随着无线网络技术（如5G）的快速发展和高服务质量（Qo S）需求的增加,对网络资源的有效管理变得越来越重要。为了提高业务调度的Qo S和网络资源利用率,许多学者进行了大量研究。实现这一目标的一种有效方法是对网络流量进行队列管理和调度。然而,队列管理调度的排队特性有一个隐含的缺点。由于需要通过检查网络链路上的剩余带宽来实时计算网络流的可行路由,在顺序处理队列中的流量时,计算可行路由可能很耗时。值得注意的是,通过网络切片可以加速计算路由的过程。考虑到这一点,在本文中引入了一种网络切片模型来加速计算路由的过程。在该切片模型中,不同的切片共享相同的网络拓扑,但在链路上可以具有不同的带宽资源。之后将网络流分配到不同的切片中,由于可以对不同切片中的流独立处理,路由的计算就可以在切片之间并行进行,从而加速了路由计算的过程。实现这种想法的主要挑战在于,在切片中部署网络流时,应该保证较高的传输成功率,因为一些流可能由于资源不足而无法传输。为了解决这个问题,本文提出了一种基于监督学习的模型来预测流应该分配到哪个切片中,从而最大化成功传输的网络流个数和总数据量。该方法基于机器学习的技术实现,一次对一批流进行预测,之后根据预测结果将流分配到指定的切片中进行传输。本文的主要贡献概况如下:（1）本文提出了一种网络切片模型,该模型中不同的切片共享同一网络拓扑结构,从而通过并行计算达到减少流量路由计算总时间的目的。在此切片模型的基础上,建立了基于网络切片的流量分配模型,该模型的优化目标是最大化成功传输的流数目和数据量。（2）针对本文研究的流量分配问题,本文提出了一种神经网络模型,该模型能够根据网络切片状态和多个流量信息决策每个流量应部署在哪个切片中。该模型包括5层神经网络,具有多输出和神经网络部分参数共享等特点。为了给该模型提供有效的训练样本,本文还提出了一种样本生成算法。（3）为了解决上述神经网络模型在网络切片的剩余带宽不同时效果变差的问题,本文提出了一种基于边图卷积的神经网络模型。通过把基于节点的图卷积改变为基于边的边图卷积,该模型能够提取网络切片链路上的状态信息和空间结构信息。为了进一步提升效果,在模型中将多个边图卷积神经网络进行堆叠并且使用了跳层连接。（4）为了评估本文中算法的效果,在基于5G网络场景的仿真环境中进行了相关实验。实验结果表明,本文提出的算法在减少路由计算时间、提高传输成功率、增加数据传输量等方面取得了较好的效果。