随着科学技术的发展,越来越多的新型应用不断出现,如虚拟现实和增强现实、全息通信、过程监控等。这些新型应用需要网络提供超低时延,部分还需要保证确定性时延,这对未来网络提出了巨大的挑战。虽然现在已经有许多组织正在进行确定性网络和时延相关的研究,如IEEE的时间敏感网络工作组、IETF的确定性网络工作组、由中国信息通信研究院及华为技术有限公司发起和筹备并联合了多家网络相关单位共同组建的网络5.0产业与技术创新联盟等。但是现有的研究较多关注超低时延数据的传输,对确定性时延数据流的研究较少,而且当前研究多注重在二层和三层路由的时延保证上,从网络资源管理角度进行的分析较少。为此,本论文围绕着确定性时延应用的资源管理展开工作。本文调研和分析未来网络应用的要求和特点,按照应用的需求,将未来网络应用划分为四类。针对这四类应用的资源分配和路由决策问题,本文讨论了一种基于SDN的资源管理框架,定义了各平面功能。在该框架的基础上,本文研究了针对确定性时延应用的资源分配问题和数据流的分类和识别问题,主要内容包括:（1）本文讨论在未来网络中的确定性时延应用数据转发和资源分配问题,提出了一种基于双层粒子群算法的确定性时延应用资源分配方法。该方法针对网络内节点存在计算和存储资源的情况,考虑了应用的确定性时延需求,将多维资源（计算,存储和带宽）分配问题转化为了多约束的优化问题,并通过双层的粒子群算法进行求解。该方法的目的是在满足确定性时延的前提下,提高网络请求接收率、吞吐量和资源利用率。本文对该方法进行了仿真实验,比较了不同环境参数对网络资源分配的影响。实验结果表明,通过采用本文的资源分配方法,可以在满足应用确定性时延要求的基础上,提高网络请求接收率,吞吐量和资源利用率。（2）本文通过将未来网络应用进行分类,并对每类应用采用不同的资源分配和路径选择方法,以提高网络请求接收率和吞吐量。为此,本文对数据流进行分类和识别处理,这是资源分配和路由的前提。本文实现了一个基于混合聚类的数据流分类方法。该方法对传统的聚类方法进行了结合,实验表明分类的结果相较传统聚类算法更加合理。为了提高数据流识别的准确度,本文将残差思想引入了深度全连接神经网络,实现了一个基于残差思想改进的数据流识别方法。仿真实验表明,该方法的识别准确度较高。（3）本文还对上述面向确定性时延应用的资源管理框架进行了系统设计与实现,并详细描述了框架中各模块的功能与模块间的信息交互过程。