网络功能虚拟化将传统基于硬件的网络功能以软件的形式部署在通用服务器上,提升了网络服务的开放性、弹性与效率。为了快速灵活地提供多样性的网络服务,通常以一个或多个虚拟化网络功能进行组合形成服务,并部署在异构环境上。然而,网络环境中的设备在计算能力、存储资源和分布方式等方面都具有较大的差异性,应该使用自适应方式相应地进行管理。传统的基于模型的效能管理方法由于某些假设或先决条件的参与,在实际应用中受到限制。因此,设计一种无需任何先验知识、不依赖数学模型的优化方法,是构建异构环境下高效网络服务的关键挑战。针对不同网络服务的质量需求和网络功能的组合语义,分别对基于无序网络功能的服务和有序网络功能的服务两方面展开研究和讨论,提升网络服务的效能。针对无序网络功能提供服务的场景,网络功能之间没有前后顺序和数据依赖关系,可以部署在任意的服务器节点上。在运行的过程中,用户请求的时变性和移动性、网络功能实例部署位置的差异性都会对服务效能产生影响。因此,利用Deep Q Network(DQN)来实现用户移动感知的服务迁移管理算法,可以有效地降低服务成本提升服务效能。实验表明,基于DQN的算法可以自动学习用户请求的移动模式,并相应地控制服务器之间的服务迁移,运行时的运营成本比同类算法更低。当服务的网络功能是严格有序时,需要在编排虚拟化网络功能的同时考虑网络流的调度,达到减少成本支出,提高服务质量,最终最大化网络效能的目标。针对该问题,在考虑端到端延迟和各种成本的情况下,设计一种基于Deep Deterministic Policy Gradients(DDPG)的定制化算法以实现智能的虚拟化网络功能编排以及网络流调度。通过大量的实验验证了定制DDPG算法的效能明显优于基于模型的方法和非定制的DDPG算法。