当前,5G网络广泛应用,6G网络研究备受关注,但硬件网络发展缓慢,需研究网络虚拟化技术以实现资源共享,其中虚拟网络嵌入问题是关键挑战。为了满足和平衡网络服务提供商和用户的需求,所设计的虚拟网络嵌入算法需要尽可能的提高网络服务提供商的收益和用户的体验。针对现有的方案的优化目标通常集中在单一指标或多个指标的简单组合上,难以合理的进行虚拟网络请求的嵌入,实验结果也不尽如人意。本文提出了两种基于图神经网络的虚拟网络嵌入算法:首先,本文提出了基于变分图自动编码器的虚拟网络嵌入算法VGAE-VNE。通过变分图自动编码器可以学习到简单的嵌入表征。这些表征聚合了节点的本身特征以及网络结构的特征,然后我们利用K-means聚类方法对得到的嵌入表征进行区分。通过仿真实验证明,VGAE-VNE算法在接受率、长期平均收益、和长期平均CPU资源利用率的评价指标下表现优秀,综合性能优于其他对比算法。其次,本文提出了基于图注意力机制的虚拟网络嵌入算法GAT-VNE,在现实情况中,所面对的物理网络和虚拟网络的规模往往比较大。虽然通过图卷积神经网络能够编码得到节点的表征,但是它在编码时忽略了节点和节点之间的关系,导致嵌入结果可能达不到最优。于是,本文提出了一种基于图注意力机制的虚拟网络嵌入算法GAT-VNE,通过引入注意力机制来确定节点之间的权值,从而衡量节点之间的关系。并且在节点嵌入阶段,提出了一种节点资源能力量化方法对节点嵌入潜力进行量化。不仅仅考虑了节点的资源容量还考虑了整个网络的资源容量。通过仿真实验,我们验证了在不同网络规模下的GAT-VNE算法的性能,它具备合理的带宽和节点分配方式,从而使得它能够长期稳定的支持虚拟网络请求的嵌入。