随着第五代通信技术的普及和互联网业务不断增多,网络虚拟化将在最新的互联网体系架构构建中起着更加重要的作用。网络虚拟化技术的作用是可以在同一个物理网络中承载多个虚拟网络架构或者应用,从而将多种定制化的端到端服务提供给网络用户。实现网络虚拟化的主要途径是虚拟网络映射技术,它借助虚拟网络映射算法在物理网络中根据虚拟网络的节点和链路各自资源需求进行合理的资源分配。随着人工智能的不断发展,越来越多的虚拟网络映射算法在逐渐引入深度学习模型对虚网映射机制进行优化。通常它们都采用循环神经网络（Recurrent Neural Network,RNN）或者卷积神经网络（Convolutional Neural Networks,CNN）来训练虚拟网络映射机制,使得物理网络的资源利用率相对传统启发式方法有了明显提升。但是这两种算法都是对图结构的物理网络抽取节点若干属性信息组成特征矩阵来对物理网络进行建模,这种方法对于物理网络这种拓扑图形式的数据,无疑会损失很多节点空间特征信息。图卷积神经网络（Graph Convolutional Network,GCN）是专门针对图结构数据而设计的特征提取模型,它对图节点进行依赖关系建模的强大能力,使得图领域的相关研究取得了重大进展。所以在本文中,作者就采用GCN来提取和建模物理网络特征,并使用强化学习算法来优化虚拟网络映射过程中的节点映射问题,最终提出了两段式的虚拟网络映射算法GCN-VNE。本文的创新点可以总结为以下三点:（1）传统深度学习模型应用在图结构的数据中时对特征的提取是不完整的,往往会忽略高维空间特征。在本文中,作者利用GCN的图特征抽取能力对物理网络进行建模。据了解,这是第一次将GCN引入到虚拟网络映射问题中,多层GCN网络通过卷积核提取网络节点信息和空间结构信息进行端对端学习,从而对节点映射结果进行优化。（2）GCN网络参数的学习和优化过程中引入强化学习中的策略梯度算法。强化学习智能体通过不断的策略探索,可以学习出对物理网络资源利用效率最有利的节点映射方案。（3）最后,为了验证作者提出的GCN-VNE算法在虚拟网络映射性能上的优越性,作者对比了业界三个方案比较成熟的虚拟网络映射算法。对比结果表明,作者提出的GCN-VNE算法在平均收益、平均收益成本比以及请求接受率等各项指标上,都优于其他三个映射算法。