随着移动设备的普及和物联网的发展,众多新兴应用呈现计算密集、时延敏感等特点,服务器计算资源和网络通信资源的受限极大推动了分布式计算与通信网络的结合与发展。移动边缘计算（Mobile Edge Computing,MEC）作为一种灵活且高效的分布式计算技术受到了各界的广泛关注,用户终端由于自身计算能力不足可以选择将计算任务卸载给边缘服务器,接收到卸载任务后边缘服务器之间通过协作来对其做分布式处理,缓解了终端计算压力的同时极大地提高了任务的执行效率。针对上述研究场景,如何联合考虑通信和计算来获得低时延效益是本文研究的主要内容。以此为动机,本文开展了面向异构分布式计算的低时延通信-计算资源调度策略研究。首先,本文基于多服务器组成的MEC计算卸载场景,考虑边缘服务器计算资源受限和网络通信资源受限,提出包含任务分配和卸载顺序的低时延卸载策略。首先,同时考虑任务卸载时的通信传输过程和服务器计算过程,构建一个时延最优的min-max计算卸载模型,然后从任务分配是公平的和可调的两种情况分别给出最优的卸载策略。在公平的任务分配场景下,每个MEC服务器上分配的任务量相同,本文提出了“低计算能力优先”的最优卸载顺序。其次,在可调的任务分配场景下,卸载策略需要联合优化任务分配和卸载顺序两个变量,按照所有任务能同时完成计算的最优性条件,得到最优的任务分配闭式解,进而通过将目标函数从时延最优转化为浪费的计算资源量最小,提出“高通信能力优先”的最优卸载顺序。通过与两种随机调度算法相比,提出的联合优化卸载策略可以获得更好的时延性能。接着,本文重点关注卸载任务到达后,边缘服务器之间基于Map Reduce框架的协作计算过程,提出联合Map过程和Reduce过程的低时延任务分配策略。首先,Map Reduce框架中Map、Shuffle、Reduce三个执行阶段要求服务器在对卸载任务做分布式处理时需要进行多次通信和计算,而任务分配将同时影响服务器的计算和通信时延,本文联合Map阶段和Reduce阶段的任务分配构建一个时延最优的min-max任务分配模型,通过挖掘问题满足的竞争性和单调性提出迭代算法框架并证明其最优性,其次,为优化问题建立特征方程并基于佩龙定理给出迭代方法,最终给出各个边缘服务器最优的Map和Reduce任务分配。算法通过优化计算时延和通信时延的折中,使整体的任务执行总时延达到最小,与其他四个基准算法相比,在时延性能方面具有极大优势。最后,针对第三章提出的Map Reduce框架下的资源调度算法,本文基于Hadoop中的Map Reduce架构对该资源调度算法在Word Count任务中进行实验验证,明确了算法在基于Map Reduce框架的分布式计算场景中的有效性。搭建一个由多个资源配置不同的节点构成的异构集群环境,基于调度算法的输出结果调整Map Reduce执行时的任务分配比例,运行不同规模的Word Count实例并记录对应的时延,与另外两种基准算法作对比可以获得更优的时延性能。