随着当前通信网络在用户数量上的爆发性增长以及各类新型应用场景的不断诞生,各类具有差异化的时延、带宽、网络能效等要求的多样化业务呈井喷式涌现。传统网络中的设备专有性强、连接关系单一固定,这种刚性的网络架构日渐显得冗杂低效,难以根据业务需求灵活地调整网络的处理能力。对此,提升网络资源灵活性以尽可能地匹配多种业务需求已经成为业界共识。网络切片（Network Slicing,NS）是一种按需组网的方式,以纵向分割、横向协同的方式,在统一的物理平台中为不同的业务划分独立的逻辑分区,具有隔离程度高强、按需定制、安全性高等优势。当收到业务请求时,切片管理控制器依据不同的业务需求定义所需的功能、容量、连接关系和服务质量（Quality of Service,Qo S）要求,生成对应的网络切片。结合由网络功能虚拟化（Network Function Virtualization,NFV）以及软件定义网络（Software Defined Networking,SDN）等技术构建的切片组网结构,对网络资源进行多域协同控制,为特定的业务类型或者行业用户分配所需资源并进行数据转发,从而利用共享的网络基础设施为不同的行业、业务或用户提供差异化的服务水平协议（Service Level Agreement,SLA）保障。然而,受限于网络切片的可用资源容量,保证基于网络切片的网络服务的Qo S面临着挑战。网络切片容量迁移通过随需匹配用户的资源容量需求,在网络服务的Qo S得到保证的约束下,合理高效地为网络切片分配有限的物理资源。但网络切片容量迁移技术处在刚刚起步的阶段,在实际应用中仍然面临着一些问题,主要包括:（1）网络切片的容量迁移会造成服务连续性受损的问题;（2）网络切片容量映射关系的频繁变化会导致网络能耗大幅提升的问题;（3）网络切片容错难以解决服务请求可靠性和切片管理成本之间的动态平衡的问题。本文围绕面向多样化业务的网络切片容量动态迁移技术展开研究,分别从容量迁移的需求预测阶段和容量映射阶段入手,在保证服务Qo S水平的前提下,旨在提升资源利用水平,减少多余网络能源的消耗,并结合切片容错机制在保证网络切片容量迁移的资源能耗比的同时提高切片网络服务的可靠性,为网络切片在新一代通信网络中广泛落地打牢技术基础。本文的主要创新点如下:（1）针对网络切片容量迁移带来的服务连续性受损的问题,提出一种基于时空相关性的网络切片容量动态预测方法。该方法首先对用于预测的数据流时间序列进行加权处理,将处理后的时间序列及其依赖的空间拓扑信息输入网络模型中,进而通过图卷积网络（Graph Convolution Network,GCN）重组时间序列的空间分布特征,并采用门控循环单元（Gated Recurrent Unit,GRU）感知输入数据的时序依赖关系,最后基于数据流序列与VNF实例数量的映射关系,由前馈神经网络（Feedforward Neural Network,FNN）最终输出网络切片容量需求预测视图。实验结果表明,所提方法与经典的CNN-LSTM方法相比提高了6.54%的需求预测精度,为网络切片的容量迁移提供了准确的先验信息,有助于网络切片容量映射的预操作,从而减少了服务中断的可能性。（2）针对网络切片容量频繁迁移带来的网络能耗大幅提升的问题,提出一种面向能耗节约的网络切片容量动态映射方法。该方法设计同时具有资源利用和能源消耗评价能力的网络能效参数,以网络能效参数最大化为目标,引入深度强化学习框架下的PPO算法对容量映射关系进行学习,实现VNF实例的集中部署,并通过关闭网络中的空闲节点来降低网络能耗。实验结果表明,与经典的ORFA方法相比,本文所提的方法提升了7.72%的资源利用率并降低了10.17%的网络能耗。（3）针对网络切片容错难以实现服务可靠性和管理成本之间的动态平衡的问题,提出一种基于可靠性感知的网络切片无感容错方法。该方法首先根据切片上各个特定服务请求的可靠性要求和涉及到的VNF的可靠性水平,动态划分服务请求中VNF的备份方式。进而基于深度强化学习框架下的DDPG算法,在线进行服务请求的实时端到端备份,旨在满足资源容量、时延和可靠性约束的情况下同时优化网络切片的管理成本与服务可靠性这两个相互冲突的目标。仿真结果表明,本文提出的网络切片无感容错方法,能够获得比对照方案RRB高出13.75%的服务请求接受率,并且无需消耗过多的备份资源从而有效提升网络切片在进行服务供给时的可靠性。