航母体系中的通信网络比较复杂,通信网中传输着大量的数据报,数据报载体一般采用自定义的应用层协议。获取数据报中数据实体的方式为,首先识别数据报的协议种类,然后按照相应的协议格式进行解析。考虑到灵活性等原因,航母体系中的应用层协议设计方式导致了数据报只能轮询匹配本地的协议进行协议识别。由于这种试错性匹配的过程很耗时,一个数据报的解析可能就要试错性匹配成百上千种协议,在高并发的通信网络中,严重制约着系统的性能。经过调研发现,这类通信网络中的数据报序列根据时间是有规律可循的,所以本文建立了一个可以嵌入到系统中的模型学习其中的规律,来对未知数据报进行协议种类的预测,通过减少试错性匹配的次数,来达到加快解析的目的。目前应用在预测任务中的,主要有三大类方法,包括时间序列预测方法、传统机器学习方法、深度学习预测方法。航母体系这一类的通信网络,有场景多变性、高速实时性、数据报本身特征少等特点,而且要求算法模型具有系统的可嵌入性。深度学习预测等方法因为需要大量样本数据训练,而且训练出来的模型不能应用在另一种通信环境,不适用于多变场景。传统的K近邻是一个懒惰性学习方式,并不需要训练,可迅速投入任何多变场景中,但是其预测结果单一,近邻查找效率较低,不适用于高并发场景。为了解决以上问题,本文提出了一种加速前缀匹配K近邻模型（Speed Up Prefix Matching K Nearest Neighbors,SUPMKNN）,既解决了K近邻算法中近邻查找慢的问题,也使K近邻的输出具有多样性和可靠性。本文的主要成果包括:提出了一种加速前缀匹配K近邻模型（Speed Up Prefix Matching K Nearest Neighbors,SUPMKNN）。该模型适用于数据本身特征较少,但是数据序列呈现规律性的数据集。模型改变传统的先算距离再选近邻的方式,而是通过空间换时间,对序列的规律进行提取并缓存的方式,直接命中K个近邻并提取出K个近邻在序列规律中的多个特征。最后再利用多元线性回归和逻辑回归计算每个近邻的相似度。使得预测结果具有可靠性和时效性。搭建了一套完整的通信网络仿真系统,应用算法并验证算法的有效性。仿真系统包括数据报实时解析系统、XML协议随机生成系统、数据报随机发送系统。其中数据报实时解析系统,类似于抓包工具Wireshark,抓取自定义数据报,并对数据报进行协议匹配和解析存储,用来检测算法的效果。XML协议随机生成系统和数据报随机发送系统,分别用来批量生成随机的协议和数据报,确保仿真数据的多样性和真实性,通过这两个系统搭建的仿真环境产生的数据报,被数据报实时解析系统接收,形成本实验的数据集。最后,将SUPMKNN与常用的轮询算法和频率算法做了对比,数据报解析效率明显提高。并且还与根据通信拓扑搭建的一个图神经网络模型做了对比实验,实验结果证明,SUPMKNN在准确率上不亚于训练好的自建模型。最终将SUPMKNN应用到系统中,大大提高了系统的吞吐量。