1.一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法，其特征在于：该方法包括以下步骤：S1、构建数字孪生辅助的5G云无线接入网络切片架构，并通过在孪生服务节点构建VNF数字孪生体对VNF进行实时监控；

S2、采用基于在线学习的多任务VNF资源预测框架对VNF资源需求进行预测，并结合迁移学习采用基于多任务TransDT-GRU的VNF资源预测框架；所述基于在线学习的多任务VNF资源预测框架包括离线训练模块，在线学习模块，以及在线迁移与孪生服务节点链路关联模块；

所述离线训练模块具体为：设离线训练模块的输入特征集合为：

w＝{w

式中，w

式中，d表示样本中时隙的长度，也指在线学习预测阶段的滑动窗口，X采用多任务学习方法，将CPU、存储和链路带宽资源多个任务作为一个特征输入到同一GRU网络中进行训练，充分挖掘不同资源预测任务之间的关联性，提升各个子任务的模型精度；通过将所有存储的历史特征输入到GRU网络进行离线预训练，并对训练参数进行调整，为在线学习模块提供良好的初始模型参数；

所述在线学习模块具体为：将离线训练阶段的预训练参数作为初始参数进行在线学习，每存储一个新的资源需求实际值，就对最旧的样本特征进行丢弃，保持滑动窗口长度不变，并通过正向传播参数，反向微调对模型参数进行更新，为网络系统提供一个在线的VNF资源预测模型；

所述在线迁移与孪生服务节点链路关联模块具体为：SDN控制器收集各孪生服务节点预测的VNF资源需求，判断物理网络中的低载NFV节点、过载NFV节点和链路，制定相应的VNF迁移策略和孪生服务节点链路关联策略来保证网络性能；

所述基于多任务TransDT-GRU的VNF资源需求预测框架具体为：首先，当VNF1首次映射到NFV节点并关联到孪生服务节点上时，孪生服务节点可以通过基于多任务DT-GRU的VNF资源需求算法训练模型参数ω(t)；然后，当VNF发生迁移时，其关联的孪生服务节点也发生改变，导致VNF数字孪生体的迁移；此时新数字孪生体将根据新采集的VNF资源需求数据对权重进行更新；

S3、在计算、内存、带宽资源、VNF映射和数字孪生体构建约束下，构建VNF迁移后的网络能耗、资源方差和网络同步时延最小化模型；所述最小化模型表示为：式中，α、β和γ为权重因子，P

S4、基于预测的VNF资源预测结果，设置多种计算资源使用阈值的VNF迁移触发条件，并通过VNF迁移和孪生服务节点链路关联，以降低迁移后系统的网络能耗、资源方差和VNF平均同步时延；具体地，通过分阶段设计基于MAPPO的VNF迁移子算法和基于MADDPG的孪生服务节点链路关联子算法来最小化优化模型。

2.根据权利要求1所述的虚拟网络功能迁移方法，其特征在于：在步骤S1中，网络切片场景包括基础设施层、虚拟化层和应用层；所述基础设施层包括NFV节点和孪生服务节点，NFV节点用于处理VNF，孪生服务节点用于构建相应的VNF数字孪生体；所述虚拟化层用于实现对虚拟资源的灵活调配；所述应用层中包括多条SFC。

3.根据权利要求1所述的虚拟网络功能迁移方法，其特征在于：在步骤S3中，当物理节点资源利用率较低时，通过迁移该物理节点上的VNF或者数字孪生体并关联物理节点来降低网路能耗；当物理节点或链路资源利用率较高时，通过调整迁移VNF或VNF数字孪生体，或者调度链路来降低网络资源方差和VNF同步时延。

4.根据权利要求1所述的虚拟网络功能迁移方法，其特征在于：所述基于MAPPO的VNF迁移子算法的步骤如下：

1)每个智能体与网络系统交互，从网络环境中获得物理节点和链路的状态信息，并从SDN控制器获得资源需求预测信息；

2)根据资源需求计算每个NFV节点的CPU利用率、存储利用率以及链路带利用率，若存在NFV节点资源利用率高于上限阈值κ

3)在VNF迁移阶段，算法首先将初始化每一智能体的行动家(Actor)网络参数、评论家(Critic)网络参数和最大迭代次数；

4)在每轮迭代过程中，首次状态将由网络直接初始化，后续状态需要等待MADDPG的关联算法执行完成才能得到；

5)重复决策步骤并存储轨迹，直到达到迭代中最大步数；

6)通过泛化优势估计法估计优势函数；

7)在训练阶段，通过Adam优化器更新Actor和Critic网络参数。

5.根据权利要求1所述的虚拟网络功能迁移方法，其特征在于：所述基于MADDPG的孪生服务节点链路关联子算法的步骤如下：

1)每个智能体和网络系统交互，从网络环境中获得物理节点和链路信息，并从SDN控制器获取VNF迁移后在孪生服务节点构建VNF数字孪生体的实际资源需求量和VNF的节点链路映射策略；

2)初始化一个动作探索的随机过程N和缓存池D

3)对每一个智能体v，由当前策略和随机探索因子N

4)每一智能体从缓存池D

5)对每个智能体，采取软更新的方式对目标网络参数