La Función de Virtualización de Red (NFV) permite la provisión dinámica de Funciones de Red Virtual (VNF), adaptando los servicios al entorno de red complejo y dinámico para mejorar el rendimiento de la red. Sin embargo, la migración de VNF y el consumo de energía plantean desafíos significativos debido a la naturaleza dinámica de la red física. Con el fin de maximizar la tasa de aceptación de Solicitudes de Cadena de Funciones de Servicio (SFCR) y reducir la migración de VNF y el consumo de energía tanto como sea posible, resumimos varios factores relacionados como el estado de alojamiento del nodo, el estado de alojamiento del enlace, el consumo de energía, los nodos migrados y si el mapeo es exitoso. Definimos el proceso de decisión de Markov considerando los factores mencionados anteriormente. A continuación, diseñamos el algoritmo de migración de VNF utilizando modelos actor-crítico, redes de convolución de grafos y redes LSTM. Con el fin de reducir el riesgo de prueba y error durante el entrenamiento y la predicción en escenarios de aprendizaje por refuerzo profundo, diseñamos una arquitectura de red basada en un gemelo digital (DT). En experimentos de simulación, en comparación con el algoritmo FF que selecciona ávidamente el primer nodo disponible, nuestro algoritmo AC_GCN mejora significativamente la tasa de aceptación de solicitudes de SFC en 2.9 veces más que el algoritmo FF en experimentos de topología pequeña, y 27 veces más que el algoritmo FF en experimentos de topología grande. En comparación con el algoritmo de aprendizaje por refuerzo profundo (DRL), que no considera todos los factores mencionados anteriormente juntos, para el experimento de topología pequeña, nuestro algoritmo AC_GCN supera al algoritmo DRL en términos de tasa de aceptación de solicitudes en un 13%, tiene un rendimiento inferior en comparación con el algoritmo DRL en términos de consumo de energía en un 3.8%, y tiene un rendimiento inferior en comparación con el algoritmo DRL en términos del número de nodos migrados en un 22%; para el experimento de topología grande, nuestro algoritmo AC_GCN supera al algoritmo DRL en términos de tasa de aceptación de solicitudes en un 7.7%, supera al algoritmo DRL en términos de consumo de energía en un 0.4%, y supera al algoritmo DRL en términos del número de nodos migrados en un 1.6%.