今天没码完，所以晚一会儿更新，大概凌晨一两点吧，主要是这一章确实有点费劲了，写了两三个小时了，但却还是差了一大截，等更新之后只要重新刷新这一章就行了。
摘要:为了减少多元异构网络数据安全传输时延，设计一个基于机器学习的多元异构网络数据安全传输技术。通过选择数据源与数据属性的重要性定义，对多元异构网络数据预处理，并建立多径并行传输架构，在此基础上，采用机器学习方法进行有效带宽估计与参数滤波处理，最后进行带宽调度与信道安全协议体系建立，从而完成基于机器学习的多元异构网络数据安全传输。实验结果表明，此次研究的基于机器学习的多元异构网络数据安全传输有效减少了数据传输时延，并减少了数据传输中断情况与数据丢包率，满足数据传输技术的设计需求。
关键词:机器学习；多元异构网络；数据安全传输；网络数据预处理；并行传输构架
1引言
当前，通信技术发展迅速，多种网络特点明显，并经过多年的改革创新，使无线接入技术的传输速率逐渐逼近极限。在这种背景下，为满足多种业务需求，需要进行多网写作。但是，传统的写作机制在网络传输资源使用上，不能同时、高效的使用，不能有效保证高效传输业务，并且会增加传输中的能耗问题，从而导致传输过程中发生干扰问题。因此，很多学者开展了关于多元网络数据传输方法的研究。文献[1]中，石玲玲，李敬兆研究了异构网络中安全数据传输机制，该机制主要采用一种基于优化的AES-GCM认证加密算法和基于SHA的数字签名算法相结合的安全数据传输机制进行数据的传输；文献[2]中，周静，陈琛研究了基于异构网的一种数据安全模型，该模型预先对数据加密处理，然后建立安全传输信道进行了数据的传输。上述两种方法能够获得一定的效果，但是还存在一定的不足。针对上述的不足，为此本文将机器学习方法应用到多元异构网络数据安全传输中，以解决目前存在的问题。实验结果表明，此次研究的多元异构网络数据安全传输技术有效解决了目前存在的问题，具备一定的实际应用意义。
2多元异构网络数据预处理
在多元异构网络数据安全传输中，有很多数据是没有用的，为此需要从多元网络数据中选取相关的数据源进行传输，从而提高数据传输的准确率与效率。在有效数据源选择过程中，采用重要性衡量数据属性之间的关系[3-4]，捕获关联性较强的数据，其计算表达式如下所示：(1)公式(1)中，T表示所有数据源的综合表数，(i，j)表示示例源类间的相关性。根据对数据源重要性的判断，可以选择关联程度最高的数据表集合，减少不相关表。在上述重要数据源选择完成后，分析数据属性，由于一个数据源是有一组数据属性组成的，通过这些属性特征能够反映出待传输数据的基本信息。主要通过数据元组的相关性进行衡量，分析元组数据出现的次数，即通过元组数据密度进行定义，数据元组密度图如图1所示。图1中，ε表示指定邻域的半径。按照这种思路，对上述数据集中的每个元组数据进行权重的分配[5-7]，它的表达式如下：(2)公式(2)中，w(C)表示属性权重，w(tk)表示核心元组的数目，δ表示异常值，w(tb)表示边的元组数目。
3多径并行传输架构
在上述预处理完成后，建立多径并行传输架构，主要内容如下：预先对流量分割，通信流分割是发送端用来将大型数据块分割成不同大小或相同大小的数据单元[8]，其大小由通信流分割的粒度决定，主要分为以下几类：第一，在分组级业务分割中，分组是数据流的最小构成单元，因此，分割方法粒度最小，且分组概率相互独立，可以发送到发送端；第二，流层面的流量分割[9]，将特定目标地址封