在即将到来的6G网络时代，前所未有的数据速率、超低延迟和无处不在的连接性使得有效管理虚拟化网络功能（VNFs）变得至关重要。VNFs是传统硬件设备的软体替代品，能够灵活且可扩展地提供服务。服务功能链（SFCs）作为有序的VNFs序列，对于交付复杂的网络服务至关重要。
然而，将SFC拆分为多个段并在不同的网络域或基础设施位置部署，面临着由于域特征的潜在异质性、服务质量（QoS）约束和网络状态的有限可视性而带来的重大挑战。传统优化方法的可扩展性有限，而现有的数据驱动方法在效率与捕捉SFC中VNF相互依赖关系之间难以取得平衡。
为克服这些局限性，我们提出了一种基于Transformer的演员-评论家框架，专门用于序列感知的SFC分区。通过利用自注意力机制，我们的方法有效建模了VNFs之间的复杂相互依赖关系，促进了协调和并行决策过程。此外，为了提高训练的稳定性和收敛性，我们引入了$\epsilon$-LoPe探索策略以及渐近回报归一化。
全面的仿真结果表明，所提出的方法在长期服务接受率、资源利用率和可扩展性方面优于现有的最先进解决方案，同时实现了快速推理。
博主点评： 本文提出的基于Transformer的框架在处理复杂的服务功能链分区问题上显示出强大的能力，尤其是在多变的网络环境中。通过引入新颖的探索策略和归一化技术，显著增强了训练的稳定性与效率，为未来的6G网络服务管理奠定了基础。