网络虚拟化使得多个虚拟网络共享底层物理网络成为可能,而传统的启发式映射算法遵循人工制定的静态规则,无法自动优化,因此无法实现最优的节点排序与映射结果。为解决此问题,本文将数据驱动的思想引入虚拟网络映射过程中,设计并实现了两种数据驱动的虚拟网络映射算法,这两种算法从历史映射数据中学习到关于映射方法和底层网络的知识,自动优化算法参数,并用于后续虚拟网络映射的底层节点排序。本文提出的第一种算法对底层物理网络各节点进行特征抽取,针对历史上的虚拟网络请求数据进行粒子群优化,确定权重向量各个维度取值,使用优化后的权重向量对底层网络节点进行排序和映射;第二种算法基于强化学习,首先对底层物理网络进行特征抽取作为策略网络输入,使用策略网络计算底层网络节点的映射概率分布,并在历史映射数据上使用策略梯度方法优化映射的收益消耗比,对策略网络进行多轮训练。本文对提出的两种数据驱动的虚拟网络映射算法进行了仿真实验,并对比了两种主流的基于节点排序的虚拟网络映射算法。仿真实验结果说明本文所提出的数据驱动的虚拟网络映射算法具有更好的请求接收率,实现了更高的长期平均收益,和更高的收益消耗比。