Con la aparición de la Virtualización de Funciones de Red (NFV) y las Redes Definidas por Software (SDN), el Encadenamiento de Funciones de Servicio (SFC) ha evolucionado hacia un paradigma popular para transportar y cumplir servicios de red. Sin embargo, la implementación de la Computación en el Borde Móvil (MEC) en las redes móviles de sexta generación (6G) requiere mecanismos eficientes de asignación de recursos para migrar funciones de red virtuales (VNFs). El aprendizaje profundo es un enfoque prometedor para abordar este problema. Actualmente, la investigación sobre la migración de VNF se centra principalmente en cómo migrar un solo VNF, ignorando el intercambio de VNF y la migración concurrente. Además, la mayoría de los algoritmos de migración de VNF existentes son complejos, no escalables e ineficientes en tiempo. Este documento asume que cada VNF colocado puede servir a múltiples SFCs. Nos centramos en seleccionar la mejor ubicación de migración para las instancias de VNF que se migran concurrentemente basándonos en las condiciones reales de la red. Primero, formulamos el problema de migración de VNF como un modelo de optimización cuyo objetivo es minimizar la demora de extremo a extremo de todos los SFCs influidos garantizando el equilibrio de carga de la red después de la migración. A continuación, diseñamos un Algoritmo de Dos Etapas basado en Aprendizaje Profundo (DLTSA) para resolver el problema de migración de VNF. Finalmente, combinamos datos experimentales anteriores para generar patrones de tráfico de VNF realistas y evaluar el algoritmo. Los resultados de la simulación muestran que la demora de SFC después de la migración calculada por DLTSA está cerca de los resultados óptimos y mucho más baja que los puntos de referencia. Además, garantiza eficazmente el equilibrio de carga de la red después de la migración.