随着多媒体和移动应用的快速发展,传统网络架构越来越僵化,导致无法高效地、灵活地利用网络资源。网络虚拟化技术的出现很好地解决了这个问题。网络虚拟化可以让多个异构的虚拟网络共享同一个底层物理网络的资源,从而使得网络基础设施提供者可以灵活的管理和分配资源。虚拟网络映射(VNE)是网络虚拟化的关键技术之一,它的目标是将多个带有资源需求的虚拟网络请求(VNR)映射到底层物理网络上,因此VNE算法决定了底层物理网络的资源利用率和支持多个VNR的能力。现有的VNE算法大多致力于提高当前VNR被接受的概率,并通过优化节点映射阶段来提高VNR的接受率,而链路映射阶段只使用简单的最短路径算法,忽略了链路资源差异性的影响,导致了次优的映射结果。同时,近年来互联网上出现了各种类型的多媒体应用。思科预测,大约90%的互联网流量是由服务质量(QoS)敏感的应用程序生成的,并且不同应用的QoS需求通常是不同的。然而,目前绝大多数VNE算法没有考虑VNR的QoS需求,只有少有的VNE算法考虑了时延,考虑的QoS度量指标太少,不能全面满足QoS应用的资源需求;并且现有VNE算法对所有请求一致对待,即严格保证所有VNR的QoS需求,导致了低的请求接受率和资源利用率。针对上述问题,本文首先提出一种基于双层强化学习的VNE算法,将强化学习同时应用于VNE的节点映射阶段和链路映射阶段,从而在优化节点映射的同时,优化链路映射。在此基础上,本文进一步提出一种基于强化学习的多QoS指标感知的VNE算法,基于不同VNR对多QoS指标(包括时延、抖动和丢包率)的不同需求对其进行分级,并引入强化学习来实现区分服务的VNE。即为QoS级别高的VNR(如游戏应用)提供严格QoS保证的映射,为QoS级别低的VNR(如广播视频)提供较低QoS保证的映射,从而实现QoS保证和请求接受率的平衡。本文首先分析了现有VNE算法的研究现状,并总结了现有算法的不足,然后具体介绍了本文提出的两个VNE算法及其性能评估,最后以QoS感知的VNE算法为例,介绍了仿真实验和评估平台的设计与实现。从实验结果可以看出,与现有基于启发式和基于单层强化学习的VNE算法相比,本文提出的基于双层强化学习的VNE算法提高了层次型物理网络的请求接受率和资源利用率,而多QoS指标感知的VNE算法可以牺牲较少的服务质量来提高请求接受率,并在相同时间复杂度下,提高了请求接受率和资源利用率。