随着5G时代的到来,诸如AR/VR、自动驾驶、工业控制等新型网络应用逐渐兴起,这些应用不仅对计算资源有着大量需求,并且要求低时延甚至确定性的时延以满足用户的体验需求。确定性时延要求应用或任务的完成时延有明确的上界和下界,任务的完成时延需在该时延范围内,以满足用户的要求。云计算由于与用户距离过远,导致过高的延迟而难以满足这类应用的时延要求,而用户的终端设备的计算能力通常较弱,无法满足这类应用的计算需求。边缘计算中的计算卸载技术能够将任务卸载到合适的边缘节点执行,减少任务的完成时延,已经被越来越多地应用。但现有对计算卸载的研究在时延优化方面往往只考虑任务完成时延的最小化,而没有考虑应用的确定性时延需求。本文面向确定性时延应用,在云计算、边缘计算协同的网络环境下对计算卸载问题进行研究,通过制定合理的计算卸载方案来满足更多应用的确定性时延需求,以提高系统整体的应用接受率。本文首先介绍确定性时延的概念,描述应用的时延上限和下限,然后按照应用是否能够划分成可卸载的子任务,将卸载问题分为整体卸载和部分卸载。主要工作内容如下:1.对于整体卸载问题,本文提出一种基于深度强化学习的计算卸载方案。在计算卸载问题中,任务计算位置的选择是一个离散的动作,而计算资源分配是一个连续的动作,因此该问题的动作空间是离散和连续动作混合的,故本文利用Parametrized Deep Q-Network（PDQN）算法求解计算卸载问题,该算法利用DQN进行任务卸载位置选择这一离散动作的决策,利用DDPG进行分配计算资源这一连续动作的决策,通过合理地设置任务的执行位置和分配适当的计算资源,达到优化整体任务接受率的目的。仿真结果表明,本文所提方案有效提高了系统整体的任务接受率,同时不会产生过高的系统能耗。2.对于部分卸载问题,现有研究没有充分考虑应用的子任务之间的依赖关系,因而难以对由一组具有依赖关系的子任务组成的复杂应用进行细粒度的卸载。为了体现应用的子任务之间的依赖关系,本文利用有向无环图（Directed Acyclic Graph,DAG）描述具有多个子任务的应用。DAG的节点表示应用的子任务,边表示子任务之间的依赖关系。然后进行DAG以及任务优先级队列的构建。在此基础上利用深度强化学习算法解决部分卸载问题。仿真结果表明,本文所提方案有效提高了系统整体的应用接受率。