基于图神经网络的深度强化学习算法在空天地一体化网络中优化虚拟网络功能转发图嵌入

针对空天地一体化网络(SAGIN)中虚拟网络功能转发图(VNF-FG)嵌入面临的动态异构性挑战，研究人员提出了一种结合图神经网络(GNN)与深度强化学习(DRL)的三层架构优化算法(GNN-DRE)。该研究通过整合多域资源约束与端到端(E2E)延迟目标，将问题建模为整数线性规划(ILP)，实验表明算法可降低8%延迟和13%嵌入成本，为6G网络服务编排提供了新范式。

　　

论文解读

在6G网络演进浪潮中，空天地一体化网络(Space–Air–Ground Integrated Network, SAGIN)因其三维无缝覆盖能力成为突破传统地面网络局限的关键架构。然而，这种由卫星、无人机和地面基站构成的异构环境，面临着网络资源动态性强、拓扑结构复杂等挑战。尤其当用户服务请求需要经过虚拟网络功能转发图(Virtual Network Function Forwarding Graph, VNF-FG)处理时，如何在高动态环境中实现低延迟、低成本的VNF-FG嵌入成为制约服务质量的瓶颈。现有研究多局限于线性服务功能链(Service Function Chain, SFC)的静态部署，对复杂图结构VNF-FG的嵌入问题缺乏有效解决方案。

重庆邮电大学的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地提出三层控制架构与智能算法融合的方案。通过构建包含全局控制器和域内SDN控制器的分层管理体系，结合图神经网络(Graph Neural Network, GNN)的特征提取能力和深度强化学习(Deep Reinforcement Learning, DRL)的决策优化优势，开发了GNN-DRE算法。该研究首次在SAGIN环境下实现了图结构VNF-FG的动态嵌入优化，实验数据显示其端到端(End-to-End, E2E)延迟和嵌入成本分别降低8%和13%。

关键技术方法包括：1) 设计三层SDN/NFV控制架构实现多域资源协同；2) 构建整数线性规划(Integer Linear Programming, ILP)模型整合节点/链路资源约束；3) 采用图注意力网络(GAT)和图卷积网络(GCN)分别提取SAGIN和VNF-FG特征；4) 基于深度Q网络(Deep Q-Network, DQN)框架开发动态决策策略。

系统模型与问题定义
研究团队提出的三层控制架构中，域内SDN控制器实时采集卫星、无人机等异构节点的CPU、带宽资源数据，全局控制器综合生成全网视图。将VNF-FG嵌入问题定义为延迟与成本双目标优化问题(DCE-DVEP)，需满足VNF依赖关系、资源容量限制及E2E延迟阈值等多重约束。

GNN-DRE算法设计
算法创新性地采用双通道GNN处理异构数据：GAT模型捕捉SAGIN节点间空间相关性，GCN模型解析VNF-FG拓扑特征。通过注意力机制量化卫星与地面链路的资源贡献度，结合DRL的ε-greedy策略实现动态决策。网络训练采用经验回放机制，以加权延迟成本作为奖励函数。

性能评估
在模拟的200节点SAGIN环境中，GNN-DRE相比传统启发式算法表现出显著优势。在VNF请求到达率为15次/秒时，算法维持85%的请求接受率，且E2E延迟稳定在120ms以下。消融实验证实，双GNN结构比单模型特征提取精度提升23%。

结论与展望
该研究突破性地解决了图结构VNF-FG在动态异构网络中的嵌入难题，为6G网络服务自动化编排提供了新思路。未来工作将探索联邦学习框架下的分布式训练方案，以进一步降低控制信令开销。研究团队特别指出，算法在卫星移动性预测方面的局限性仍需通过轨迹建模加以改进。